Chargé d'étude revues de modèle de risque generative adversarial networks(H/F)

Capijob; Marseille, Digne-les-Bains; Sur place; EUR 40 000 - 60 000; Plein temps

Résumé du poste

Une grande banque recherche un chargé d'étude pour un stage centré sur la revue des modèles de risque utilisant des Generative Adversarial Networks. Vous étudierez des algorithmes pour générer des échantillons de test et analyser leur pertinence dans la mesure du risque de marché. Ce poste offre une immersion au cœur du suivi du risque modèle. Expérience et diplôme non requis.

Responsabilités

• Revue de l’état de l’art des modèles de type Generative Adversarial Networks.
• Générer des échantillons de test sur diverses sources de données.
• Analyser la pertinence de ces réseaux dans le cadre de la mesure du risque de marché.

Description du poste

Chargé d'étude revues de modèle de risque generative adversarial networks(H/F)

Dpt / Région : Provence Alpes C?te d'Azur, 05, 06, 13, 83, 84, 04

Expérience : NC

Niveau d´étude : NC

Salaire : NC

Permis demandé : Permis NC

Niveau de qualification : NC

Société : Société Générale

Overview

Chargé d'étude revues de modèle de risque generative adversarial networks(H/F) New 01 décembre Hauts-de-Seine, La Defense Stage Le respect des normes et de la réglementation sont importants pour vous? Vous avez envie d’une expérience au cœur du suivi du risque modèle de la banque? Rejoignez-nous! 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.

Responsibilities

• Concrètement, vous serez amené(e) à :
• 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 test 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.

Qualifications / Profil

• Expérience : NC
• Niveau d’études : NC
• Permis : NC
• Niveau de qualification : NC