Cadrage & état de l’art:

• Étudier les approches réglementaires LGD: Bâle III/IV, EBA Guidelines, IFRS 9.
• Méthodologies: Workout LGD, Market LGD, Downturn LGD, Cure rate models.
• Pratiques de calibration et ajustements macroéconomiques.

Modélisation & calibration:

• Modèles LGD: régression linéaire/logistique tronquée, beta regression, Tobit, ML (XGBoost, RandomForest, Neural Networks).
• Approche forward-looking: variables macro (PIB, taux, chômage), scénarios adverses/downturn.
• Estimation: Maximum Likelihood ou Bayesian inference.

Backtesting & validation:

• Framework de backtesting: discrimination (Gini, AR), calibration (Brier, bin tests), stabilité temporelle, analyse des résidus/biais.
• Comparaison stats vs ML; scripts d’évaluation et reporting.

Industrialisation & reporting:

• Prototype Python: entraînement du modèle LGD, rapports de performance, dashboard PowerBI/Streamlit, validation reports automatiques.

Exigences:

• Python.
• Frameworks: LangChain, CrewAI, AutoGen, LlamaIndex.
• Évaluation: TruLens, DeepEval, Giskard, OpenAI Evals, Ragas.
• Monitoring: MLFlow, EvidentlyAI, PowerBI.
• LLMs: OpenAI GPT, Claude, Mistral, Llama.
• Référentiels: EU AI Act, NIST AI RMF, EBA SR 11-7.

Durée et effectif:

• Durée: 5 mois (Fév – Juin).
• Nombre de stagiaires: 1.