Objectif principal :

- Apport de l’apprentissage supervisé sur données simulées en finance.

- La Chaire se situe au point de rencontre entre besoins de calculs accrus des banques d’investissement, suite à l’alourdissement de la régulation, et techniques de machine learning pouvant être instrumentales à cet effet.  

Applications récentes :

- Calcul  de sensibilités pour la couverture et l’analyse de risque de la  CVA

- Quantification et gestion du risque de modèle dans un cadre XVA  de hedging valuation adjustment

- Un algorithme rapide de régression et quantile régression neuronales pour les calculs de FVA et de KVA.

- Apprentissage statistique de value-at-risk et expected shortfall conditionnelles : Une étude mathématique, algorithmique et numérique.

- Analyse quantitative de la convergence d’algorithmes d’approximation statistique optimisés pour la value-at-risk et l’expected shortfall

- Couvertures statiques de produits dérivés multi sous-jacents par des baskets vanilles : étude mathématique et approches numériques par réseaux de neurones.

- Création d’une base de données de référence pour les apprentissages, à destination des praticiens et académiques de la place et au-delà.

Enseignement :

Participations au cours d’analyse XVA en M2MO et  produits dérivés en M2ISIFAR (Université Paris Cité).