Stages en Recherche Quantitative Taux Et Hybrides

-Description de l'emploi

Opérant sur 62 marchés, le Groupe HSBC est l’un des plus grands groupes de services bancaires et financiers dans le monde. Nous sommes plus de 219 000 collaborateurs à accompagner chaque jour plus de 39 millions de clients.

Notre stratégie repose sur quatre piliers : capitaliser sur nos succès, accroître la digitalisation, adapter notre modèle opérationnel pour plus d’agilité et simplicité, et mener la transition écologique. Notre mission est de « créer un monde d’opportunités » en responsabilisant nos collaborateurs et en créant et cultivant un environnement inclusif, où chacun peut s’épanouir et se sentir à sa place.

**Créer un environnement inclusif pour nos collaborateurs, c’est aussi favoriser un bon équilibre entre vie personnelle et professionnelle. Nous avons récemment signé un nouvel accord sur le télétravail, permettant à nos collaborateurs de travailler en présentiel et à distance de façon régulière et flexible.**

La Banque de Financement, d’Investissement et de Marchés, Global Banking and Markets (GBM), regroupe des métiers très différents : couverture des grands clients, financements structurés, métiers de conseil, marchés financiers (taux, change, obligations, actions)

**Nous recherchons 2 stagiaires pour rejoindre l’équipe de Recherche Quantitative Taux et Hybrides. Le domaine de recherche est lié à des attentes métiers, et pourra donner lieu à des interactions avec le desk de trading. Ce stage de 6 mois se déroule au sein de la salle de marchés au 38 av Kléber à Paris.**

**Les sujets de stages proposés sont les suivants**:
**1- Modèle de taux multi-facteurs à structure par terme de volatilité**

**Votre mission sera d’implémenter un modèle de taux multi-facteurs à structure par terme de volatilité pour l’évaluation et la couverture de produits de taux mono-devise multi-optionnels.**
Après une veille bibliographique du modèle et des produits optionnels impliqués, vous tenterez d’élaborer une méthode d’évaluation et de choix de couverture optimale. Ce modèle aura pour but d’être utilisé comme référence de comparaison par rapport à un modèle de taux à volatilité locale et stochastique et un modèle de type Deep Learning.
**2- Modèle de taux multi-facteurs à volatilité locale et stochastique**

**Votre mission sera d’investiguer un modèle de taux multi-facteurs à volatilité locale et stochastique.**
Bien que très largement utilisés dans l’industrie pour les actions et les taux de change, les modèles à volatilité locale de B. Dupire n’ont que très récemment été considérés pour modéliser les taux d’intérêts. Ce stage s’inscrit dans cette dynamique. L’objectif poursuivi ici est d’étendre un modèle de Cheytte multi-facteurs avec composante de volatilité Locale et Stochastique. Dans ce cadre, d’autres travaux récents tels que la calibration par méthode des particules devra être considérée. Un focus particulier devra être porté sur les nouveaux degrés de liberté apportés par ce modèle et leur conséquence en termes de couverture.
**3- Application des techniques de machine learning à la construction des surfaces de volatilités implicites**

**Votre mission sera de proposer un modèle de machine learning concernant la construction des surfaces de volatilités implicites en l’absence d’opportunités d’arbitrage.**
- Compression des surfaces de volatilités implicites pour permettre la détection de données abérantes
- Completion des surfaces de volatilités implicites en s’appuyant sur un réseau de neuronnes à structure latente
- Explorer la structure latente d’un réseau de neuronnes afin de projeter des risques vega sur un sous-ensemble de points de volatilité

**Compétence(s) développée(s) pendant le stage**:

- Analyse numérique
- Analyse quantitative
- Apprentissage statistique
- Gestion de projet C++/Python
- Connaissance de la structure Banque d’investissement

MARKETTRADING
Conditions

**Profil recherché**:
BAC+5, vous êtes actuellement en fin de cycle d’école d'ingénieur ou universitaire avec une spécialisation en finance de marché et/ou science des données.
Vos compétences sont les suivantes:

- Bonne maitrise du langage objet (Python, C++ ) et une éventuelle connaissance des librairies d’apprentissage statistique (PyTorch, TensorFlow )
- **Solides aptitudes en analyse quantitative, numérique et/ou apprentissage statistique**:

- Curiosité, autonomie, niveau d'anglais courant.