Formation Analyste Quantitatif

Leçon 1 • Fondements de l'inférence statistique

Enseigne l'estimation, les tests d'hypothèses et les intervalles de confiance sur les 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 la mécanique des instruments. Établit le contexte financier dans lequel opèrent les modèles quantitatifs.

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 l'analyse, l'algèbre linéaire et l'optimisation appliquées aux problèmes financiers. Fournit la boîte à outils utilisée dans tous les chapitres suivants.

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

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 multifactoriels. Les étudiants décomposent les rendements en composantes systématique et idiosyncratique.

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 • Co-intégration et relations à long terme

Examine les tests de co-intégration et les modèles à correction d'erreur pour les paires d'actifs. Soutient les applications de trading par 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. Relie le calcul stochastique à l'évaluation des produits dérivés sans arbitrage.

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

Présente les processus de retour à la moyenne et de diffusion par sauts pour les taux et les spreads de crédit. Étend le GBM aux contextes d'évaluation des produits dérivés de taux et 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 paiements complexes.

Leçon 4 • Calcul d'Itô et équations différentielles stochastiques

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

Leçon 1 • Évaluation des produits exotiques et structurés

Évalue les options à barrière, asiatiques et multi-sous-jacents 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 smile

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

Leçon 4 • Cadre de Black-Scholes-Merton

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

Leçon 1 • Construction de portefeuilles factoriels

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

Leçon 2 • Contraintes pratiques et optimisation robuste

Intègre les contraintes de non-vente à découvert, de rotation et sectorielles dans l'optimisation de portefeuille. Aborde la sensibilité aux erreurs d'estimation via 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 Brinson. Boucle la boucle entre la construction de portefeuille et la revue des décisions d'investissement.

Leçon 1 • Méthodologies de la valeur en risque

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

Leçon 3 • Expected Shortfall et mesures de risque cohérentes

Présente le CVaR/ES comme une alternative cohérente à la VaR pour la capture du risque de queue. S'aligne sur les cadres réglementaires actuels de capital 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 en tant qu'intrants pour le risque. Améliore la précision de la VaR et de l'ES sous des régimes de marché changeants.

Leçon 1 • Traitement automatique du langage naturel pour la finance

Extrait le sentiment et les informations 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 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 croisée avec fenêtre glissante, la validation croisée purgée et les tests combinatoires. Prévient la fuite de données et le surapprentissage spécifiques aux séries temporelles financières.

Leçon 4 • Apprentissage non supervisé et détection de régimes

Utilise le clustering 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 des régimes.

Leçon 1 • Recherche et génération de signaux alpha

Identifie et teste les signaux prédictifs issus 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 modèles d'exécution TWAP, VWAP et optimaux pour minimiser l'impact sur le marché. Fait le pont entre la conception de la stratégie et les réalités de la gestion d'ordres en direct.

Leçon 3 • Conception d'un cadre de backtest

Construit des moteurs de backtest événementiels avec des modèles réalistes de coûts et de dérapage. Garantit la fidélité de la simulation aux conditions de trading en direct et évite le biais de regard en avant.

Leçon 4 • Déploiement en direct et suivi de la stratégie

Gère la transition du backtest au trading en direct avec des contrôles de risque et une surveillance. Couvre les limites de position, les coupe-circuits et l'attribution de la performance en production.