Analyste ALM & Capital Management

Intégration à la Direction Gestion Financière d'une banque de premier plan pour piloter les risques de liquidité et de capital dans un environnement réglementaire strict.

• Suivi quotidien et mensuel des indicateurs de liquidité réglementaire (LCR, NSFR) et des indicateurs internes de pilotage.
• Préparation des rapports réglementaires de taux IRRBB, mesurant le risque de taux d'intérêt du portefeuille bancaire.
• Contribution aux processus prudentiels ICAAP/ILAAP et aux projections prudentielles conformes aux normes bâloises.
• Calcul et projection des ratios de solvabilité (CET1, T1, T2) selon les normes de Bâle III.
• Pilotage des stress tests de liquidité, de taux et de solvabilité pour évaluer la résilience de la banque.
• Modélisation des profils d'écoulement des passifs et des conventions ALM pour affiner le suivi du bilan.
• Développement de la modélisation de la part stable et volatile des dépôts par détection de ruptures (méthode PELT), améliorant la fiabilité des projections.
• Automatisation de l'ensemble des outils de gestion financière sous Python, réduisant les temps de traitement manuels.
• Conception et déploiement des dashboards de pilotage sous Power BI pour la visualisation temps réel des risques ALM et capital.

Développement d'un outil intégré de 2ᵉ niveau pour le calcul et le suivi des risques de liquidité et de taux, en support direct du département ALM.

• Développement sous Python d'un outil complet d'écoulement et de calcul des indicateurs de risque de liquidité et de taux du banking book.
• Modélisation des dépôts à vue via approche séries chronologiques et modèles prédictifs (Python & R), intégrant les comportements de retrait réels.
• Construction des impasses de liquidité en approche statique et dynamique, étudiant la sensibilité de la MNI (Marge Nette d'Intérêt) aux chocs de taux.
• Développement d'une application de calcul du TCI (Taux de Couverture des Impasses), TSR (Taux de Stable Ressources) et de l'écoulement des crédits.

Réalisation d'une étude approfondie d'analyse de sentiment et d'opinions citoyennes pour les Études Économiques et Statistiques Appliquées.

• Conduite du web scraping pour collecter les avis citoyens à grande échelle.
• Développement d'un modèle de classification par régression logistique multinomiale et SVM sous Python, mesurant le sentiment des opinions collectées.