Program zajęć
-
Etap 1: Zaawansowany feature engineering dla danych kredytowych
Zmienne behawioralne, makroekonomiczne, telekomunikacyjne. 3 tygodnie
-
Etap 2: Budowa modeli PD, LGD, EAD
Gradient boosting, sieci neuronowe, kalibracja prawdopodobieństwa. 4 tygodnie
-
Etap 3: MLOps dla modeli ryzyka
MLflow, wersjonowanie modeli, monitoring driftu. Docker i REST API. 3 tygodnie
-
Etap 4: Stress testing i walidacja regulacyjna
Symulacje Monte Carlo, backtesting, dokumentacja modelowa. 2 tygodnie
Czy analityka predykcyjna AI jest dla Twojej firmy priorytetem?
O tym programie
Modele ryzyka w bankach i instytucjach finansowych coraz częściej opierają się na algorytmach ML zamiast tradycyjnych metod statystycznych. Ten program zakłada, że znasz podstawy Pythona i statystyki. Zaczynamy od miejsca, gdzie większość kursów kończy.
Zakres merytoryczny
Pracujemy na danych kredytowych, portfelowych i rynkowych. Budujesz modele PD (probability of default), LGD (loss given default) i EAD (exposure at default) zgodne z wymogami Basel III. Każdy model przechodzi przez pełny cykl: od prototypu do wdrożenia w środowisku produkcyjnym z użyciem MLflow i Docker.
Osobny moduł poświęcamy testom stresowym i symulacjom Monte Carlo. To umiejętność, której brakuje większości analityków przychodzących z tradycyjnego środowiska finansowego.
- Modele PD, LGD, EAD zgodne z Basel III
- MLflow do zarządzania eksperymentami
- Wdrożenie modeli w Dockerze
- Stress testing i symulacje scenariuszowe