• EN

menu
Bannière Hero

Machine Learning & Titrisation

L’un des grands réseaux de banques mutualistes au monde souhaite améliorer la productivité dans la création de produits dérivés pour les traders.

Demande : Permettre de tester de multiples hypothèses pour trouver le produit le plus adapté à la demande.

Image Méthodologie

Méthodologie

Nous avons formalisé une interface end-user pour la saisie la plus naturelle des paramètres pour la constitution de produits dérivés.
Nous avons ensuite :
– optimisé le moteur de règles,
– calculé des espérances de gain,
– diffusé de l’information

Image 42 est LA réponse

42 est LA réponse

Quels ont été les facteurs clés de succès de cette mission?
– la maîtrise des outils SAS et des techniques de la DataScience et de l’IA
– la maîtrise de la finance de marché
– le BackTesting et l’amélioration continue de notre modèle prédictif

Les solutions techniques utilisées pour ce use case

– Full SAS dans un contexte international
– Le trader spécifie les caractéristiques du produit dérivé à créer
– Le moteur de règles intègre l’ensemble des historiques des actions spécifiées (NYC)
– Estimation des gains basés sur l’historique et les produits similaires (NYC)
– Diffusion d’un reporting complet (gain et marge d’erreur estimés) (UK)