Formation analyste quantitatif

Leçon 1 • Valeur temporelle de l'argent et actualisation

Couvre la valeur actuelle, la courbe des taux et les conventions de composition. Relie l'actualisation mathématique aux décisions réelles de valorisation d'actifs.

Leçon 2 • Théorie des probabilités et variables aléatoires

Établit les espaces de probabilité, les distributions et l'espérance. Ces concepts sous-tendent chaque modèle stochastique abordé ultérieurement.

Leçon 3 • Mathématiques essentielles pour les quants

Couvre le calcul différentiel et intégral, l'algèbre linéaire et l'optimisation appliqués à la finance. Fournit la boîte à outils analytique utilisée dans tous les chapitres suivants.

Leçon 4 • Présentation 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 opèrent les modèles quantitatifs.

Leçon 1 • Acquisition et nettoyage des données financières

Couvre la recherche, le nettoyage et le stockage des données de marché. Des données propres sont la condition préalable à des résultats de modèle fiables.

Leçon 2 • Bases des bases de données et des pipelines de données

Présente les bases de données relationnelles et les workflows ETL pour les données financières. Garantit que les étudiants peuvent gérer efficacement de grands ensembles de données.

Leçon 3 • Python pour l'analyse quantitative

Présente la syntaxe Python, les structures de données et les bibliothèques scientifiques. Établit l'environnement de programmation principal utilisé tout au long du cours.

Leçon 1 • Processus stochastiques et mouvement brownien

Définit les processus de Wiener, les martingales et les filtrations. Ce sont les briques de base de tous les modèles financiers en temps continu.

Leçon 2 • Cadre de valorisation neutre au risque

Présente les mesures martingales équivalentes et la valorisation sans arbitrage. Relie le calcul stochastique à la valorisation des produits dérivés.

Leçon 3 • Calcul d'Ito et équations différentielles stochastiques

Couvre le lemme d'Ito, les intégrales stochastiques et les solutions d'EDS. Permet de dériver les dynamiques de prix des instruments financiers standards.

Leçon 4 • Processus à sauts et modèles de Lévy

Étend les modèles continus pour inclure les sauts et les queues épaisses. Répond aux lacunes empiriques des modèles de diffusion pure.

Leçon 1 • Produits exotiques et structurés

Valorise les options à barrière, asiatiques, lookback et digitales. Étend les cadres vanille aux paiements dépendant du chemin et multi-actifs.

Leçon 2 • Grecques et couverture dynamique

Calcule et interprète le delta, le gamma, le véga, le thêta et le rhô. Permet la construction de couvertures delta-neutres et d'ordres supérieurs.

Leçon 3 • Produits dérivés de taux d'intérêt

Valorise les swaps, les caps, les floors et les swaptions à l'aide de modèles de structure par terme. Relie les mathématiques du revenu fixe à la valorisation des produits dérivés.

Leçon 4 • Théorie de la valorisation des options

Dérive les modèles Black-Scholes-Merton et binomiaux. Fournit le cadre canonique pour la valorisation des options vanille.

Leçon 1 • Cadres de fonds propres réglementaires et de risque

Présente les normes d'adéquation des fonds propres et les exigences en matière de modèles internes. Prépare les étudiants à aligner les modèles quantitatifs sur les attentes réglementaires.

Leçon 2 • Mesure du risque de marché

Couvre la valeur à risque, le déficit attendu et les tests de résistance. Fournit les indicateurs de base utilisés dans la supervision des risques des desks de négociation.

Leçon 3 • Modélisation du risque de crédit

Modélise la probabilité de défaut, la perte en cas de défaut et l'exposition. Construit le fondement quantitatif pour la gestion de portefeuille de crédit.

Leçon 4 • Copules et modélisation de la dépendance

Applique la théorie des copules pour capturer la dépendance non linéaire entre actifs. Étend les modèles basés sur la corrélation aux scénarios de risque de queue.

Leçon 1 • Parité de risque et pondération alternative

Met en œuvre des portefeuilles à parité de risque, à contribution de risque égale et à variance minimale. Fournit des alternatives à la pondération par capitalisation boursière et à la moyenne-variance.

Leçon 2 • Optimisation robuste et de Black-Litterman

Aborde l'erreur d'estimation par des méthodes robustes et bayésiennes. Produit des allocations plus stables que la moyenne-variance classique.

Leçon 3 • Optimisation moyenne-variance

Dérive la frontière efficiente et les poids optimaux du portefeuille. Établit le cadre classique pour l'analyse du compromis risque-rendement.

Leçon 4 • Modèles factoriels et décomposition du risque

Utilise des modèles factoriels pour décomposer le risque et le rendement du portefeuille. Permet d'attribuer la performance à des sources systématiques et idiosyncratiques.

Leçon 1 • Méthodologie de backtesting et pièges

Conçoit des backtests rigoureux et identifie les biais courants. Garantit que les estimations de performance des stratégies sont réalistes et non biaisées.

Leçon 2 • Arbitrage statistique et trading de paires

Applique la cointégration et la modélisation du spread aux stratégies neutres vis-à-vis du marché. Relie l'économétrie des séries temporelles aux signaux de trading en temps réel.

Leçon 3 • Stratégies haute fréquence et à faible latence

Examine la tenue de marché, l'arbitrage de latence et l'analyse des données tick par tick. Étend la conception de stratégies aux horizons de trading infra-seconde.

Leçon 4 • Recherche de facteurs alpha et génération de signaux

Identifie et construit des signaux prédictifs à partir de données de prix, fondamentales et alternatives. Établit le processus de recherche alpha.

Leçon 1 • Apprentissage par renforcement pour le trading

Modélise la gestion de portefeuille comme un processus de décision markovien. Entraîne des agents à optimiser l'exécution et l'allocation par interaction.

Leçon 2 • Apprentissage profond pour les séries temporelles financières

Implémente des architectures LSTM, transformer et CNN sur des séquences financières. Capture des motifs temporels complexes au-delà des modèles linéaires.

Leçon 3 • Apprentissage non supervisé et détection de régimes

Utilise le clustering et la réduction de dimensionnalité pour identifier les régimes de marché. Améliore la robustesse des stratégies grâce à une allocation consciente des régimes.

Leçon 4 • Apprentissage supervisé pour la prédiction des rendements

Applique des modèles de régression et de classification pour prédire les rendements des actifs. Relie la méthodologie du ML au processus de génération alpha.