Chargà d'Ãtude revues de modèle de risque generative adversarial networks(H/F)

Capijob; Provence-Alpes-Côte d'Azur; Sur place; EUR 40 000 - 60 000; Plein temps

Résumé du poste

Une institution financière de premier plan recherche un stagiaire Chargé d'étude revues de modèle de risque pour une étude sur les modèles Generative Adversarial Networks. Le stagiaire réalisera des benchmarks, analysera des données financières et présentera des résultats à l'équipe. Étudiant en finance ou similaire requis. Stage basé à La Défense, Hauts-de-Seine.

Qualifications

• Capacité à réaliser des benchmarks sur des modèles financiers.
• Compétences en analyse de données et en modélisation.
• Bonne connaissance des scénarios adverses et de leur application.

Responsabilités

• Réaliser une étude sur les modèles de type Generative Adversarial Networks.
• Créer des exemples adverses pour tester les modèles.
• Documenter et présenter les résultats aux membres de l'équipe.

Connaissances

Connaissances en Generative Adversarial Networks

Analyse de données financières

Création de dashboards interactifs

Formation

Étudiant en finance, mathématiques ou informatique

Description du poste

Chargé d'étude revues de modèle de risque generative adversarial networks (H/F) – Stage – 01 décembre – Hauts-de-Seine, La Défense

Société : Société Générale

Le département Model Risk Management veille à la qualité et à la pertinence des modèles développés au sein du Groupe, ainsi qu’au suivi du risque de modèle de la banque. L’équipe est, entre autres, en charge de réaliser des benchmarks afin de valider les limites des modèles des entités. L'objectif du stage est de réaliser une étude sur l’utilisation des modèles de type Generative Adversarial Networks dans le cadre de la revue des modèles utilisés dans la banque.

• Faire une revue de l’état de l’art des modèles de type Generative Adversarial Networks pour les séries temporelles (de type, QUANT‑GAN) et de construction d’exemples et des scénarios adverses et de données financières synthétiques.
• Apprendre une représentation des données à l’aide de ces algorithmes pour générer des échantillons de tests sur diverses sources de données.
• Analyser la pertinence de ces réseaux dans le cadre de la mesure du risque de marché et le stress testing.
• Créer et utiliser des exemples adverses pour tester la robustesse des modèles, documenter, créer des dashboards interactifs et présenter les résultats de l’étude aux membres de l’équipe.
• Appliquer les modèles sur différents types et métriques de risque et challenger les méthodes des entités modélisatrices ; analyser les limites de ces algorithmes pour les différents cas d’usage.