Nous recherchons 2 stagiaires pour rejoindre l’équipe de Recherche Quantitative Taux et Hybrides. Le domaine de recherche est lié à des attentes métiers, et pourra donner lieu à des interactions avec le desk de trading. Ce stage de 6 mois se déroule au sein de la salle de marchés au 38 av Kléber à Paris.

Les sujets de stages proposés sont les suivants :

1* Modèle de taux multi-facteurs à structure par terme de volatilité
Votre mission sera d’implémenter un modèle de taux multi-facteurs à structure par terme de volatilité pour l’évaluation et la couverture de produits de taux mono-devise multi-optionnels. 
Après une veille bibliographique du modèle et des produits optionnels impliqués, vous tenterez d’élaborer une méthode d’évaluation et de choix de couverture optimale. Ce modèle aura pour but d’être utilisé comme référence de comparaison par rapport à un modèle de taux à volatilité locale et stochastique et un modèle de type Deep Learning.
2* Modèle de taux multi-facteurs à volatilité locale et stochastique
Votre mission sera d’investiguer un modèle de taux multi-facteurs à volatilité locale et stochastique.
Bien que très largement utilisés dans l’industrie pour les actions et les taux de change, les modèles à volatilité locale de B. Dupire n’ont que très récemment été considérés pour modéliser les taux d’intérêts. Ce stage s’inscrit dans cette dynamique. L’objectif poursuivi ici est d’étendre un modèle de Cheytte multi-facteurs avec composante de volatilité Locale et Stochastique. Dans ce cadre, d’autres travaux récents tels que la calibration par méthode des particules devra être considérée. Un focus particulier devra être porté sur les nouveaux degrés de liberté apportés par ce modèle et leur conséquence en termes de couverture.
3* Application des techniques de machine learning à la construction des surfaces de volatilités implicites   
Votre mission sera de proposer un modèle de machine learning concernant la construction des surfaces de volatilités implicites en l’absence d’opportunités d’arbitrage.
L’équipe FICC (Fixed Income, Currencies and Commodities) souhaite étendre son domaine d’expertise aux techniques de machine learning afin d’exploiter des nouvelles sources de données ou fournir des nouveaux outils d’aide de prise à la décision pour le front office. Un stage précédent consistait à explorer les techniques de completion de données dans le cadre de construction des courbes de taux swaps. Ce nouveau stage vise à étendre ce travail à la construction des surfaces de volatilités implicites, avec les applications potentielles suivantes tout en prenant en compte la contrainte de non-arbitrage :
* Compression des surfaces de volatilités implicites pour permettre la détection de données abérantes 
* Completion des surfaces de volatilités implicites en s’appuyant sur un réseau de neuronnes à structure latente 
* Explorer la structure latente d’un réseau de neuronnes afin de projeter des risques vega sur un sous-ensemble de points de volatilité

Compétence(s) développée(s) pendant le stage :  
•    Analyse numérique
•    Analyse quantitative
•    Apprentissage statistique
•    Gestion de projet C++/Python
•    Connaissance de la structure Banque d’investissement

#MARKETTRADING

BAC+5, vous êtes actuellement en fin de cycle d’école d’ingénieur ou universitaire avec une spécialisation en finance de marché et/ou science des données.
Vos compétences sont les suivantes :
•    Bonne maitrise du langage objet (Python, C++…) et une éventuelle connaissance des librairies d’apprentissage statistique (PyTorch, TensorFlow…)
•    Solides aptitudes en analyse quantitative, numérique et/ou apprentissage statistique 
•    Curiosité, autonomie, niveau d’anglais courant.