Formation IA en finance

Leçon 1 • Fondamentaux des données pour l'IA financière

Explique les types de données financières et leurs exigences de qualité. Donne aux étudiants les bases pour comprendre pourquoi la préparation des données est essentielle avant toute modélisation.

Leçon 2 • Historique de l'IA dans les services financiers

Retrace l'adoption de l'IA, des premiers systèmes fondés sur des règles aux réseaux de neurones modernes. Fournit le contexte pour comprendre les capacités et limites actuelles.

Leçon 3 • Ce que l'IA signifie pour la finance

Définit l'IA, l'apprentissage automatique et l'apprentissage profond en termes simples. Établit pourquoi la finance est un domaine à forte valeur ajoutée pour l'adoption de l'IA.

Leçon 4 • Écosystème de l'IA et principales parties prenantes

Cartographie les rôles des scientifiques des données, ingénieurs, analystes métier et régulateurs dans les projets d'IA. Clarifie comment les professionnels de la finance s'intègrent dans les équipes d'IA interfonctionnelles.

Leçon 1 • Modèles de régression en finance

Couvre la régression linéaire et non linéaire pour la prévision des prix, des rendements et des mesures de risque. Démontre comment les hypothèses du modèle affectent les prédictions financières.

Leçon 2 • Évaluation et sélection de modèles

Enseigne une comparaison rigoureuse des modèles à l'aide de mesures de performance financières et statistiques. Évite le surapprentissage grâce à la validation croisée et aux tests avec fenêtre glissante.

Leçon 3 • Flux de travail en apprentissage supervisé

Parcourt le processus de bout en bout de l'entraînement d'un modèle supervisé sur des données financières. Établit un flux de travail reproductible utilisé tout au long du chapitre.

Leçon 4 • Modèles de classification pour la finance

Applique la régression logistique, les arbres de décision et les méthodes d'ensemble aux résultats financiers binaires. Relie les résultats de classification aux décisions de crédit et de fraude.

Leçon 1 • Scorecards traditionnelles ou par IA

Met en contraste les scorecards par régression logistique avec les alternatives par boosting par gradient et réseaux de neurones. Met en évidence les compromis entre la précision et l'explicabilité réglementaire.

Leçon 2 • Surveillance des modèles de crédit et dérive

Établit des processus pour détecter l'évolution de la population et la dégradation du modèle dans le temps. Garantit que les modèles de crédit restent précis et équitables après le déploiement.

Leçon 3 • Explicabilité du modèle pour le crédit

Applique les valeurs SHAP et LIME pour générer des explications pour les décisions de crédit individuelles. Répond aux exigences réglementaires en matière d'avis d'action défavorable.

Leçon 4 • Principes fondamentaux du risque de crédit

Passe en revue la probabilité de défaut de paiement, la perte en cas de défaut de paiement et l'exposition au risque en cas de défaut de paiement en tant qu'objectifs de modélisation. Ancre les méthodes d'IA dans le cadre du risque de crédit utilisé par les prêteurs.

Leçon 1 • Analyse de graphes pour la criminalité financière

Utilise l'analyse de réseau pour découvrir des réseaux de blanchiment d'argent et des schémas de fraude collusive. Étend la détection au-delà des transactions individuelles vers les relations entre entités.

Leçon 2 • Classification supervisée de la fraude

Applique le suréchantillonnage, l'apprentissage sensible aux coûts et les modèles d'ensemble à des ensembles de données de fraude étiquetés. Optimise les compromis précision-rappel pertinents pour les équipes opérationnelles de lutte contre la fraude.

Leçon 3 • Paysage de la fraude et défis liés aux données

Caractérise les types de fraude et le grave déséquilibre de classes qui rend la détection difficile. Prépare le terrain pour des stratégies spécialisées d'échantillonnage et de modélisation.

Leçon 4 • Méthodes de détection des anomalies

Couvre les forêts d'isolement, les auto-encodeurs et les méthodes statistiques de détection des valeurs aberrantes pour la détection non supervisée de la fraude. Relie les scores d'anomalie aux seuils d'alerte opérationnels.

Leçon 1 • Fondements du trading quantitatif

Introduit la génération d'alpha, la construction de signaux et le cycle de vie du trading systématique. Fournit le vocabulaire de la finance quantitative nécessaire au développement de stratégies d'IA.

Leçon 2 • Génération de signaux basée sur le ML

Applique des modèles de classification et de régression pour générer des signaux d'achat, de vente et de conservation à partir de données de marché. Aborde le biais de vision anticipatrice et la fuite de données dans le ML financier.

Leçon 3 • Apprentissage par renforcement pour le trading

Cadre le trading comme un problème de décision séquentielle et entraîne des agents à l'aide d'un apprentissage par récompense. Couvre la conception de l'environnement, la définition de la fonction de récompense et l'évaluation des politiques.

Leçon 4 • Optimisation de portefeuille avec l'IA

Étend l'optimisation moyenne-variance avec des entrées estimées par ML et des modèles d'allocation par apprentissage profond. Équilibre la maximisation du rendement par rapport aux contraintes de risque sur des marchés dynamiques.

Leçon 1 • Déploiement du pipeline NLP

Intègre les modèles NLP dans des pipelines de production qui traitent des textes financiers à grande échelle. Couvre la conception d'API, la gestion de la latence et le versioning des modèles.

Leçon 2 • Sources de données textuelles financières

Catalogue les transcriptions de résultats, les déclarations réglementaires, les actualités et les médias sociaux comme entrées NLP. Explique comment les données textuelles complètent les signaux quantitatifs en finance.

Leçon 3 • Grands modèles de langage en finance

Explore comment les grands modèles de langage soutiennent la recherche financière, la synthèse et le question-réponse. Aborde les risques d'hallucination et les stratégies d'ancrage pour la précision financière.

Leçon 4 • Extraction d'informations à partir de documents

Applique la reconnaissance d'entités nommées et l'extraction de relations aux déclarations réglementaires et aux contrats. Automatise l'extraction des chiffres financiers clés et des informations sur les risques.

Leçon 1 • Tests de résistance et analyse de scénarios

Utilise des modèles génératifs et des scénarios adverses pour tester la résistance des portefeuilles dans des conditions extrêmes. Satisfait aux exigences réglementaires en matière de tests de résistance avec des scénarios générés par l'IA.

Leçon 2 • Risque de liquidité et IA

Prévoit les déficits de trésorerie et les écarts de liquidité à l'aide du ML sur les données transactionnelles et de marché. Permet une gestion proactive de la liquidité plutôt que des réactions réactives.

Leçon 3 • Mesure du risque de marché avec l'IA

Applique le ML pour améliorer l'estimation de la valeur à risque et de l'expected shortfall au-delà de la simulation historique. Capture les expositions au risque non linéaires que les modèles traditionnels manquent.

Leçon 4 • Risque opérationnel et détection d'anomalies

Détecte les défaillances de processus, les cybermenaces et les comportements frauduleux à l'aide d'IA supervisée et non supervisée. Réduit les pertes opérationnelles grâce à une détection plus précoce et une escalade automatisée.

Leçon 1 • Détection et atténuation des biais

Mesure l'impact disparate et la parité démographique dans les modèles d'IA pour le crédit, l'assurance et le recrutement. Applique des techniques de correction des biais en prétraitement, en cours de traitement et en post-traitement.

Leçon 2 • Conception d'un cadre de gouvernance de l'IA

Construit une structure de gouvernance de l'IA d'entreprise couvrant les politiques, les rôles et les comités de révision. Opérationnalise l'IA responsable, de la stratégie à la surveillance de la production.

Leçon 3 • Cadres d'explicabilité

Compare les méthodes d'explicabilité globale et locale pour communiquer les décisions de l'IA aux parties prenantes. Sélectionne les méthodes appropriées en fonction du public et du contexte réglementaire.

Leçon 4 • Conformité réglementaire pour l'IA

Cartographie les exigences de gouvernance de l'IA des régulateurs financiers et des autorités de protection des données. Intègre les flux de travail de conformité dans le cycle de vie du développement de l'IA.