Rejoignez Analyste Quantitatif Pro

Un domaine qui peut transformer votre carrière – C'est ce qu'il a fait pour nous

Si vous ne nous connaissez pas encore – bonjour, nous sommes Natacha Njongwa Yepnga et Claudel Fadolo. 👋

Nous avons débuté nos parcours respectifs avec une ambition commune : maîtriser la gestion des risques financiers et appliquer les outils modernes de la data science et de l’intelligence artificielle dans ce domaine.

Au fil des années, nous avons acquis une expertise dans des environnements exigeants et relevé des défis majeurs, ce qui nous a permis de constater à quel point la maîtrise du risque de crédit peut transformer une carrière.

• Claudel Fadolo, fort de plus de 10 années d’expérience, a travaillé dans plusieurs établissements financiers dans la mise en œuvre des réglementations Bâle II, Bâle III et Bâle IV et dans l’optimisation de leurs pratiques et maîtrise des risques. 

• Natacha Njongwa Yepnga, avec plus de 5 années d’expérience dans des groupes d’envergure tels que HSBC et Société Générale, a travaillé sur des projets stratégiques, alliant data science, intelligence artificielle, et gestion des risques financiers.

Nous avons identifié une problématique majeure : le secteur bancaire regorge d’opportunités, mais les formations pertinentes et concrètes pour y accéder sont rares.

C’est pourquoi nous avons créé la Formation Analyste Quantitatif PRO, pour vous transmettre des compétences pratiques et immédiatement valorisables dans le monde financier.

Le Contenu de la formation

Cette formation est l’essence même de plusieurs années d’expérience, condensées en modules clairs et accessibles.

Voici ce que vous apprendrez :

Modules Structurés et Pratiques

✅ Module 1

Introduction à la Gestion des Risques

• Plongez au cœur des notions fondamentales : Risques de crédit, cadre réglementaire, enjeux stratégiques.

• Acquérir les bases pour bien rentrer dans les modules pratiques.

✅ Module 2

Construction d’un Score d’Octroi

• Apprenez à collecter et préparer vos données pour un score précis et robuste.
• Comparez les méthodes classiques (régression logistique) aux modèles avancés (Random Forest, XGBoost, etc.) pour booster la performance de vos scores.
• Implémentez et validez vos modèles en Python.
• Apprenez les autres indicateurs de pilotage de risque de crédit.  

✅ Module 3

Modélisation de la PD (Probability of Default) sur la base des textes réglementaires

• Comprenez en profondeur la notion de probabilité de défaut.
• Apprenez à analyser et sélectionner les variables stables pour le modèle. 
• Passez d’une approche statistique traditionnelle aux algorithmes de Machine Learning moderne.
• Apprenez à mettre en place classes homogènes de risque
• Apprenez les autres indicateurs de pilotage de risque de crédit. 

✅ Module 4

Modélisation de la LGD des Sains sur la base des textes réglementaires

• Explorez les enjeux et spécificités de la LGD pour les prêts non défaillants (Performing Loan).
• Comprenez en profondeur la notion de perte en cas de défaut.
• Comprendre et calculer la durée maximale de recouvrement
• Découvrez comment analyser et à sélectionner les variables stables pour le modèle
• Passez d’une approche statistique traditionnelle aux algorithmes de Machine Learning moderne.
• Étudiez comment mettre en place classes homogènes de risque
• Apprenez à calibrer et à quantifier la perte en cas de défaut

✅ Module 5

Modélisation de la LGD des Défauts

• Découvrez comment évaluer la perte pour des crédits en défaut (Non Performing Loan).
• Comprendre les méthodes de projection des défauts non clos
• Comprendre la notion d’Elbe en lien avec les textes régelemnatires
• Apprenez à analyser et sélectionner les variables stables pour le modèle
• Passez d’une approche statistique traditionnelle aux algorithmes de Machine Learning moderne.Apprenez à mettre en place classes homogènes de risque
• Apprenez à calibrer et quantifier la perte en cas de défaut

✅ Module 6

Mise en Production et Backtesting

• Industrialisez vos solutions : automatisation, déploiement (API), surveillance des performances.
• Comprendre le cycle de vie d’un modèle 
• Mettez en place un backtesting rigoureux pour détecter les dérives et valider la robustesse de vos modèles dans le temps.