Actus AssurTech / InsurTech
De gauche à droite : Jean Cheval, président de la Fondation Natixis pour la recherche et l'innovation ; Gilles Pagès, directeur du Master Probabilités et Finance de l'Université Pierre et Marie Curie Paris 6 et École Polytechnique ; Olivier Pironneau (sur l'écran), Académie des Sciences et membre du conseil scientifique de la fondation ; Mathieu Rosenbaum, professeur à l'École Polytechnique et lauréat du Prix Louis Bachelier ; Nicole El Karoui, fondatrice du Master Probabilités et Finance de l'Université Pierre et Marie Curie Paris 6 et École Polytechnique ; Pierre Gasnier (sur l'écran en haut à droite), lauréat 2020 du Prix du meilleur mémoire de master, Université Pierre et Marie Curie Paris 6 et École Polytechnique ; Charles-Albert Lehalle (sur l'écran en bas à droite), Capital Fund Management et membre du conseil scientifique de la Fondation Natixis ; Lukas-Benedikt Fiechtner, lauréat du prix de la Fondation Natixis du meilleur mémoire de master, University of Oxford ; Michel Crouhy, président du comité scientifique de la Fondation Natixis.
Cette année, nous avons reçu 18 thèses en provenance de 11 masters différents. Les sujets reflètent l'innovation technologique récente. Ainsi, plus de la moitié des thèmes traités porte sur l'application de « data science » (machine learning) à la finance de marché : pricing des dérivés, couverture des risques de marché, cryptomonnaies, prévision."Le comité scientifique de la fondation a été agréablement surpris par la qualité exceptionnelle des thèses soumises. Contrairement à certaines idées reçues, la qualité des étudiants et des enseignements dans les programmes phares est loin de se détériorer. Elle est tout simplement remarquable." relève Jean Cheval, président de la Fondation Natixis pour la recherche et l'innovation.
Les deux lauréats cette année sont :
Pierre Gasnier : « Mean Field Game Theory for Gas Storage Valuation », réalisé chez BP Londres / Master 2 Probabilités et Finance de l’Université Pierre et Marie Curie Paris 6 et École Polytechnique
« Le sujet de mon travail a été de résoudre un problème de trading optimal dans lequel les variations de prix dépendent des actions, achat ou ventes, des agents sur le marché. La théorie des jeux à champs moyen vient simplifier ce problème en considérant qu'il y a une infinité d'agents mais qu'ils ont individuellement un impact infinitésimal sur le prix. Dans mon mémoire, je montre que l'état d'équilibre de ce jeu peut être vu comme la solution d'une certaine équation différentielle mais aussi comme la limite d'une suite de jeu où les agents adaptent naïvement leurs stratégies aux jeux précédent, nous donnant ainsi deux méthodes numériques différentes pour résoudre le problème. Ce genre de modèle est intéressant pour une entreprise comme BP car cela lui permet, par exemple, d'optimiser ses opérations de trading de gaz en anticipant mieux les périodes de faible ou forte liquidité. »
Lukas-Benedikt Fiechtner : « Risk Management with Generative Adversarial Networks » / MSc in Mathematical and Computational Finance, University of Oxford
« Dans mes travaux, j'applique les réseaux adverses génératifs (General Adversarial Networks ou GAN), une technique novatrice de machine learning, afin de générer des trajectoires de prix dont les propriétés statistiques répliquent celles des séries financières observées sur les marchés. En s'appuyant sur ce pouvoir génératif, on peut considérablement élargir les séries de données disponibles pour estimer les mesures de risques telles que la valeur à risque (VaR). Un backtest hors échantillon démontre que cette méthodologie peut rivaliser des méthodes traditionnelles de projection de valeur à risque, telles que la simulation historique. Ces travaux ouvrent également la voie à des applications futures des GANs dans les mathématiques financières. Par exemple, on pourrait réaliser des backtests sur les stratégies de trading en utilisant des données générées artificiellement.»
Découvrez le projet de recherche de Lukas-Benedikt Fiechner, fondé sur une technique novatrice de MachineLearning :
Source : Natixis
Les deux lauréats cette année sont :
Pierre Gasnier : « Mean Field Game Theory for Gas Storage Valuation », réalisé chez BP Londres / Master 2 Probabilités et Finance de l’Université Pierre et Marie Curie Paris 6 et École Polytechnique
« Le sujet de mon travail a été de résoudre un problème de trading optimal dans lequel les variations de prix dépendent des actions, achat ou ventes, des agents sur le marché. La théorie des jeux à champs moyen vient simplifier ce problème en considérant qu'il y a une infinité d'agents mais qu'ils ont individuellement un impact infinitésimal sur le prix. Dans mon mémoire, je montre que l'état d'équilibre de ce jeu peut être vu comme la solution d'une certaine équation différentielle mais aussi comme la limite d'une suite de jeu où les agents adaptent naïvement leurs stratégies aux jeux précédent, nous donnant ainsi deux méthodes numériques différentes pour résoudre le problème. Ce genre de modèle est intéressant pour une entreprise comme BP car cela lui permet, par exemple, d'optimiser ses opérations de trading de gaz en anticipant mieux les périodes de faible ou forte liquidité. »
Lukas-Benedikt Fiechtner : « Risk Management with Generative Adversarial Networks » / MSc in Mathematical and Computational Finance, University of Oxford
« Dans mes travaux, j'applique les réseaux adverses génératifs (General Adversarial Networks ou GAN), une technique novatrice de machine learning, afin de générer des trajectoires de prix dont les propriétés statistiques répliquent celles des séries financières observées sur les marchés. En s'appuyant sur ce pouvoir génératif, on peut considérablement élargir les séries de données disponibles pour estimer les mesures de risques telles que la valeur à risque (VaR). Un backtest hors échantillon démontre que cette méthodologie peut rivaliser des méthodes traditionnelles de projection de valeur à risque, telles que la simulation historique. Ces travaux ouvrent également la voie à des applications futures des GANs dans les mathématiques financières. Par exemple, on pourrait réaliser des backtests sur les stratégies de trading en utilisant des données générées artificiellement.»
Découvrez le projet de recherche de Lukas-Benedikt Fiechner, fondé sur une technique novatrice de MachineLearning :
Source : Natixis
Accueil
Envoyer à un ami
Version imprimable
Augmenter la taille du texte
Diminuer la taille du texte