Crédit Agricole CIB

★★★★ 53 Avis

Découvrir
ce recruteur

Data scientist risque de crédit H/F

08 novembre Hauts-de-Seine, Montrouge Stage

Crédit Agricole CIB (CACIB) est la banque de financement et d'investissement du Groupe Crédit Agricole, 12e groupe bancaire mondial par les fonds propres Tier 1 (The Banker, juillet 2017).
Missions de l’équipe
La Direction Risk and Permanent Control (RPC) fait partie de la ligne-métier Risques et Contrôles Permanents de Crédit Agricole S.A.
Elle 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 RPC, le Département « Modèle et Risques de Portefeuille » (MRP) se décompose en 4 équipes :
- MQP « Modèles Quantitatifs de Portefeuille » est chargé de la mise en place des mesures de calcul du risque de crédit sur le portefeuille de CACIB
- NMC « Notation et Méthodes de Crédit » est chargé de concevoir, tester et faire valider par le Comité des Normes et Méthodes de Crédit Agricole S.A.
les méthodes internes d’estimation des paramètres Bâle II pour les risques de crédit. 
- ADS « Analytics, Data & Systems » est chargé de doter RPC d’une « vision métier » des données nécessaires au suivi des risques des opérations de financement 
- APL « Asset and Portfolio Libraries » est chargé de la construction, du développement, de l’intégration et de la maintenance des librairies (API) de valorisation et de mesure du risque de crédit.
Vous intégrerez l’équipe « Modèles Quantitatifs de Portefeuille».
Dans ce cadre, vous contribuerez de manière générale à l’amélioration des méthodologies de détection et de gestion des risques de crédit.
Il s’agit de développer des outils innovants, se basant sur les techniques de machine Learning, Deep Learning et de Natural Language Processing (NLP) afin d’améliorer le dispositif de suivi et de maitrise des risques de crédit.

Le stage se déroulera en deux étapes
- Etape 1 :
o Exportation des sources de données texte existantes et des initiatives de text mining et de Natural Langage Processing (NLP) initiées dans le Groupe
o Collecte de données texte, retraitement et appropriation de ces données
o Recherche bibliographique et revue de l’état de l’art en matière de techniques de NLP
- Etape 2 :
o Comparaison de l’apport des approches déterministes et de machine Learning/deep learning en matière de markup des données textes (i.e.
Semantic Slot Filling).

o Application d’algorithmes de classification (machine learning/deep learning) aux données afin de dégager des « feature » utiles en matière de prédication de la dégradation de la qualité de crédit (i.e.
Sentiment Analysis).

o Au choix :
? Faire une proposition d’un outil de synthèse de documents texte
? Faire une proposition d’agent intelligent (e.g.
Chatbot) en matière d’analyse et d’appréhension des risques
o Documenter les travaux effectués
- Missions transverses :
o Mise en place d’indicateurs et d’outils de data visualisation.

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