Machine Learning & AI in Finance Machine Learning & AI in Finance

Fondamentaux de la programmation Python ; structures de données (listes, dictionnaires, tuples) ; boucles et conditions ; fonctions et conception modulaire ; calcul numérique avec NumPy ; manipulation et visualisation de données avec pandas ; programmation pratique sur Google Colab ; nettoyage, filtrage, tri, fusion et visualisation des données.

Apprentissage supervisé et non supervisé, régressions et classifications, surapprentissage et régularisation, apprentissage adversarial, forêts aléatoires, sélection de variables, réseaux de neurones, attention, transformers, traitement par batch, rétropropagation, formation de modèles de type Large Language Models (LLM), fine-tuning de LLMs, ingénierie de prompts et modèles LLMs autonomes.

Méthodes avec ou sans modèle ; Q-learning pour la prise de décision basée sur la valeur ; arbitrage exploration/exploitation ; application du Q-learning à des environnements de jeux à un joueur

Implémentation et évaluation de modèles ML, régressions linéaire et logistique, régularisation Ridge et Lasso, méthodes arborescentes (arbres de décision, forêts aléatoires, boosting), réseaux de neurones pour la reconnaissance de motifs, apprentissage non supervisé avec ACP et k-means, validation croisée, compromis biais-variance.

Données textuelles non structurées, actualités, rapports financiers, réseaux sociaux ; NLP ; algorithmes ML ; tokenisation, racinisation et lemmatisation ; TF-IDF ; embeddings de mots ; modélisation de sujets ; LDA ; reconnaissance d’entités nommées (NER) ; analyse de sentiment ; ton émotionnel des commentaires de marché ; IA générative (GenAI), LLMs (GPT, BERT) ; génération automatique de rapports, synthèse de conférences de résultats, extraction d’informations financières, détection de fraudes, optimisation des stratégies d’investissement.

Prédiction des prix d’actifs avec le ML, stratégies de trading intrajournalier, calibration et évaluation des modèles, techniques de backtesting, modélisation prédictive des cryptomonnaies, réglage d’hyperparamètres, gestion du surapprentissage et des effets temporels, mise en œuvre d’algorithmes de trading concrets.

Évaluation de la solvabilité, demandes de prêts, offres « acheter maintenant, payer plus tard », capital réglementaire selon l’approche IRB, régression logistique, interprétabilité des modèles ML, transparence des décisions, identification de facteurs dans les modèles boîtes noires, équité décisionnelle, détection de fraudes, lutte contre le blanchiment, gestion automatisée des sinistres pour les assurances.

Équité et transparence dans les modèles IA ; techniques d’interprétabilité (valeurs SHAP) ; modèles interprétables natifs vs boîtes noires ; détection et réduction des biais ; conformité réglementaire et auditabilité des modèles ; considérations éthiques dans la prise de décision algorithmique.

Annonces de fusions-acquisitions et taux de succès ; estimation des synergies ; indicateurs financiers ; régression logistique, forêts aléatoires, boosting, SVM ; applications NLP sur rapports 10-K et communiqués de presse ; stratégies d’arbitrage sur fusions.

Gouvernance des données, cybersécurité, technologies réglementaires pilotées par l’IA ; pratiques de préservation de la vie privée ; détection d’anomalies ; risques adversariaux ; résilience des systèmes ; reporting automatisé ; surveillance en temps réel ; visualisation de données ; stockage sécurisé ; partage sécurisé de données ; conformité aux règlements RGPD et DORA ; gestion des jeux de données déséquilibrés ; explicabilité ; lutte contre les risques adversariaux.