Ingénieur quantitatif H/F - Montrouge, France - Crédit Agricole CIB
Description
Description du poste
Risk and Permanent Control (RPC) de CA CIB fait partie de la ligne métier Risques et Contrôles Permanents de Crédit Agricole S.A.
La Direction de RPC identifie, analyse, mesure et contrôle les risques de contrepartie, les risques de marché, les risques pays et de portefeuille ainsi que les risques opérationnels.
Léquipe modèle interne est responsable des méthodologies pour les risques de marché et les risques de contrepartie sur opérations de marché. Son périmètre recouvre la validation des paramètres de marché pour les mesures de risque (économétrie), les modèles des mesures de risques de marché Pilier I ( VaR, SVaR, CVA Var, CVA SVaR, IRC ainsi que les métriques du nouveau dispositif FRTB) et pilier II, la définition et le contrôle a posteriori du modèle IMM pour le suivi du risque de contrepartie, la définition des stresses transverses réglementaires ( adverses, extrêmes, hypothétiques, historiques, inversés), le suivi et la validation du modèle de calcul des marges initiales sur les dérivés de gré à gré (modèle SIMM), et enfin les méthodologies générales du dispositif de valorisation prudente du Groupe Crédit Agricole.
Les principales missions sont les suivantes :
Analyse et validation des paramètres de marché utilisés pour le calcul des indicateurs de risques de marché et les risques de contrepartie sur opérations de marché (VaR, Stressed VaR, Stress, FRTB-SA ) ceci pour lensemble des facteurs de risques (Dérivés de Taux, Repo, Forex, Commodities, Dérivés Actions, Dérivés de Crédit, Obligataires) ;
Développements avancés en Python, SQL, Git, Data Science ;
Mise en œuvre des nouvelles méthodologies et facteurs de risques en adéquation avec le Modèle Interne, la Recherche Quantitative et le Risk Management ;
Diverses calibrations de méthodes spécifiques aux modèles de VaR ;
Le back-testing de la VaR comprenant divers tests statistiques ;
Rédaction de la documentation
Parmi les autres missions rattachées au poste on peut citer :
La participation aux recherches sappuyant sur des techniques de Machine Learning (Data Science) pour améliorer certains processus et modèles (Météo statistique des séries temporelles et rendements, détection danomalies/outliers,).