27200154 - Extraction et Analyse des données Financières

Niveau de diplôme Master - Semestre 3
Crédits ECTS 3
Volume horaire total 21
Volume horaire CM 21

Responsables

Formations dont fait partie ce cours

Objectifs

A l'heure où les données sont de plus en plus nombreuses, à l'heure du big date et de l'intelligence articielle, l'objectif de ce cours est de maîtriser des outils d'extraction et d'analyse de données par la théorie et la pratique (avec le logiciel R) avec des applications dans le domaine de la Finance/Contrôle/Audit.


CONNAISSANCES À ACQUÉRIR

  • Acquérir la connaissance d'outils de data mining/intelligence artificielle/apprentissage automatique
  • Analyser de façon quantitative des données financières
  • Savoir manipuler un logiciel d'analyse ( R )

COMPÉTENCES CIBLES

Savoir importer, analyser et interpréter des données.

Contenu

Chapitre 1 : Objectifs de l'extraction et l'analyse de données, prise en main du logiciel R
I - Pourquoi extraire et analyser des données ?
II - Présentation du langage R
III - Import et export de données avec R
IV - Graphiques avec R

Chapitre 2 : Arbres de décision binaires
I - Principes
II - Construction de l'arbre (choix de la meilleure division via les impuretés de Gini)
III - Critères d'arrêt
IV - Evaluation de la qualité d'un arbre de décision binaire (matrice de confusion)

Chapitre 3 : Règles d'associations
I - Principes et formalisation
II - Evaluation de la qualité d'une règle
III - Construction de règles (algorithme 'a priori')

Chapitre 4 : Analyse et modélisation de séries temporelles
I - Modélisation déterministe
II - Processus ARIMA

Chapitre 5 (si le temps le permet) : Analyse de réseaux

Bibliographie

OUVRAGES COMPLÉMENTAIRES
 
  • Time Series Analysis With Applications in R. Cryer, Jonathan D., Chan, Kung-Sik
  • Financial Analytics with R :
  • Building a Laptop Laboratory for Data Science. Mark J. Bennett, Dirk L. Hugen
  • Initiation à la statistique avec R, Frédéric Bertrand et Myriam Maumy-Bertrand

POUR LES COURS DE MASTER, PRÉCISER LES RÉFÉRENCES SUIVANTES :
 
  • Kacanski, S., & Lusher, D. (2017). The application of social network analysis to accounting and auditing. International Journal of Academic Research in Accounting, Finance and Management Sciences, 7(3), 182-197.
  • Lee, Y. C., & Shin, S. I. (2003). Mining Association Rules of Credit Card Delinquency of Bank Customers in Large Databases. Journal of Intelligence and Information Systems, 9(2), 135-154.
  • Aoki, S., & Hosonuma, Y. (2004). Bankruptcy prediction using decision tree. In The Application of Econophysics (pp. 299-302). Springer, Tokyo.

Contrôles des connaissances

MODALITÉS D'ÉVALUATION

  • Examen Terminal : Écrit sur table sans documents, d'une durée de 3h
  • Contrôle continu :  Devoir maison

 

Informations complémentaires

MODALITÉS PÉDAGOGIQUES / NATURE DES SUPPORTS

Polycopié de cours fourni
Lors d'une séance, des aller-retours sont fait entre la théorie et la pratique avec le logiciel R
Possibilité de passer à des cours en distanciel soit en synchrone, soit en séquence vidéos asynchrones type e-learning (expérimenté en 2020-2021).

PRÉ-REQUIS EN TERMES DE CONNAISSANCES
 
  • Avoir des notions de base en informatique, maitriser la bureautique et avoir des rudiments de programmation.
  • Avoir des connaissances en mathématiques générales, probabilités et statistiques.