Prognozowanie ryzyka finansowego z użyciem AI w organizacjach
Zapytaj o dostęp
Program
-
Moduł 1: Ryzyko kredytowe i modele scoringowe
Logistic regression, kalibracja, monitoring dryfu modelu- Budowa modelu PD (probability of default)
- Segmentacja portfela i jej wpływ na jakość modelu
-
Moduł 2: Wykrywanie anomalii i nadużyć
Unsupervised learning w praktyce finansowej- Isolation Forest i Local Outlier Factor
- Progi alarmowe i obsługa fałszywych pozytywów
-
Moduł 3: Ryzyko rynkowe z perspektywy ML
Prognozowanie zmienności, Value at Risk wspomagany przez modele -
Moduł 4: Dokumentacja i walidacja modeli
Model risk management, wymogi EBA, wewnętrzne audyty -
Moduł 5: Wdrożenie w środowisku korporacyjnym
API, monitoring produkcyjny, retrenowanie modeli -
Moduł 6: Studia przypadków i dyskusja
Analiza rzeczywistych wdrożeń, co poszło nie tak i dlaczego
Wdrożenie modelu AI w banku lub firmie ubezpieczeniowej to nie tylko kwestia algorytmu. Dochodzą wymogi regulacyjne, komitety ryzyka, legacy systemy i działy IT, które mają własne priorytety.
Perspektywa z praktyki
Prowadzący kurs, Dorota Kwiatkowska, przez 8 lat pracowała w departamentach ryzyka kredytowego w instytucjach finansowych. Materiał oparty jest na realnych przypadkach, nie na akademickich przykładach.
Główne obszary kursu
- Modele scoringowe i ich aktualizacja w czasie
- Wykrywanie anomalii w transakcjach z użyciem Isolation Forest
- Dokumentacja modeli zgodna z wymogami nadzorczymi
- Testy warunków skrajnych wspomagane przez ML
Aspekt regulacyjny
Omawiamy wymogi IRB oraz wytyczne EBA dotyczące modeli AI. Nie zastępuje to konsultacji prawnej, ale daje solidne podstawy do rozmów z compliance.
Kurs prowadzony jest w małych grupach, maksymalnie 12 osób. Sesje odbywają się dwa razy w tygodniu przez 8 tygodni, każda po 90 minut.
Materiały dodatkowe
Uczestnicy otrzymują dostęp do repozytorium z szablonami dokumentacji modeli, skryptami Pythona i biblioteką przypadków z anonimizowanymi danymi.