du Service :

Au sein d’Amundi Institute, l’équipe Investor Intelligence and Academic Partnerships mène des recherches sur l'allocation d'actifs à long terme et la gestion des risques, dans le but de conseiller les décisions stratégiques des investisseurs

Missions :

Intégré à l’équipe de Recherche Investisseurs et Partenariats Académiques (Amundi Investment Institute), l’alternant participera au développement de modèles d’allocation d’actifs long terme prenant en compte le risque, l’hétérogénéité des préférences et les contraintes réelles des investisseurs.

Ses missions incluront :

• La conception et la mise en œuvre de simulations (Monte Carlo) et d’algorithmes d’optimisation pour la recherche d’allocations optimales
• L’analyse comportementale d’une large base de données de clients (estimation de modèles économétriques, développement de modèles de clustering etc.)

Apport de l'alternance :

Cette alternance offrira au·à la candidat·e l’occasion d’acquérir une solide expérience en recherche quantitative appliquée, en prenant en charge un projet de modélisation de bout en bout : formulation du modèle, calibration et validation empirique. Il/elle développera la capacité à traduire une problématique économique ou comportementale en un outil quantitatif opérationnel, à manipuler des jeux de données complexes et à communiquer des résultats clairs au sein d’un environnement exigeant et en interaction directe avec les équipes opérationnelles. Cette expérience constitue un atout différenciant pour une carrière en recherche et gestion d’actifs.

Formation :

Ecole de Commerce / Université

Spécialisation :

Finance / Economie / Statistiques

• Solides bases en finance quantitative, probabilités et économétrie ; capacité à formaliser rigoureusement un problème économique
• Autonomie intellectuelle, esprit critique et capacité à mener un projet analytique de bout en bout
• Rigueur, curiosité scientifique et aptitude à communiquer des résultats techniques de manière claire.

• Maitrise du Pack Office

• Très bonne maîtrise de Python (NumPy, pandas, optimisation numérique, simulations Monte Carlo)

• Bonne connaissance des méthodes économétriques et du traitement de bases de données de grande dimension (Stata, R)

• Connaissance de SQL ou d’outils de versioning (Git) est un plus