Alesterd Kamela

Mes Compétences 

1.       Finance : Modélisation financière, d'analyse de données et de programmation avec des outils tels que R-studio et les Librairies Python.

2.       Développement De modèles Financiers : 

Développement de modèles financiers tels que PD (Probability Default), LGD (Lost Given Default), EAD (Bank Exposure & Exposure at Default) avec les Librairies Python.

3.       Gestion de risques : 

Gestion de risques et de position de marché, en particulier pour les produits financiers tels que les Devises (Forex), les Cryptomonnaies.

4.       Développement web : ReactJs, Python, Django, Flask.

Bien sûr, voici 4 points que vous pouvez mettre en avant sur votre profil LinkedIn pour travailler en finance quantitative :

Expérience en analyse de données - Vous pouvez mettre en avant votre expérience en tant que Data Scientist débutant et vos compétences en traitement et analyse de données avec des outils tels que R et Python, en particulier votre expérience avec l'analyse en composantes principales (ACP), l'analyse en composantes multiples (ACM), et l'analyse factorielle discriminante multiple (AFDM). Les compétences en analyse de données sont très recherchées dans les domaines de la finance quantitative.

Conception de modèles financiers - Vous pouvez également mettre en avant votre expérience en conception de modèles financiers, en particulier en ce qui concerne les modèles PD, LGD et EAD. Ces modèles sont utilisés pour estimer le risque de crédit et l'exposition des banques à des pertes potentielles. La capacité de concevoir et d'utiliser ces modèles est un atout précieux pour les professionnels de la finance quantitative.

les compétences développées :
• Analyser et décrypter les données massives à l’aide d’outils statistiques et économétriques pour proposer une analyse stratégique.
• Gérer des grands volumes de données
• Acquérir la capacité de mise en forme des données et présenter les données via des formats accessibles
• Interagir avec les scientifiques des données via la connaissance des problématiques et enjeux de base liés au big data.
• Maîtriser les logiciels de base du big data.
• Comprendre les architectures informatiques et contraintes des data scientists
• Comprendre les principaux algorithmes utilisés dans le big data.
• Etre capable de travailler en équipe
• Organisation, rigueur, capacité rédactionnelle
• Connaissance de l’écosystème et des principaux acteurs qui produisent / gèrent / travaillent la datales compétences développées : • Analyser et décrypter les données massives à l’aide d’outils statistiques et économétriques pour proposer une analyse stratégique. • Gérer des grands volumes de données • Acquérir la capacité de mise en forme des données et présenter les données via des formats accessibles • Interagir avec les scientifiques des données via la connaissance des problématiques et enjeux de base liés au big data. • Maîtriser les logiciels de base du big data. • Comprendre les architectures informatiques et contraintes des data scientists • Comprendre les principaux algorithmes utilisés dans le big data. • Etre capable de travailler en équipe • Organisation, rigueur, capacité rédactionnelle • Connaissance de l’écosystème et des principaux acteurs qui produisent / gèrent / travaillent la data

Compétences : Modélisation · Analyse quantitative