Stage - Ingénieur quantitatif - Evaluation par résolution d'EDP et deep learning

Ref : JRQ$-25826

Paris

Email
Share
Print

Job description

Murex est un leader mondial reconnu dans le développement de progiciels financiers. Chaque jour, à travers le monde, de prestigieuses institutions financières, hedge funds, asset managers et trésoreries de grands groupes, s’appuient sur les collaborateurs et la plateforme Murex pour soutenir leurs activités de marchés. Notre devise « pioneering again » résume notre histoire : depuis sa création, Murex s’adapte en continu aux évolutions des marchés de capitaux en offrant des solutions innovantes et adaptées aux besoins de ses Clients. 

 

Murex compte aujourd’hui plus de 2200 experts répartis dans 17 bureaux : Beyrouth, Dubaï, Dublin, Hong Kong, Londres, Luxembourg, Moscou, New York, Paris, Pékin, Santiago, Sao Paulo, Séoul, Singapour, Sydney, Tokyo et Toronto. 

 

La plateforme de Murex est un système de gestion front to back qui gère un ensemble de produits financiers. La plateforme offre un système intégré qui permet de gérer tout ce qui a trait au cycle de vie des contrats financiers. Cela inclut par exemple la création de nouveaux contrats, le contrôle et la vérification de ces contrats, le règlement des engagements associés, la comptabilité...  

 

 

Description de l’équipe : 

L’équipe « MACS » est responsable de l’implémentation des méthodes d’évaluation innovantes et efficientes cross-assets (Action, Change, Commodities, Crédit et Taux). Cela comprend d’une part la compréhension des modèles standards et la conception éventuelle de nouvelles modélisations adaptées aux besoins du marché et d’autre part l’implémentation et la maintenance de solutions (librairie quantitative, service…) permettant la calibration des modèles et l’évaluation et le calcul des mesures de risque (sensibilités, VaR, PFE, XVA…) des différents produits financiers. Une attention toute particulière est portée sur la précision des différentes méthodes implémentées ainsi que sur l’optimisation des temps de calcul, ce qui nécessite d’adapter les solutions aux technologies les plus innovantes (GPU par exemple). 

 

Contexte & Missions : 

 

Les méthodes de résolution d’équations aux dérivées partielles (EDP) sont très couteuses en temps de calcul quand le problème devient trop important. Différentes méthodes ont été décrites pour permettre la résolution d’EDP en grandes dimensions à base de réseaux de neurones profonds. Nous vous proposons de comparer ces différentes méthodes. 

 

 Vos missions : 

  • Implémenter ces méthodes dans le cadre restreint d’une option vanille à un seul sous-jacent dans un modèle de Black-Scholes, comparer les résultats obtenus, analyser les résultats en fonction de la taille des échantillons de tests et des caractéristiques des réseaux de neurones et analyser la stabilité des méthodes en fonctions de chocs sur les paramètres du modèle ou des caractéristiques de l’option. 
  • Etendre la complexité de la résolution en étendant d’abord la dimension du problème et comparer les résultats obtenus. 
  • Etendre la méthode de résolution à des produits dérivés plus complexes.   

 

Il faudra vous familiariser avec les techniques de deep-learning et leurs calibrages et également avec les différentes méthodes sur l’évaluation d’EDP à l’aide des réseaux de neurones. 

Related videos