Plan du cours

Introduction aux modèles génératifs en finance

  • Aperçu des modèles génératifs et leur pertinence pour la finance
  • Types de modèles génératifs : LLMs, GANs, VAEs
  • Avantages et limites dans les contextes financiers

Réseaux Adversariaux Génératifs (GANs) pour la finance

  • Fonctionnement des GANs : générateurs vs discriminators
  • Applications à la génération de données synthétiques et à la simulation de fraude
  • Cas d'étude : génération de données transactionnelles réalistes pour le test

LLMs en finance

  • Fonctionnement des LLMs pour comprendre et générer du texte financier
  • Conception de prompts pour la prévision et l'analyse des risques
  • Cas d'utilisation : synthèse de rapports financiers, KYC, détection de signaux d’alarme

Prévisions financières avec les modèles génératifs

  • Prévision des séries temporelles avec des modèles hybrides LLM et ML
  • Génération de scénarios et tests de résistance
  • Cas d'utilisation : prévision des revenus à partir de données structurées et non structurées

Détection de la fraude et identification des anomalies

  • Utilisation des GANs pour la détection d'anomalies dans les transactions
  • Détection des modèles émergents de fraude via des workflows basés sur LLM
  • Évaluation du modèle : faux positifs vs indicateurs réels de risque

Implications réglementaires et éthiques

  • Explicabilité et transparence dans les sorties des modèles génératifs IA
  • Risque d'hallucination du modèle et de biais en finance
  • Conformité aux attentes réglementaires (par exemple, GDPR, lignes directrices de Basel)

Conception de modèles génératifs pour les institutions financières

  • Mise en place de cas d'affaires internes pour l'adoption des modèles génératifs
  • Équilibre entre innovation, risques et conformité
  • Cadres de gouvernance pour un déploiement responsable de l'IA

Récapitulatif et prochaines étapes

Pré requis

  • Une compréhension des concepts de base en finance et en gestion des risques
  • Expérience avec les tableurs ou l'analyse de données de base
  • L'amiliarité avec Python est utile mais non obligatoire

Public cible

  • Gestionnaires des risques
  • Analystes de conformité
  • Auditeurs financiers
 14 Heures

Nombre de participants


Prix ​​par Participant

Cours à venir

Catégories Similaires