Blog Archives - Quanteam

Impact des élections présidentielles françaises sur la Value-at-risk et l’Expected Shortfall d’un portefeuille : 2017 et 2022

[Article] Impact des élections présidentielles françaises sur la Value-at-risk et l’Expected Shortfall d’un portefeuille : 2017 et 2022 3 mai 2022 Les élections présidentielles françaises sont des événements suivis dans le monde entier et qui peuvent avoir un effet sur les marchés financiers. Cet article a pour but de comparer les situations en 2017 et [...]

[Note Quant] IBOR transition et le pricing des swaptions

Blog

[Note Quant] IBOR transition et le pricing des swaptions Réalisé par la Practice Quant chez Quanteam Téléchargez gratuitement notre nouvelle « Note Quant – IBOR transition et le pricing des swaptions ». Cette note de quelques pages propose une approche détaillée des taux et model afin d’optimiser le pricing. Diffusés quotidiennement, les taux IBOR (InterBank [...]

[Note Quant] Optimizing the Trading Cost in presence of Market Impact

Blog

Contenu en Anglais – Réalisé par Lamine TRAORE, Consultant Expert Quant Risques Bancaires (Practice Quant) chez Quanteam
Il est bien connu que la plupart des gestionnaires de fonds ne sur performent pas leur indice de référence. La raison principale est les coûts de transaction. Le coût de transaction le plus important est l’impact sur le commerce, c’est-à-dire l’élément d’impact sur le marché.[…]. Lire la suite

[Note Quant] Pricing d’options vanilles par Deep Learning

Blog

[Note Quant] Pricing d'Options Vanilles par Deep Learning 25 janvier 2022 Réalisé par Marwane EL AZZOUZI, Quantitative Analyst (Practice Quant) chez Quanteam Découvrez notre nouvelle "Note Quant - Pricing d'Options Vanilles par Deep Learning". Cette note de quelques pages propose une première confrontation entre le Deep Learning et la finance computationnelle à travers un pricing [...]

[Note Quant] IFRS 9 : Méthodes de classification en bucket

Blog

Cet article quant démontre comment utiliser le rating et la probabilité de défaut point-in time (ou PD PiT) pour faire la classification des expositions de crédit dans différents buckets en fonction de l’évolution du niveau du risque de crédit.

[Article Quant] Réseaux de neurones : modèles et applications à la finance

Blog

Plus anciens qu’on ne le pense, les réseaux de neurones nous façonnent ces dernières années en matière de tâches de reconnaissance et traitement des données. Inspirés des structures du cerveau humain et initialement développés dans le milieu universitaire, leurs modes opératoires se simulent directement du fonctionnement des neurones, par conséquent générant des modèles extrêmement puissants mais également difficiles à interpréter et à analyser. Cet article vise à faire part de l’usage des modèles de neurones dans le domaine de la finance.