Descriere
Într-o lume financiară tot mai complexă, matematica riscului nu mai e „pentru specialiști” — e instrumentul care te ajută să înțelegi de ce un model spune ce spune, cum se calculează provizioanele și capitalul, și ce înseamnă cu adevărat o probabilitate de default.
Cursul Matematică aplicată și Machine Learning în managementul riscului îți construiește o bază solidă, pas cu pas: de la spațiul de probabilitate și distribuții, la Expected Loss și Unexpected Loss, apoi la scoring (regresie logistică) și validare (discriminare, calibrare, stabilitate). Teorie cât trebuie, plus aplicații practice ca să legi conceptele de calcule reale și decizii de risc.
Este ideal dacă vrei să treci de la „folosesc modelul” la „înțeleg modelul”: pentru profesioniști din risc/finanțe, analiști, studenți sau oameni tehnici care vor o fundație riguroasă, dar aplicată.
Ce vei învăța la cursul Matematică aplicată și Machine Learning în managementul riscului:
- Să pui ordine în incertitudine: probabilități, variabile aleatoare, distribuții — explicate intuitiv, dar corect;
- Să traduci concepte în bani: Expected Loss și Unexpected Loss → provizioane, capital, scenarii;
- Să înțelegi scoringul „sub capotă”: probabilitate condiționată, regresie logistică, verosimilitate maximă;
- Să legi modelarea de practică: PD/LGD/EAD, interpretare și implicații în managementul riscului;
- Să verifici dacă modelul e „pe bune”: discriminare, calibrare, stabilitate (și ce faci când se schimbă populația);
- Să comunici și să explici deciziile modelului, cu logică matematică și argumente clare.
Curriculum (secțiuni și lecții)
Secțiunea 1 : Risc & probabilități: fundația fără de care nu construiești nimic
Pui “ordine” în incertitudine: ce e riscul și cum îl descrii corect
- 1. Ce numim risc (și de ce contează definiția)
- 2. Din ce ne hrănim modelele: informația care face diferența
- 3. Spațiul de probabilitate: „terenul” pe care joacă riscul
- 4. Exemple practice: stări relevante din punct de vedere risc (1)
Secțiunea 2: Procese & distribuții: cum modelezi datele din lumea reală
Înțelegi cum arată datele “în natură” și cum le modelezi realist
- 1. Variabile aleatoare: cum transformi incertitudinea în calcule
- 2. De ce contează măsurabilitatea (fără dureri de cap)
- 3. Distribuții: cum alegi o formă potrivită pentru date
- 4. Exemple practice: stari relevante din punct de vedere risc (2)
Secțiunea 3 : Portofoliu: de la PD/LGD/EAD la provizioane și capital
De la parametri la bani: provizioane, capital, diversificare
- 1. Media care contează: “expected” în lumea riscului
- 2. Pierderea așteptată: provizioane și logica din spatele lor
- 3. Quantila: praguri, scenarii și coada distribuției
- 4. Pierderea neașteptată: capital, stres și ce protejează banca
Secțiunea 4 : Client individual: scoring, logistică și “învățarea” modelului
Cum estimezi probabilitatea de neplată pentru un client, cu metode solide
- 1. Probabilitatea de nerambursare: cum o definești și o citești corect
- 2. Probabilitatea condiționată: informația care “mută acul”
- 3. Regresia logistică: modelul clasic care încă domină scoringul
- 4. Verosimilitatea maximă: cum înveți modelul din date
- 5. Exemple practice: verosimilitate maximă, pas cu pas
Secțiunea 5 : Validare & stabilitate: cum știi că modelul e bun și rămâne bun
Nu e suficient să ai model — trebuie să fie bun, stabil și utilizabil
- 1. Discriminare: separă bine “buni” de “răi”?
- 2. Calibrare: probabilitățile sunt reale sau doar frumoase?
- 3. Stabilitate: rămâne modelul sănătos când populația se schimbă?
Certificare: CorpQuants Training Center
