Formation en finance quantitative

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 et Instruments Financiers

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 suivants.

Leçon 1 • Notions de base sur l'Analyse des Séries Temporelles

Introduit 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 seule variable aux cadres d'évaluation d'actifs multi-facteurs. Les étudiants décomposent les rendements en composantes systématiques et idiosyncratiques.

Leçon 3 • Régression Linéaire en Finance

Couvre l'estimation OLS, les hypothèses et les diagnostics appliqués aux données de rendement. Forme la base de tous les modèles factoriels et de séries temporelles 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 trading par paires et d'analyse factorielle macro.

Leçon 1 • Cadre de Tarification Neutre au Risque

Couvre le changement de mesure, les martingales et le théorème fondamental de la tarification des actifs. Relie 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 à retournement de moyenne et de diffusion avec sauts pour les taux et les spreads de crédit. Étend le GBM aux contextes de tarification des titres à revenu fixe et des dérivés de crédit.

Leçon 3 • Simulation de 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 la tarification numérique des gains complexes.

Leçon 4 • Calcul d'Ito et Équations Différentielles Stochastiques

Développe le lemme d'Ito et la formulation des EDS pour modéliser la dynamique des actifs. Permet la dérivation des équations de tarification des produits dérivés et structurés.

Leçon 1 • Tarification des Produits Exotiques et Structurés

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

Leçon 2 • Modélisation de la Surface de Volatilité et du Smile

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

Leçon 3 • Méthodes Numériques pour la Tarification d'Options

Implémente les arbres binomiaux, les méthodes de différences finies et Monte Carlo pour les options. Fournit des outils de tarification de secours lorsque les solutions de forme fermée sont indisponibles.

Leçon 4 • Cadre de Black-Scholes-Merton

Dérive l'EDP de BSM et la formule de tarification d'option de forme fermée à partir des principes fondamentaux. Ancre toutes les extensions ultérieures et les comparaisons de modèles.

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 actions systématiques.

Leçon 2 • Contraintes Pratiques et Optimisation Robuste

Incorpore des contraintes de type long-only, 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 d'actifs quantitative.

Leçon 4 • Mesure et Attribution de la Performance

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

Leçon 1 • Méthodologies de la Valeur à Risque

Couvre l'estimation de la VaR paramétrique, par simulation historique et Monte Carlo. Fournit la métrique de risque principale 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 la tarification des instruments de crédit et l'allocation du capital économique.

Leçon 3 • Espérance de Perte et Mesures de Risque Cohérentes

Introduit le CVaR/ES comme alternative cohérente à la VaR pour la capture du risque de queue. S'aligne sur les cadres de capital réglementaire actuels 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 comme intrants du 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, 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 convolutifs pour les séries temporelles financières. Aborde les défis du surapprentissage, de l'interprétabilité et du déploiement en finance.

Leçon 3 • Évaluation des Modèles de ML en Finance

Applique la validation walk-forward, la validation croisée purgée et les tests combinatoires. Empêche la fuite de données et le surapprentissage spécifiques aux séries temporelles financières.

Leçon 4 • Apprentissage Non Supervisé et Détection de Régime

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

Leçon 1 • Recherche et Génération de Signaux Alpha

Identifie et teste les 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 la stratégie et les réalités de la gestion en direct des ordres.

Leçon 3 • Conception du Cadre de Backtesting

Construit des moteurs de backtesting basés sur les événements avec des modèles de coûts et de glissement réalistes. Assure la fidélité de la simulation aux conditions de trading en direct et évite le biais de regard vers l'avenir.

Leçon 4 • Déploiement en Direct et Suivi de Stratégie

Gère la transition du backtest au trading 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.