Crédit Agricole CIB

★★★★ 53 Avis

Découvrir
ce recruteur

Data scientist risque de crédit H/F

New 07 novembre Hauts-de-Seine, Montrouge Stage

Entité
Crédit Agricole CIB est la banque de financement de d'investissement du groupe Crédit Agricole, 12e groupe bancaire mondial par les fonds propres Tier1.
Missions de l’équipe
La Direction Risk and Permanent Control (RPC) identifie, analyse, mesure et contrôle les risques de contrepartie, les risques de marché, les risques pays et de portefeuille ainsi que les risques opérationnels physiques et techniques sur le périmètre de Contrôle Interne de CACIB.

Au sein de la Direction des risques,
- le Département « Modèle et Risques de Portefeuille » (MRP) se charge de la modélisation quantitative et le calcul des mesures de risque de portefeuille
- la cellule Early Detection a pour objectif de détecter le plus en amont possible le risque de défaillances des entreprises en exploitant notamment les potentialités de la data science et du big data
Vous intégrerez le département MRP et participerez à la recherche de modèle prédictif pour le projet Early Signals.

L’objectif est de transformer la manière d’analyser les risques et les opportunités commerciales de la banque grâce à l’apport de données diverses et à la modélisation avancée.
La 1ére phase du projet a consisté à collecter des données très variées qui ont permis de mettre en place un algorithme de machine learning.
Le succès et l’engouement autour du projet ont poussé les acteurs principaux à organiser une compétition interne de data science sur l’initiative Early Signals.
Un modèle de prédiction du risque de dégradation de la qualité de crédit est déjà en place.

Le stagiaire a pour rôle de construire des modèles pour la prédiction des indicateurs de risque de dégradation, d’amélioration de la qualité de crédit et des primes de CDS.
Il devra aussi améliorer les capacités prédictives du modèle existant en explorant des pistes alternatives, notamment :
- Explorer l’apport différentes architecture de réseaux de neurones, réseaux à convolution et récurrents LSTM pour la classification multiple avec contrainte ordinale.
- Créer des « features » métier basés sur la collaboration avec les experts métier.
Cette étape permettra d’apprendre l’analyse financière.

- Intégrer des variables résultantes de données non structurées (NLP et graphes) en s’appuyant sur des travaux d’alimentation réalisés par le département.
Le stagiaire sera encadré par des data scientists en interne, des experts métiers et des experts datas.
Un environnement propice pour mettre en application le bagage théorique étudié, développer ses capacités à vulgariser des sujets techniques et apprendre le métier du financement et l’analyse de risque.

Formation : Université, Ecole d'Ingénieurs
Spécialisation : Finance