

![[Note Quant] IBOR transition et le pricing des swaptions](https://quanteam.fr/wp-content/uploads/2022/04/Visuel-NoteQuant-image-mise-en-avant-1000x675.png)
[Note Quant] IBOR transition et le pricing des swaptions
[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](https://quanteam.fr/wp-content/uploads/2022/02/VISUEL2-1000x675.jpg)
[Note Quant] Optimizing the Trading Cost in presence of Market Impact
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](https://quanteam.fr/wp-content/uploads/2022/01/Visuel-NoteQuant-1000x675.jpg)
[Note Quant] Pricing d’options vanilles par Deep Learning
[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](https://quanteam.fr/wp-content/uploads/2021/08/Capture-decran-2021-09-06-a-18.07.11.png)
[Note Quant] IFRS 9 : Méthodes de classification en bucket
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](https://quanteam.fr/wp-content/uploads/2021/06/adobestock_205110625_-sans-bordure.jpg)
[Article Quant] Réseaux de neurones : modèles et applications à la finance
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.