Formation d'analyste quantitatif

Leçon 1 • Fondements de l'inférence statistique

Enseigne l'estimation, les tests d'hypothèses et les intervalles de confiance sur des données financières. Permet une validation rigoureuse des modèles et stratégies quantitatifs.

Leçon 2 • Aperçu des marchés financiers et des instruments

Présente les classes d'actifs, la structure du marché et le fonctionnement des instruments. Établit le contexte financier dans lequel les modèles quantitatifs opèrent.

Leçon 3 • Théorie des probabilités et distributions

Établit les axiomes des probabilités, les variables aléatoires et les distributions clés utilisées dans la modélisation des actifs. Soutient directement les chapitres sur les processus stochastiques et le risque.

Leçon 4 • Mathématiques essentielles pour la finance

Couvre le calcul différentiel et intégral, l'algèbre linéaire et l'optimisation appliqués aux problèmes financiers. Fournit la boîte à outils utilisée dans tous les chapitres subséquents.

Leçon 1 • Notions de base de l'analyse de séries chronologiques

Présente la stationnarité, l'autocorrélation et la modélisation ARMA pour les séries financières. Prépare les étudiants aux chapitres sur la modélisation de la volatilité et les prévisions.

Leçon 2 • Régression multiple et modèles factoriels

Étend la régression à une variable aux cadres d'évaluation d'actifs multi-facteurs. Les étudiants décomposent les rendements en composantes systématique et idiosyncratique.

Leçon 3 • Régression linéaire en finance

Couvre l'estimation par OLS, les hypothèses et les diagnostics appliqués aux données de rendement. Forme la base de tous les modèles factoriels et de séries chronologiques à venir.

Leçon 4 • Coïntégration et relations à long terme

Examine les tests de coïntégration et les modèles à correction d'erreur pour les paires d'actifs. Soutient les applications de négociation de paires et d'analyse macro-factorielle.

Leçon 1 • Cadre d'évaluation neutre au risque

Couvre le changement de mesure, les martingales et le théorème fondamental de l'évaluation des actifs. Lie le calcul stochastique à l'évaluation des produits dérivés sans arbitrage.

Leçon 2 • Modèles de processus pour les taux d'intérêt et le crédit

Présente les processus de retour à la moyenne et de diffusion par sauts pour les taux et les écarts de crédit. Étend le GBM aux contextes d'évaluation des titres à revenu fixe et des produits dérivés de crédit.

Leçon 3 • Simulation Monte Carlo des trajectoires d'actifs

Implémente des schémas de discrétisation et de réduction de variance pour la simulation de trajectoires. Fournit le moteur de calcul pour évaluer numériquement des gains complexes.

Leçon 4 • Calcul d'Itô et équations différentielles stochastiques

Développe le lemme d'Itô et la formulation d'EDS pour modéliser la dynamique des actifs. Permet la déduction des équations d'évaluation pour les produits dérivés et structurés.

Leçon 1 • Évaluation de produits exotiques et structurés

Évalue les options à barrière, asiatiques et multi-actifs à l'aide de simulations et d'analytiques. Relie les modèles théoriques aux desks de produits structurés et aux solutions clients.

Leçon 2 • Modélisation de la surface de volatilité et du sourire

Analyse les motifs de volatilité implicite et les modèles de volatilité locale/stochastique. Aborde les limites du BSM et prépare les étudiants à l'évaluation exotique.

Leçon 3 • Méthodes numériques pour l'évaluation d'options

Implémente des arbres binomiaux, des méthodes de différences finies et Monte Carlo pour les options. Fournit des outils d'évaluation de repli lorsque les solutions de forme fermée ne sont pas disponibles.

Leçon 4 • Cadre de Black-Scholes-Merton

Déduit l'EDP de BSM et la formule d'évaluation d'options de forme fermée à partir des premiers principes. Ancre toutes les extensions et comparaisons de modèles subséquentes.

Leçon 1 • Construction de portefeuille basée sur les facteurs

Construit des portefeuilles ciblant les facteurs valeur, momentum, qualité et faible volatilité. Relie les modèles factoriels statistiques à la conception de stratégies systématiques en actions.

Leçon 2 • Contraintes pratiques et optimisation robuste

Incorpore des contraintes de position longue uniquement, de rotation et sectorielles dans l'optimisation de portefeuille. Aborde la sensibilité aux erreurs d'estimation par des méthodes robustes et bayésiennes.

Leçon 3 • Optimisation moyenne-variance

Formalise la théorie du portefeuille de Markowitz, la frontière efficiente et le ratio de Sharpe. Établit le cadre canonique pour l'allocation quantitative d'actifs.

Leçon 4 • Mesure et attribution de la performance

Évalue les rendements de portefeuille à l'aide de mesures ajustées au risque et de l'attribution de Brinson. Boucle la boucle entre la construction du portefeuille et l'examen des décisions d'investissement.

Leçon 1 • Méthodologies de valeur à risque

Couvre l'estimation de la VaR paramétrique, par simulation historique et Monte Carlo. Fournit la principale mesure de risque utilisée dans les desks de négociation et les fonctions de risque.

Leçon 2 • Quantification du risque de crédit

Modélise la probabilité de défaut, la perte en cas de défaut et le risque de portefeuille de crédit. Soutient l'évaluation des instruments de crédit et l'allocation du capital économique.

Leçon 3 • Espérance de perte et mesures de risque cohérentes

Présente la CVaR/ES comme une alternative cohérente à la VaR pour la capture du risque de queue. S'aligne sur les cadres actuels de capital réglementaire pour le risque de marché.

Leçon 4 • Modélisation de la volatilité pour le risque

Applique les modèles de la famille GARCH pour prévoir la volatilité conditionnelle utilisée comme intrant dans le risque. Améliore la précision de la VaR et de l'ES sous des régimes de marché changeants.

Leçon 1 • Traitement du langage naturel pour la finance

Extrait le sentiment et l'information des conférences téléphoniques sur les résultats, des actualités et des documents déposés. Génère des signaux de données alternatives pour les stratégies systématiques et discrétionnaires.

Leçon 2 • Réseaux de neurones et apprentissage profond

Construit des réseaux feedforward, récurrents et convolutionnels pour les séries chronologiques financières. Aborde les défis du surapprentissage, de l'interprétabilité et du déploiement en finance.

Leçon 3 • Évaluation des modèles d'apprentissage automatique en finance

Applique la validation walk-forward, la validation croisée purgée et les tests combinatoires. Prévient les fuites de données et le surapprentissage spécifiques aux séries chronologiques financières.

Leçon 4 • Apprentissage non supervisé et détection de régimes

Utilise le regroupement et la réduction de dimensionnalité pour identifier les régimes et facteurs de marché. Améliore la construction de portefeuille et la gestion des risques avec des signaux conscients du régime.

Leçon 1 • Recherche et génération de signaux alpha

Identifie et teste des signaux prédictifs à partir de données de prix, fondamentales et alternatives. Établit un processus de recherche rigoureux pour éviter les fausses découvertes.

Leçon 2 • Algorithmes d'exécution et impact sur le marché

Couvre les algorithmes TWAP, VWAP et d'exécution optimale pour minimiser l'impact sur le marché. Fait le pont entre la conception de stratégies et les réalités de la gestion d'ordres en direct.

Leçon 3 • Conception de cadres de backtesting

Construit des moteurs de backtesting événementiels avec des modèles de coûts et de glissements réalistes. Assure la fidélité de la simulation aux conditions de négociation en direct et évite le biais de regard vers l'avenir.

Leçon 4 • Déploiement en direct et suivi de la stratégie

Gère la transition du backtest à la négociation en direct avec des contrôles de risque et un suivi. Couvre les limites de position, les coupe-circuits et l'attribution de performance en production.