|
3 années
expérience
|
0
produits
|
0
versions de démo
|
|
0
offres d’emploi
|
0
signaux
|
0
les abonnés
|
Quantitative Developer/Trader
à
Astralys LLC
Trader Quantitatif & Stratège Systématique soutenu par l’IA | MSc Finance (HEC Lausanne)
𝐁𝐢𝐨𝐠𝐫𝐚𝐩𝐡𝐢𝐞 𝐜𝐨𝐮𝐫𝐭𝐞
Je suis un trader quantitatif basé en Suisse, titulaire d’un master en Finance de HEC Lausanne, avec une spécialisation en Gestion Quantitative des Actifs et des Risques. Dans mon mémoire de master, j’ai remis en question l’efficience du marché boursier américain à travers des preuves empiriques. Depuis, j’ai développé plus de 30 algorithmes de niveau institutionnel en Python, couvrant les actions, le marché des changes (FX) et les cryptomonnaies — conçus pour supporter des capacités de plusieurs millions de dollars et déployés via des API. Mon avantage réside dans la combinaison d’une gestion des risques rigoureuse (préservation du capital, ciblage de la volatilité) avec des signaux issus du machine learning, des modèles macro/régime et une automatisation de niveau industriel sur IBKR (Fix Protocol & IBKR Gateway Docker), Alpaca, MT5, Binance et DAS. Je suis en train de créer une SA en Suisse et une LLC aux États-Unis pour mes activités quantitatives, et j’explore l’enregistrement RIA aux États-Unis afin d’opérer dans un cadre pleinement réglementé. Mon objectif ultime est de construire un hedge fund quantitatif et de lever environ 50 millions USD d’AuM dans les prochaines années.
𝐂𝐨𝐦𝐩é𝐭𝐞𝐧𝐜𝐞𝐬 & 𝐭𝐞𝐜𝐡𝐧𝐨𝐥𝐨𝐠𝐢𝐞𝐬
• Stratégies systématiques : retour à la moyenne, breakout, cross-sectional/time-series, stratégies factorielles long/short
• Risque & portefeuille : ciblage de la volatilité, contrôle du drawdown, tests walk-forward & Monte Carlo
• ML & NLP : XGBoost/LightGBM, classification des régimes macro, pipelines d’actualités/sentiment (ex. FinBERT)
• Exécution & infrastructure : Python (pandas/NumPy/sklearn), IBKR, DAS, FIX, AWS/VPS, SQL/SQLite, MT5/MT4, Binance
• Marchés : actions américaines & mondiales, principales paires FX, actifs crypto liquides
𝐂𝐨𝐧𝐟𝐨𝐫𝐦𝐢𝐭é & é𝐭𝐡𝐢𝐪𝐮𝐞
L’éthique et la documentation transparente sont mes priorités ; je m’engage à travailler uniquement dans des environnements réglementés (SA en Suisse et LLC aux États-Unis en cours ; enregistrement RIA aux États-Unis à l’étude).
Dans mon mémoire sur l’efficience du marché boursier américain, j’ai appliqué le cadre Probability of Backtest Overfitting (Bailey et al., 2015), et je continue à utiliser des validations strictes in-sample/out-of-sample, des analyses walk-forward, un décalage d’une période et des protocoles anti-look-ahead pour garantir que mes modèles soient robustes et non surajustés.
Ma présence dans la communauté MQL a pour but d’éduquer les traders particuliers à éviter les stratégies surajustées, trop risquées, ainsi que l’usage excessif de l’effet de levier.
𝐋𝐢𝐧𝐤𝐞𝐝𝐈𝐧 : 𝐥𝐢𝐧𝐤𝐞𝐝𝐢𝐧.𝐜𝐨𝐦/𝐢𝐧/𝐣𝐨𝐡𝐧-𝐛𝐞𝐫𝐠𝐞𝐫𝐚𝐭/
𝐁𝐢𝐨𝐠𝐫𝐚𝐩𝐡𝐢𝐞 𝐜𝐨𝐮𝐫𝐭𝐞
Je suis un trader quantitatif basé en Suisse, titulaire d’un master en Finance de HEC Lausanne, avec une spécialisation en Gestion Quantitative des Actifs et des Risques. Dans mon mémoire de master, j’ai remis en question l’efficience du marché boursier américain à travers des preuves empiriques. Depuis, j’ai développé plus de 30 algorithmes de niveau institutionnel en Python, couvrant les actions, le marché des changes (FX) et les cryptomonnaies — conçus pour supporter des capacités de plusieurs millions de dollars et déployés via des API. Mon avantage réside dans la combinaison d’une gestion des risques rigoureuse (préservation du capital, ciblage de la volatilité) avec des signaux issus du machine learning, des modèles macro/régime et une automatisation de niveau industriel sur IBKR (Fix Protocol & IBKR Gateway Docker), Alpaca, MT5, Binance et DAS. Je suis en train de créer une SA en Suisse et une LLC aux États-Unis pour mes activités quantitatives, et j’explore l’enregistrement RIA aux États-Unis afin d’opérer dans un cadre pleinement réglementé. Mon objectif ultime est de construire un hedge fund quantitatif et de lever environ 50 millions USD d’AuM dans les prochaines années.
𝐂𝐨𝐦𝐩é𝐭𝐞𝐧𝐜𝐞𝐬 & 𝐭𝐞𝐜𝐡𝐧𝐨𝐥𝐨𝐠𝐢𝐞𝐬
• Stratégies systématiques : retour à la moyenne, breakout, cross-sectional/time-series, stratégies factorielles long/short
• Risque & portefeuille : ciblage de la volatilité, contrôle du drawdown, tests walk-forward & Monte Carlo
• ML & NLP : XGBoost/LightGBM, classification des régimes macro, pipelines d’actualités/sentiment (ex. FinBERT)
• Exécution & infrastructure : Python (pandas/NumPy/sklearn), IBKR, DAS, FIX, AWS/VPS, SQL/SQLite, MT5/MT4, Binance
• Marchés : actions américaines & mondiales, principales paires FX, actifs crypto liquides
𝐂𝐨𝐧𝐟𝐨𝐫𝐦𝐢𝐭é & é𝐭𝐡𝐢𝐪𝐮𝐞
L’éthique et la documentation transparente sont mes priorités ; je m’engage à travailler uniquement dans des environnements réglementés (SA en Suisse et LLC aux États-Unis en cours ; enregistrement RIA aux États-Unis à l’étude).
Dans mon mémoire sur l’efficience du marché boursier américain, j’ai appliqué le cadre Probability of Backtest Overfitting (Bailey et al., 2015), et je continue à utiliser des validations strictes in-sample/out-of-sample, des analyses walk-forward, un décalage d’une période et des protocoles anti-look-ahead pour garantir que mes modèles soient robustes et non surajustés.
Ma présence dans la communauté MQL a pour but d’éduquer les traders particuliers à éviter les stratégies surajustées, trop risquées, ainsi que l’usage excessif de l’effet de levier.
𝐋𝐢𝐧𝐤𝐞𝐝𝐈𝐧 : 𝐥𝐢𝐧𝐤𝐞𝐝𝐢𝐧.𝐜𝐨𝐦/𝐢𝐧/𝐣𝐨𝐡𝐧-𝐛𝐞𝐫𝐠𝐞𝐫𝐚𝐭/
