Niveau bac+3 ou 3 ans d’expérience en banque finance
Objectifs | Compétences
Connaître les différents types d’algorithmes de machine learning utilisables en finance
Connaître une méthodologie pour gérer un projet de Machine Learning
Pratiquer des outils de machine learning adaptés à la finance
Etudier des cas réels et concrets appliqués au secteur financier
Acquérir une « boîte à outil » concrète et facilement réutilisable
Atouts
Mise en perspective des différentes méthodologies de machine learning avec leurs avantages et leurs limites
Aucune connaissance en informatique requise
Exclusivement basé sur des cas réels, récents, connus et pleinement adaptés au niveau des participants
Cas et supports avec corrigés détaillés
Terminologie en anglais fournie dans le pack
Machine learning pour la finance
Programme
Le déroulé d’un projet de Machine Learning
Introduction
Présentation des outils et des bases de données
Checklist d’un projet de Machine Learning
Cas pratique
Checklist pour gérer un projet de machine learning
Les outils de base
La régression linéaire multivariée
Les modèles linéaires régularisés
La régression logistique
Le Naive Bayes
Les k plus proches voisins
Les k moyennes
La réduction de dimension
Cas pratiques
Première boîte à outil de base pour analyser un jeu de données
Présentation d’exemples
Les outils avancés
Les arbres de décisions
Les forêts aléatoires
Les séparateurs à vastes marges (SVM) linéaire
Les SVM non linéaires à noyau
Cas pratiques
Présentation des outils avancés avec les limites et les pièges
Présentation d’exemples
Les réseaux de neurones
Le perceptron multicouche
Les réseaux de neurones profonds
Réseaux de neurones avancés
Cas pratique
Présentation détaillée des réseaux de neurone
L’apprentissage par renforcement
Le principe de base et l’équation de Bellman
Le Q learning
La méthode acteur/critique
Cas pratiques
Introduction à l’apprentissage par renforcement
Présentation d’exemple
Exemple d’application
Le trading
Le stock picking et la gestion de portefeuille
Les produits dérivés actions
M&A
Le risque crédit
Cas pratiques
Présentation de cas réels avec les opportunités associés
Pédagogie – Évaluation
Une première appréciation globale sous forme de QCM a lieu en amont de la formation pour estimer les attentes et niveaux des participants.
La pédagogie de cette formation s’appuie sur une large variété de situations d’apprentissage : cas pratiques, échanges, défis, études de cas, exercices, travaux en sous-groupes.
Chaque compétence est mesurée par des évaluations formatives (cas pratiques, exercices) tout au long de la formation.
Une évaluation sommative sous forme de QCM est organisée en fin de parcours pour mesurer les acquis de la formation.