Applied Machine Learning for Retail and CIB audit

Projet scientifique

Les objectifs du Programme de Recherche sont d’utiliser des techniques de machine learning sur des données internes et/ou externes pour améliorer les modélisations existantes ou non dans le domaine de l’identification, de la prédiction, de la mesure ou encore du contrôle des risques. Plus précisément, les Parties ont choisi de travailler sur les projets suivants :

• Lutte anti-blanchiment et financement du terrorisme (LAB FT, AML en anglais) : la règlementation et les amendes afférentes sont de plus en plus sévères pour les organismes financiers sur ce sujet. Société Générale souhaite travailler sur l’amélioration de ses modèles pour les rendre plus dynamiques sur un périmètre couvrant tant les clients personnes physiques que ceux du type personne morale. Cela pourra utiliser des techniques de détections d’anomalies sur des séries temporelles, d’incohérence avec des bases de données externes ou d’autres modèles de machine learning jugé pertinents aux vues des données disponibles et de qualité suffisante.
• Evènements de vie : les évènements de vie des clients (études, premier emploi, mariage, divorce, enfant, déménagement, retraite…) ont un fort impact sur les structures de dépenses, les crédits et l’épargne des clients. L’objectif est ici double, à savoir :
  • Identification et prédiction des évènements de vie : développer une ou des méthodes pour savoir quand un foyer subit un évènement de vie, analyser et quantifier l’impact de ces évènements de vie sur les univers bancaires (banque au quotidien, crédit, épargne, flux, assurance…) et prédire la probabilité de survenance des évènements de vie en identifiant les signaux précurseurs ;
  • Stress test : poser un cadre de modélisation permettant de choquer certains paramètres (choc économique, choc de taux) et de mesurer l’effet sur la banque (par exemple sur le stock de crédits) dans un souci de modélisation des risques, via modélisation de la clientèle.