1/ COMPREHENSIVE OVERVIEW
Dans ce premier chapitre, nous poserons les fondations du quantitative mindset en finance de marché.
Nous expliquerons le rôle des équipes quantitatives au sein des banques d’investissement, des hedge funds et des asset managers, ainsi que la différence entre les profils de quant researcher, quant developer et quant trader.
Nous verrons comment les modèles mathématiques structurent la compréhension des produits dérivés, des risques et des dynamiques de marché, et pourquoi la rigueur quantitative est devenue indispensable dans le trading moderne.
Ce chapitre servira d’introduction conceptuelle pour relier théorie mathématique, pratique des marchés et modélisation.
2/ QUANTITATIVE FUNDAMENTALS
Dans ce chapitre, nous entrerons dans les fondamentaux mathématiques et statistiques de la finance quantitative.
Nous reviendrons sur les notions essentielles de probabilités, espérance, variance, covariance, et sur la logique des processus stochastiques appliqués aux prix de marché.
Nous présenterons le modèle de mouvement brownien, la logique des diffusions continues, et la construction du modèle de Black-Scholes-Merton, pierre angulaire de la valorisation des options.
Nous aborderons également les modèles de volatilité stochastique, les dynamiques de drift et de diffusion, et les conditions d’absence d’arbitrage.
L’objectif est d’acquérir une compréhension solide du cadre mathématique sur lequel repose l’ensemble des produits dérivés modernes.
3/ TECHNICAL KNOWLEDGE
Dans ce dernier chapitre, nous verrons les compétences techniques concrètes nécessaires pour mettre en œuvre les modèles quantitatifs.
Nous aborderons les bases de la programmation appliquée à la finance, notamment en Python, ainsi que l’utilisation des bibliothèques courantes (NumPy, pandas, SciPy).
Nous verrons comment implémenter des simulateurs de trajectoires de prix, calculer des sensibilités (Greeks), estimer une volatilité implicite et exécuter des calibrations simples de modèles.
Enfin, nous évoquerons la place des outils modernes de data science et de machine learning dans la recherche quantitative, et leur application au pricing, au risk management et à la détection de signaux de marché.
