AI 용어집
인공지능 완전 사전
Value at Risk (VaR) conditionnelle
Mesure de risque qui estime la perte potentielle maximale d'un portefeuille sur un horizon donné, conditionnellement à un ensemble d'informations ou d'états de marché spécifiques, souvent calculée à l'aide de modèles d'IA comme les réseaux de neurones récurrents.
Expected Shortfall (ES) par apprentissage profond
Estimation de la perte moyenne d'un portefeuille dans les pires scénarios dépassant le seuil de la VaR, où la distribution des pertes extrêmes est modélisée par des réseaux de neurones profonds pour capturer les non-linéarités et les dépendances complexes.
Stress-Testing généré par IA
Technique où des modèles d'IA, comme les GANs (Generative Adversarial Networks), sont utilisés pour générer des scénarios de crise économiques et financiers plausibles mais inédits, afin d'évaluer la résilience d'un portefeuille ou d'une institution.
Modèle de copule profond
Architecture d'apprentissage profond qui apprend une structure de dépendance complexe (copule) entre plusieurs variables financières, permettant une modélisation plus précise des corrélations de queue, essentielles pour l'évaluation du risque de contrepartie.
Réseaux de neurones quantiques pour le pricing d'options
Application d'algorithmes d'inspiration quantique ou de réseaux de neurones fonctionnant sur des ordinateurs quantiques pour résoudre les équations différentielles stochastiques complexes du pricing d'options, notamment pour les produits exotiques.
Apprentissage par renforcement pour l'allocation d'actifs tactique
Utilisation d'agents d'apprentissage par renforcement qui apprennent une politique d'investissement optimale en interagissant avec un environnement de marché simulé, afin de maximiser le rendement ajusté au risque sur des horizons à court/moyen terme.
Détection d'anomalies en série temporelle financière
Emploi d'algorithmes d'IA non supervisés (ex: autoencodeurs, isolation forest) pour identifier des schémas de transaction ou de mouvement de prix anormaux qui pourraient indiquer des fraudes, des erreurs de marché ou des événements systémiques naissants.
Modélisation du risque de crédit par Graph Neural Networks (GNN)
Approche qui représente les entités (emprunteurs, garanties, sociétés) et leurs relations comme un graphe, puis utilise des GNNs pour prédire la probabilité de défaut en capturant les effets de contagion et les dépendances structurelles du réseau.
Prévision de la volatilité par Transformer Networks
Application de modèles Transformer, initialement conçus pour le NLP, aux séries temporelles financières pour prévoir la volatilité future en capturant efficacement les dépendances à long terme et les motifs complexes dans les données de marché.
XAI (Explainable AI) pour la validation réglementaire des modèles
Ensemble de techniques (ex: SHAP, LIME) visant à interpréter et à justifier les décisions des modèles d'IA 'boîte noire' utilisés en finance, afin de satisfaire aux exigences de transparence et de documentation imposées par les régulateurs comme la BCE ou l'EFSA.
Calibration de modèles de risque par apprentissage par renforcement inversé
Méthode qui infère les paramètres d'un modèle de risque (ex: aversion au risque, probabilités de transition) en observant les décisions prises par des experts, en supposant que ces décisions sont optimales selon un certain critère de risque.
Méta-apprentissage pour l'adaptation rapide des modèles de risque
Technique où un modèle apprend à apprendre, lui permettant de s'adapter à de nouveaux régimes de marché ou à de nouveaux types d'instruments avec très peu de données, ce qui est crucial pour maintenir la pertinence des modèles de risque en temps de crise.
Quantification de l'incertitude des modèles d'IA (Deep Ensembles)
Approche qui entraîne plusieurs modèles d'IA sur des sous-ensembles de données différents et agrège leurs prédictions pour non seulement obtenir une estimation plus robuste, mais aussi mesurer l'incertitude ou la confiance associée à chaque prédiction de risque.
Modélisation du risque de liquidité par agents basés sur l'IA
Simulation de marché où des agents artificiels intelligents, dotés de stratégies d'apprentissage, interagissent pour former les prix et les volumes, permettant d'étudier l'impact de chocs sur la liquidité et le coût de transaction des portefeuilles.
Analyse du risque systémique par NLP sur les actualités financières
Utilisation du traitement du langage naturel (NLP) et de modèles de transformers pour analyser en temps réel des flux de données textuelles (news, rapports, réseaux sociaux) afin de quantifier le sentiment du marché et d'identifier les signaux avant-coureurs de risque systémique.