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.

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

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)