Open Bank Project for Developers Treningskurs

Denne instruktørledede, direkteopplæringen i Norge (online eller på stedet) er rettet mot finans- og juridiske fagpersoner som ønsker å lære prinsippene og praksisene for utenrettslig og rettslig innkreving, slik at de effektivt kan administrere og løse inkassospørsmål.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Forstå fordelene og ulempene ved utenrettslig og rettslig innkreving.
• Bruk de viktigste metodene og teknikkene for utenrettslig og rettslig innsamling.
• Vurdere effektiviteten og effektiviteten av utenrettslig og rettslig innkreving.
• Håndtere de juridiske og etiske spørsmålene som er involvert i utenomrettslig og rettslig innsamling.
• Integrer utenomrettslig og rettslig innkreving på en helhetlig og sammenhengende måte.

Compliance- og MLRO Refresher-programmet undersøker de viktigste problemstillingene for risikostyring og temaer som er av vital betydning i dagens sterkt regulerte miljø. I tillegg til å være målrettet mot Compliance Officers, MLROs, MLCOs og andre fagfolk innen risikostyring, er det også rettet mot medlemmer av toppledelsen og styremedlemmer som er opptatt av å vite mer om hva de kan forvente av risikokontrollfunksjonene i organisasjonene. Programmet foreleses av emne-ekspert fra Storbritannia.

Det viktigste læringsmålet med programmet er å utstyre deltakerne med tilstrekkelig kunnskap til å objektivt vurdere hensiktsmessigheten av organisasjonens eksisterende risikostyringskontroller og -praksis og å gjøre passende forbedringer.

Publikum

Alle ansatte som trenger arbeidskunnskap om Corporate Go vernance for sin organisasjon

Kursets format

En svært interaktiv kombinasjon av:

• Tilrettelagte diskusjoner
• Lysbildepresentasjoner
• eksempler
• Øvelser
• Casestudier

Publikum

• Nyutnevnte personlige utlånsledere
• Støtteansatte som er ansvarlige for å samle og tolke informasjon for utlånslederne
• Ansatte som er ansvarlig for håndtering av dårlig og tvilsom gjeld som trenger arbeidskunnskap om beslutningsprosessen som førte til at utlån ble gjort

Utlån til personlige kunder - Forbrukslån - krever et høyt nivå av ferdigheter i vurderingen av individuelle utlånsforslag.

I mange tilfeller har den ingen av kildene til finansiell informasjon som tradisjonelt er forbundet med bedriftsutlån - balanse, resultatregnskap osv. - og er mer avhengig av tilliten og rapporten som er bygd opp mellom kunden og långiveren.

Ved slutten av dette kurset vil långivere til personlige kunder kunne:

• Forstå prosessen for å vurdere utlånsforslag fra personlige kunder
• Bruk den prosessen for å komme til en logisk beslutning om å gå med på lånet eller avslå det med robuste grunner
• Administrer og kontroller en personlig utlånsportefølje for å sikre så langt det er mulig at alle lån blir tilbakebetalt i sin helhet. (Husk at det ikke er noen helt risikofri utlån ...!)
• Bygg rapport med kundene for å (forsøke å!) Sikre at alle lånene deres er fullstendig tilbakebetalt

Læring av maskiner er en gren av kunstig intelligens der datamaskiner har muligheten til å lære uten å være eksplisitt programmert. Dyp læring er et underfelt av maskinlæring som bruker metoder basert på læringsdatapresentasjoner og strukturer som nevrale nettverk. R er et populært programmeringsspråk i finansnæringen. Det brukes i økonomiske applikasjoner som spenner fra kjernehandelsprogrammer til risikostyringssystemer.

I denne instruktørledede, liveopplæringen, vil deltakerne lære å implementere dype læringsmodeller for økonomi ved å bruke R når de går gjennom opprettelsen av en dyp læringsprediksjonsmodell.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Forstå de grunnleggende konseptene for dyp læring
• Lær bruksområdene og bruken av dyp læring innen økonomi
• Bruk R til å lage dype læringsmodeller for økonomi
• Bygge sin egen dype læringsmodell for prediksjon ved bruk av R

Publikum

• Utviklere
• Data forskere

Kursets format

• Delforelesning, deldiskusjon, øvelser og tung praktisk øvelse

Læring av maskiner er en gren av kunstig intelligens der datamaskiner har muligheten til å lære uten å være eksplisitt programmert. Dyp læring er et underfelt av maskinlæring som bruker metoder basert på læringsdatapresentasjoner og strukturer som nevrale nettverk. Python er et programmeringsspråk på høyt nivå kjent for sin klare syntaks og kodelesbarhet.

I denne instruktørledede, liveopplæringen, vil deltakerne lære å implementere dype læringsmodeller for bankbruk ved å bruke Python når de går gjennom opprettelsen av en dyp læringsrisikomodell.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Forstå de grunnleggende konseptene for dyp læring
• Lær applikasjonene og bruken av dyp læring i bank
• Bruk Python , Keras , og TensorFlow å skape dype læringsmodeller for bank
• Bygge sin egen dype lærings kredittrisikomodell ved hjelp av Python

Publikum

• Utviklere
• Data forskere

Kursets format

• Delforelesning, deldiskusjon, øvelser og tung praktisk øvelse

Læring av maskiner er en gren av kunstig intelligens der datamaskiner har muligheten til å lære uten å være eksplisitt programmert. Dyp læring er et underfelt av maskinlæring som bruker metoder basert på læringsdatapresentasjoner og strukturer som nevrale nettverk. R er et populært programmeringsspråk i finansnæringen. Det brukes i økonomiske applikasjoner som spenner fra kjernehandelsprogrammer til risikostyringssystemer.

I denne instruktørledede, liveopplæringen, vil deltakerne lære å implementere dype læringsmodeller for bankbruk ved å bruke R når de går gjennom opprettelsen av en dyp læringsrisikomodell.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Forstå de grunnleggende konseptene for dyp læring
• Lær applikasjonene og bruken av dyp læring i bank
• Bruk R til å lage dype læringsmodeller for bank
• Bygg deres egen kredittrisikomodell med dyp læring ved å bruke R

Publikum

• Utviklere
• Data forskere

Kursets format

• Delforelesning, deldiskusjon, øvelser og tung praktisk øvelse

Læring av maskiner er en gren av kunstig intelligens der datamaskiner har muligheten til å lære uten å være eksplisitt programmert. Dyp læring er et underfelt av maskinlæring som bruker metoder basert på læringsdatapresentasjoner og strukturer som nevrale nettverk. Python er et programmeringsspråk på høyt nivå kjent for sin klare syntaks og kodelesbarhet.

I denne instruktørledede, liveopplæringen, vil deltakerne lære å implementere dype læringsmodeller for økonomi ved hjelp av Python når de går gjennom opprettelsen av en dyp læringsprediksjonsmodell.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Forstå de grunnleggende konseptene for dyp læring
• Lær bruksområdene og bruken av dyp læring innen finans
• Bruk Python , Keras , og TensorFlow å skape dype læringsmodeller for finans
• Bygge sin egen dype læringsmodell for prediksjon ved bruk av Python

Publikum

• Utviklere
• Data forskere

Kursets format

• Delforelesning, deldiskusjon, øvelser og tung praktisk øvelse

Under opplæringen, vil presentere problemene med økonomisk analyse ved å bruke de avanserte funksjonene i Excel .

Dette kurset er beregnet på finansanalytikere, regnskapsførere og alle de som ønsker å utvide sine ferdighetsregneark med spørsmål om økonomisk analyse.

Denne instruktørledede, direkteopplæringen i Norge (online eller på stedet) er rettet mot finanspersonell i amerikanske og ikke-amerikanske institusjoner som ønsker å forstå de juridiske, overholdelses- og håndhevingsaspektene ved FATCA for å opprettholde samsvar med amerikanske skattemyndigheter (IRS).

Ved slutten av denne opplæringen vil deltakerne være i stand til å forstå:

• FATCAs innvirkning på global skatteoverholdelse og finansiell åpenhet.
• FATCAs due diligence og rapporteringskrav.
• FATCAs viktigste juridiske aspekter og hvordan sikre overholdelse.

Dette introduksjonskurset vil gi deltakerne en førsteklasses og detaljert arbeidskunnskap om de viktigste finansmarkedene, deres formål, funksjon, hovedaktiviteter og deres regulering. Det er ment å være deloppfriskende, delvis lærerik og delvis utfordrende, slik at alle delegatene får maksimal utbytte av det. Tilbakemelding og diskusjon vil bli oppmuntret aktivt gjennom øktene som er ment å være interaktive, ikke bare reaktive og saklige.

Den primære funksjonen er å sikre at alle kursdelegater ved gjennomføring vil være mye bedre rustet til å håndtere kunder og deres løpende behov og å sette sammen de tjenester og markeder de handler og deltar i.

Introduksjon til strukturerte produkter

Formålet med kurset er å gi delegatene en introduksjon til de strukturerte produktene som brukes i investeringsbank. Etter endt kurs vil alle delegatene ha arbeidskunnskap om emnet og vil kunne svare

1. Hva er strukturerte produkter?
2. Hvorfor utstede dem?
3. Hvordan drar nytte av utstedere og investorer?
4. Hvordan strukturerer og priser du et utvalg av derivatprodukter?
5. Hva er risikoen og kostnadene ved å produsere strukturerte finansielle produkter?
6. Hva er innebygde derivater?
7. Hva er eksotiske alternativer?
8. Hva er pris- og sikringshensynene?

Denne instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot ledere som ønsker å få en fungerende forståelse av IFRS 17-standarden.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Identifiser nøkkelkravene i IFRS 17.
• Kjenn til forskjellene mellom IFRS 17 og IFRS 4.
• Forstå IFRS-regler.
• Forstå økonomiske modeller og deres tall.
• Dissekere og forstå ulike typer forsikringskontrakter og regnskapsmodeller.
• Utarbeid en velinformert overgangsplan og tidsplan.
• Implementere IFRS 17 i en organisasjon.
• Identifisere og måle ytelsen til forsikringskontrakten.

kdb+ er en kolonneorientert database i minnet, og q er dets innebygde, tolkede vektorbaserte språk. I kdb+ er tabeller kolonner med vektorer og q brukes til å utføre operasjoner på tabelldataene som om det var en liste. kdb+ og q brukes ofte i høyfrekvent handel og er populære blant de store finansinstitusjonene, inkludert Goldman Sachs, Morgan Stanley, Merrill Lynch, JP Morgan, etc.

I denne instruktørledede, live-opplæringen vil deltakerne lære å lage en tidsseriedataapplikasjon ved å bruke kdb+ og q.

Ved slutten av denne opplæringen vil deltakerne kunne:

Forstå forskjellen mellom en radorientert database og en kolonneorientert database Velg data, skriv skript og lag funksjoner for å utføre avanserte analyser Analyser tidsseriedata som aksje- og varebørsdata Bruk kdb+s minnefunksjoner for å lagre, analyser, behandle og hente store datasett i høy hastighet Tenk på funksjoner og data på et høyere nivå enn standard funksjon(argument)-tilnærming som er vanlig i ikke-vektorspråk. Utforsk andre tidssensitive applikasjoner for kdb+, inkludert energihandel , telekommunikasjon, sensordata, loggdata og overvåking av maskin- og nettverksbruk

Publikum

Utviklere Database ingeniører Dataforskere Dataanalytikere

Format på kurset

Del forelesning, del diskusjon, øvelser og tung praktisk praksis

audiance

Alle ansatte som trenger arbeidskunnskap om samsvar og Management av risiko

Kursets format

En kombinasjon av:

• Tilrettelagte diskusjoner
• Lysbildepresentasjoner
• Casestudier
• eksempler

Kursmål

Ved slutten av dette kurset vil delegatene kunne:

• Forstå de viktigste fasitene for Compliance og den nasjonale og internasjonale innsatsen som gjøres for å håndtere risikoen knyttet til den
• Definer måter som et selskap og dets ansatte kan sette opp en Compliance Risk Management Work
• Detaljer om rollene som Compliance Officer og Money Laundering Reporting Officer og hvordan de skal integreres i en virksomhet
• Forstå noen andre "hot spots" innen Financial Crime - spesielt når det gjelder internasjonale Business , offshore-sentre og kunder med høyt nettverdi