Votre mission

Le stage répond à un objectif principal : modélisation de séries temporelles par Machine Learning et étude d’un modèle de copules avec dépendance de queue asymétrique.

Vous aurez ainsi à mener les travaux suivants :

· Analyse bibliographique et état de l’art des techniques de modélisation.

· Etude mathématique et financière du modèle de copules.

· Implémentation et benchmark des modèles.

· Application des indicateurs de bulles spéculatives à d’autres classes d’actifs.

Une connaissance générale est attendue dans les domaines suivants :

§ Modélisation et mathématiques financière (BS, Heston, VAR, Credit scoring, etc.)

§ Statistiques & probabilités (séries temporelles, traitement du signal, processus stochastiques, tests/hypothèses statistiques, théorie des valeurs extrêmes, etc.)

§ Algorithmie et programmation Python (Complexité, Optimisation, Orienté Objet)

§ Machine Learning (SARIMAX, RNN, LTSM, RL, etc.)

§ Analyse de données (PCA, corrélation, analyse graphique, visualisation, etc.)

Bibliographies:

· Y. Gong, R. Huser, Asymmetric tail dependence modeling, with application to cryptocurrency market data, The Annals of Applied Statistics 2022, Vol. 16, No. 3, 1822–1847

· S. Selvin, R. Vinayakumar, E. A. Gopalakrishnan, V. K. Menon and K. P. Soman, "Stock price prediction using LSTM, RNN and CNN-sliding window model," 2017 International Conference on Advances in Computing, Communications and Informatics (ICACCI), Udupi, India, 2017, pp. 1643-1647

· Peter T.Yamak, Li Yujian, Pius K.Gadosey, A Comparison between ARIMA, LSTM, and GRU for Time Series Forecasting, ACAI 2019: Proceedings of the 2019 2nd International Conference on Algorithms, Computing and Artificial Intelligence December 2019 Pages 49–55

· Didier Sornette and Peter Cauwels, Financial bubbles: mechanisms and diagnostics, ETH Zurich Chair of Entrepreneurial Risk Department of Management Technology and Economics 8 April 2014