Voir les dates des sessions

Objectifs

A l'issue de cette formation, les candidats certifiés seront capables de :

  • Enrichir l'analyse financière avec les outils issus de l'intelligence articificielle.

Les objectifs pédagogiques de la formation :

  • Analyser les données à l'aide des mathématiques statistiques
  • Comprendre le potentiel de l'IA pour l'analyse de données (Machine learning)

Conditions d'admission

Publics cibles :

  • Analyste financier
  • Analyste risque crédit
  • Gérant d'actifs financiers
  • Gestionnaire de patrimoine

Modalités de recrutement :

  • Entretien de motivation

Prérequis à l'entrée en formation :

  • Etre titulaire d'un master en finance ou titre d'ingénieur ou équivalent.
  • Une mise à niveau en langage PYTHON peut être proposée sur demande.

Modalités d'accès :

A date fixe

Programme

Programme de la formation :

Module 1 : Statistics (60h)

1. Introduction: Data Science
1.1. Applications and examples in Finance
1.2. Brief overview of methods

2. Exploratory Data Analysis
2.1. Histograms
2.2. Theoretical and Sample Moments
2.3. Theoretical and Sample Quantiles
2.4. Hypothesis testing (t-test, p-value)
2.5. Testing for Normality
2.6. Application: Empirical Characteristics of Historical Stock Index Returns

3. Multiple Linear Regression and Related Topics
3.1. Simple regression model
3.2. Statistical properties of regression
3.3. Multiple regression (omitted variable bias, multicollinearity)
3.4. Regression with dummy variables
3.5. Model Validation and Selection
3.6. Caveat 1: Nonstationarity and Spurious Regression
3.7. Caveat 2: Outliers and Overfitting
3.8. Application: Can Yield Curve Information Help Predict Equity Index Returns?

4. Models with Binary Dependent Variables
4.1. Motivation and Introductory Example
4.2. Likelihood-Based Parameter Estimation
4.3. Hypothesis Testing, Model Selection, and Goodness-of-Fit Assessment
4.4. Application: Loan Default Predictio

5. Smoothed Bootstrap
5.1. Simulating the Sampling Process: The Smoothed Bootstrap
5.2. A Multivariate Extension of the Smoothed Bootstrap

6. Statistics with Python
6.1. Packages in Python for probability distributions and statistics
6.2. Descriptive Statistics + Statistical Plots in Python
6.3. Hypothesis testing in Python
6.4. Regression in Python

Module 2 : The value of AI and Machine Learning for Data Scientists (80h)

1. Introduction to AI
1.1. Overview
1.2. A Brief History of AI
1.3. Anatomy of an AI Problem
1.4. Decision Trees and Random Forests
1.5. Working with sklearn

2. Tabular Data and Gradient Boosting
2.1. Feature Engineering in Tabular Data
2.2. Gradient Boosting
2.3. Model Evaluation and Validation
2.4. Working with XGBoost

3. Introduction to Neural Networks
3.1. Fundamentals of Neural Networks
3.2. Mathematics of the Architecture
3.3. Backpropagation and Activation Functions
3.4. Working with Keras

4. Convolutional Neural Networks and Computer Vision
4.1. Understanding Convolutional Neural Networks
4.2. Data Augmentation in Computer Vision
4.3. Transfer Learning with CNNs
4.4. CNNs in Keras
4.5. Generative Diffusion Models and the Future of Computer Vision

5. Reinforcement Learning
5.1. Markov Decision Process
5.2. Q Learning and Deep Q Learning
5.3. Policy Gradient Methods
5.4. Real-world Applications of Reinforcement Learning
5.5. Implementation in Python

6. Natural Language Processing
6.1. Encoding Text into Numbers
6.1.1. Bag of Words
6.1.2. TF-IDF
6.1.3. Word2Vec
6.2. Legacy Architecture: LSTMs
6.3. Attention Mechanisms in NLP

7. Transformers
7.1. Introduction to Transformer Architecture
7.2. Comparison of Transformer Models
7.3. Fine-tuning and Training Transformers
7.4. BERT, T5, and GPT
7.5. Working with Huggingface Transformers

8. Large Language Models
8.1. Creating LLMs

8.1.1. Data Requirements and Processing
8.1.2. Pretraining
8.1.3. RLHF
8.1.4. Finetuning QLora
8.2. Using LLMs
8.2.1. Prompting
8.2.2. RAG
8.2.3. Quantization
8.2.4 Creating LLM applications with LangChain and LlamaIndex
8.3. Ethical Considerations and Biases in LLMs

Durée de la formation :

140 heures d'activités pédagogiques.

Parcours de formation

Modalités pédagogiques :

  • 15 classes virtuelles de 2h30
  • 3 journées de formation en présentiel (2j Franckfort / 1j Zurich) ou en classes virtuelles (au choix)
  • Réalisation d'un dossier professionnel
  • Examen en ligne sous format QCM (30 questions - durée : 1h)
  • Soutenance orale devant un jury de professionnels

Langues d'enseignement :

Anglais

Expertise des consultants ou Direction académique :

Dr Nathalie PACKHAM, Enseignant chercheur en mathématique appliquée à la finance (http://www.packham.net/)

Certification professionnelle

Reconnaissance du titre - International :

Modalités d'évaluation :

Examen écrit / Soutenance orale

Dates des sessions d'examen :

Prochaine rentrée : 27 novembre 2025

Poursuite de formation :

Informations pratiques

Frais de formation - Tarifs :

5900 € HT - 7080 € TTC

Modalités de financement :

Entreprise

Particulier

Accessibilité aux personnes en situation de handicap :

Cette formation est accessible aux personnes en situation de handicap. Une prise de contact avec notre référent handicap permettra d'établir un diagnostic des difficultés potentielles et de mettre en œuvre des mesures d'adaptations. Vous pouvez prendre contact par email avec notre référent handicap à l'adresse : agoyer@sfaf.com

Voies d’accès :

Adresse : 5-7 Avenue Percier à 75008 PARIS

Accès piétons :

Station « Miromesnil »

Station « La Boétie»

Station « St Philippe du Roule »

Station « Haussmann – Miromesnil »

Accès VELIB :

n°8 025 au 39 rue de Miromesnil

Accès voitures

Accès rapide à PARIS et au Bd Périphérique, à l’A86, l’A1 et l’A15

Parking Public à proximité

- Parking Zenpark - 55 rue de la Boetie - Paris 8ème Arr

- Parking Haussmann Berri - 155 Bd haussmann - Paris 8ème Arr

Chiffres clés

  • Aucune statistique disponible à ce jour

Votre interlocuteur : 
 
Antoine GOYER
Directeur formation

Tél. 06 42 02 37 51
email : agoyer@sfaf.com