Base de référence (benchmark):

• Sélectionner un univers de produits (options vanilles et exotiques: barrières, asiatiques, etc.).
• Implémenter pricers de référence: Black-Scholes, Heston, Monte Carlo.
• Générer un dataset synthétique de valorisations (volatilité, taux, maturité, etc.).

Apprentissage automatique:

• Entraîner des modèles IA (MLP, LSTM, Gaussian Processes, hybrides ML+calibration) pour prédire les prix.
• Comparer performance, biais, stabilité et temps de calcul.

Explicabilité & calibration dynamique:

• Interpréter via SHAP/LIME/sensitivity; recalibration automatique selon conditions de marché; robustesse sous stress.

Intégration & visualisation:

• Construire un mini-dashboard (Streamlit/PowerBI): entrées du modèle, prix IA vs analytique, indicateurs de performance/erreur; alerte en cas d’écarts excessifs.

Exigences:

• Mathématiques financières et produits dérivés; simulation Monte Carlo, modèles stochastiques.
• Machine learning appliqué à la finance; évaluation comparative IA vs modèles analytiques.
• Python (NumPy, Pandas, TensorFlow/PyTorch, scikit-learn); QuantLib, Black-Scholes, Monte Carlo.
• Data: datasets synthétiques + sources publiques (Yahoo Finance, Bloomberg demo).
• Visualisation: Streamlit, PowerBI; option IA avancée: agent IA expliquant les drivers du prix.

Durée et effectif:

• Durée: 5 mois (Fév – Juin).
• Nombre de stagiaires: 1.