INTELLIGENCE ARTIFICIELLE APPLIQUÉE À LA FINANCE ET L’ACTUARIAT

PUBLIC VISÉ ET PRÉ-REQUIS

Public visé

• Professionnels de la finance (traders, analystes quantitatifs, risk managers, gestionnaires d’actifs)

• Actuaires et professionnels de l’assurance

• Data scientists souhaitant se spécialiser en finance

• Ingénieurs en informatique visant le secteur financier

• Consultants en transformation digitale des institutions financières

• Professionnels en reconversion vers la data science financière

Prérequis

Formation

• Niveau Bac+4 minimum en mathématiques, statistiques, informatique, finance, actuariat ou équivalent

Compétences

•  Bases en mathématiques (analyse, algèbre linéaire, probabilités, statistiques)

• Aucun prérequis en programmation (modules d’introduction inclus)

• Motivation pour l’apprentissage autonome et la formation à distance

Équipement technique requis

• Ordinateur avec connexion internet stable (min. 10 Mbps)

• Webcam et microphone pour les sessions synchrones

Modalités d’admission

• Candidature en ligne avec CV et relevés de notes

• Lettre de motivation détaillant le projet professionnel

• Entretien de motivation en visioconférence avec le jury d’admission (si besoin)

PROGRAMME

Volume horaire total : 300 heures

UE0 : FONDAMENTAUX DE PROGRAMMATION (42 heures)

Introduction à Python pour la Data Science : 25h

– Syntaxe de base, structures de données (listes, dictionnaires, tuples)

– Fonctions, modules et packages

– NumPy : calcul matriciel et opérations vectorisées

– Pandas : manipulation de DataFrames, nettoyage de données

– Visualisation avec Matplotlib et Seaborn

– Notebooks Jupyter et environnements de développement

Introduction à SQL et bases de données : 12h

– Concepts fondamentaux des bases de données relationnelles

– Requêtes SELECT, WHERE, JOIN, GROUP BY

– Agrégations et fonctions SQL

– Sous-requêtes et requêtes imbriquées

– Connexion Python-SQL (SQLAlchemy, pandas.read_sql)

– Cas d’usage : extraction de données financières

Git, GitHub & Bonnes Pratiques : 5h

– Versionning de code et gestion de branches

– Collaboration sur GitHub (pull requests, code review)

– Bonnes pratiques : documentation, tests, reproductibilité

UE1 : FONDAMENTAUX DE L’INTELLIGENCE ARTIFICIELLE (80 heures)

Machine Learning : théorie et pratique : 25h

– Apprentissage supervisé (régression, classification)

– Apprentissage non supervisé (clustering, réduction de dimensionnalité)

– Méthodes d’ensemble (Random Forest, XGBoost, LightGBM)

– Validation croisée et optimisation d’hyperparamètres

Deep Learning et réseaux de neurones : 20h

– Architectures de réseaux (CNN, RNN, LSTM, Transformers)

– Techniques d’optimisation et de régularisation

– Transfer learning et fine-tuning

– Frameworks : TensorFlow, PyTorch, Keras

NLP & Grands Modèles de Langage (LLM) : 20h

– Modèles de langage (BERT, GPT, T5)

– Analyse de sentiments et classification de textes

– Named Entity Recognition (NER) pour la finance

– Applications : analyse de news, rapports financiers

IA Explicable (XAI) et Interprétabilité : 10h

– Détection et reconnaissance d’objets

– Applications : analyse de documents, KYC automatisé

– Trade-off performance vs explicabilité

Séries Temporelles et Prévision Financière : 5h

– ARIMA, GARCH et modèles classiques de séries temporelles

– LSTM et réseaux de neurones pour la prévision

UE2 : IA APPLIQUÉE À LA FINANCE (60 heures)

Trading Algorithmique et Stratégies Quantitatives : 15h

– Stratégies momentum, mean-reversion, pairs trading

– Backtesting et optimisation de portefeuille

– Gestion du risque de modèle et market impact

Détection de Fraude et Blanchiment d’Argent : 15h

– Anomaly detection (Isolation Forest, Autoencoders)

– Graph Neural Networks pour réseaux de fraude

– AML et conformité réglementaire

Analyse de Sentiments et Données Alternatives : 15h

– Scraping et traitement de données non structurées

– Sentiment analysis sur réseaux sociaux et actualités

– Intégration dans les modèles de trading

Credit Scoring et Risque de Crédit : 15h

– Modèles de scoring classiques vs ML

– Détection de défauts et prévision de faillites

– Interprétabilité et conformité (Bâle III, IFRS 9)

UE3 : IA APPLIQUÉE À L’ACTUARIAT ET L’ASSURANCE (60 heures)

Tarification en assurance par IA : 18h

– GLM, GAM et extensions (Tweedie, Gamma)

– Gradient Boosting pour la tarification

– Segmentation tarifaire et équité

– Personnalisation des primes

Modélisation des Risques Actuariels : 12h

– Chain Ladder vs méthodes ML

– Prévision IBNR et IBNER

– Triangles de développement par deep learning

Détection de fraude en assurance : 10h

– Anomaly detection (Isolation Forest, Autoencoders)

– Graph Neural Networks pour réseaux de fraude

– Interprétabilité des modèles de détection

Prédiction Actuarielle Santé et Vie : 10h

– Tables de mortalité dynamiques

– Prévision par ML vs modèles Lee-Carter

– Risque de longévité et hedging

UE4 : BIG DATA ET INFRASTRUCTURE POUR L’IA (29 heures)

Architectures big data : 14h

– Introduction à Spark pour données financières massives

– Data lakes et data warehouses

Cloud computing et MLOps : 15h

– Déploiement de modèles sur le cloud (AWS, Azure, GCP)

– Monitoring et maintenance de modèles en production

– Model drift et retraining automatisé

– Bases de données time-series (InfluxDB, TimescaleDB)

– Optimisation des requêtes financières

UE5 : ÉTHIQUE, RÉGLEMENTATION ET GOUVERNANCE DE L’IA (19 heures)

RGPD et Protection des Données Personnelles : 8h

– Principes du RGPD et droits des personnes

– Consentement, minimisation et sécurité des données

– Applications sectorielles : assurance, banque, fintech

IA Act Européen et Réglementations Sectorielles : 7h

– RGPD et protection des données personnelles

– IA Act européen et ses implications

– Réglementations sectorielles (ACPR, AMF, EIOPA)

Gouvernance de l’IA dans les Institutions Financières : 4h

– Comités IA et structures de pilotage

– Audit, traçabilité et accountability des modèles IA

UE6 : PROJET DE FIN DE DIPLÔME (10 heures)

Projet Final : Application IA en Finance ou Actuariat : 10h

– Conception et développement d’une solution IA

– Choix du sujet : finance de marché OU actuariat

– Collaboration à distance (Git, Slack, Zoom)

– Présentation orale en visioconférence et rapport technique