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 limitations dans les contextes financiers
Réseaux adversariels générateurs (GANs) pour la finance
- Fonctionnement des GANs : générateurs contre discriminateurs
- Applications dans la génération de données synthétiques et la simulation de fraudes
- Étude de cas : génération de données de transactions réalistes pour les tests
Modèles à grande échelle (LLMs) et applications financières
- Comment les LLMs comprennent et génèrent du texte financier
- Conception de prompts pour la prévision et l'analyse des risques
- Cas d'utilisation : synthèse de rapports financiers, KYC, détection des 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 en utilisant des données structurées et non structurées
Détection de la fraude et identification des anomalies
- Utilisation des GANs pour la détection d'anomalies dans les transactions
- Identification des motifs frauduleux émergents par le biais des workflows basés sur des prompts LLM
- Évaluation du modèle : faux positifs contre indicateurs de risques véritables
Implications réglementaires et éthiques
- Explicabilité et transparence des sorties des modèles génératifs IA
- Risque de hallucination et de biais du modèle dans la finance
- Conformité aux attentes réglementaires (par exemple, les directives Basel)
Concevoir des systèmes génératifs pour les institutions financières
- Construction de cas d'affaires pour l'adoption interne
- Équilibre entre innovation, risque et conformité
- Cadres de gouvernance pour un déploiement responsable de l'IA
Résumé 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
- La familiarité avec Python est un atout mais n'est pas obligatoire
Public cible
- Gestionnaires des risques
- Analystes de conformité
- Auditeurs financiers
Nos clients témoignent (3)
Le contexte / la théorie des LLMs, l'exercice
Joanne Wong - IPG HK Limited
Formation - Applied AI for Financial Statement Analysis & Reporting
Traduction automatique
cela m'a ouvert l'esprit à de nouveaux outils qui peuvent m'aider à créer des automatisations
Alessandra Parpajola - Advanced Bionics AG
Formation - Machine Learning & AI for Finance Professionals
Traduction automatique
J'ai beaucoup apprécié la manière dont le formateur présentait tout. J'ai compris tout, même si la Finance n'est pas mon domaine ; il s'assurait que chaque participant soit à la même page, tout en respectant le temps imparti. Les exercices étaient bien répartis. La communication avec les participants était constante. Le matériel était parfait, ni trop abondant, ni insuffisant. Il a très bien approfondi les sujets un peu plus complexes pour qu'ils soient compréhensibles par tous.
Diana
Formation - ChatGPT for Finance
Traduction automatique