Data Scientist / Ingénieur Quantitatif

Intégration d'une équipe de modélisation des risques pour un portefeuille de financement immobilier résidentiel (Income Producing Real Estate).

• Contribution à l'intégration du risque physique climatique dans la modélisation de la LGD (Loss Given Default) pour le portefeuille de financement immobilier.
• Travail sur l'intégration du risque de transition systémique de défaut (PD systemic transition risk) dans les modèles de risque crédit.

Rejoindre une équipe de modélisation des courbes de taux zéro coupon afin de fiabiliser les modèles de tarification des produits de taux.

• Audit approfondi du modèle Ornstein-Uhlenbeck (OU) calibré existant et remise en question de sa pertinence statistique.
• Proposition d'une approche basée sur les modèles à régimes cachés (Hidden Markov Model) pour capturer la dynamique non-stationnaire des courbes de taux.
• Calibrage de la courbe de taux zéro coupon en utilisant des techniques avancées de Deep Learning pour améliorer la robustesse des estimations.

Travail sur la modélisation du risque de catastrophe naturelle (CatNat) en assurance dommages, de l'humidité du sol à la cartographie des sinistres.

• Modélisation de l'indice d'humidité du sol (SWI) avec correction spatiale en utilisant Ridge Regression, Random Forest, XGBoost et réseaux de neurones.
• Développement de modèles de cartographie de la sécheresse combinant approches multi-étiquettes (Multi HGB, Multi LogReg, Chain LogReg).
• Conception de modèles de reconnaissance des événements CatNat à partir de données climatiques et satellitaires (Random Forest, XGBoost, Logistique, SVM).

Intégration d'une équipe projet visant à optimiser l'exploitation d'installations agrivoltaïques (fermes solaires compatibles avec l'agriculture) pour TotalEnergies par algorithmes avancés.

• Développement d'un moteur de prévision météorologique spécialisé utilisant SARIMA, régression linéaire, XGBoost, LGBM, Random Forest et LSTM pour anticiper les conditions climatiques d'un site agrivoltaïque.
• Intégration du modèle prédictif développé dans un environnement d'apprentissage par renforcement (Reinforcement Learning) pour permettre à un agent de contrôler optimalement les panneaux solaires avec une visibilité améliorée sur les conditions futures.
• Exploration de l'utilisation de modèles de langage de grande taille (Forest-8x7B) dans le contexte d'optimisation opérationnelle.

Rejoindre une équipe actuarielle afin de développer des modèles de tarification innovants intégrant la dimension géographique pour les produits d'assurance vie et santé.

• Modélisation de la durée de survie et morbidité des assurés pour estimer les probabilités de maladie, de décès et la durée moyenne en état de maladie, critiques pour le calcul des primes pures actuarielles.
• Application de méthodes statistiques avancées (Kaplan-Meier, modèle de Cox, modèles à temps accélérés AFT) pour analyser les données de sinistralité.
• Amélioration significative du pouvoir prédictif des modèles en intégrant des variables géographiques pertinentes dans une approche actuarielle novatrice, renforçant la précision des primes.

Travail au sein d'une agence nationale de statistique en support à la collecte et l'analyse de grandes campagnes de données nationales.

• Conception et mise en place des outils de collecte de données (CS Pro) pour des enquêtes statistiques nationales.
• Assurance de la collecte, du nettoyage, du traitement et de l'analyse des données issues des enquêtes, en validant la qualité des données et en produisant des rapports analytiques.