Timothée MORAWSKI

Processed and structured large-scale datasets (millions of records) using Python (Pandas, NumPy), handling missing data and anomalies.

Engineered features and applied data transformations (scaling, encoding, dimensionality reduction) to enhance model performance.

Built and evaluated supervised learning models (logistic regression, decision trees, random forests) with scikit-learn.

Applied cross-validation techniques and performance metrics (ROC-AUC, precision, recall) to ensure robustness and reliability.

Gained end-to-end experience in machine learning pipelines in a production-oriented environment.

1. Analyse d'un article scientifique sur une méthode de calcul de volatilité implicite (Let's Be Rational, Peter Jäckel)
Objectif : Étudier une approche novatrice de calcul de la volatilité implicite utilisée dans les marchés financiers.
Tâches réalisées :
Lecture et compréhension approfondie de l'article scientifique.
Extraction des concepts théoriques clés, notamment les principes de la méthode et ses hypothèses sous-jacentes.
Validation des résultats théoriques dans un cadre académique.

2. Implémentation en Python
Objectif : Transformer la théorie de l'article en un outil pratique utilisable par les quants.
Tâches réalisées :
Développement d'un script en Python pour implémenter l'algorithme de calcul de la volatilité implicite.
Validation de l'algorithme via des simulations et tests sur des données synthétiques ou réelles.
Optimisation du code pour améliorer son efficacité et sa robustesse.

3. Collaboration avec les quants et professionnels de la finance
Objectif : Valider les résultats et s'assurer de l'intérêt pratique de l'outil développé.
Tâches réalisées :
Présentation des résultats de l'article et de l'implémentation aux quants.
Discussions sur les implications pratiques de la méthode, notamment en termes d'arbitrage et de pricing.
Réception et intégration des retours des professionnels pour améliorer l'outil.

4. Exploration de données financières
Objectif : Comprendre les spécificités des données utilisées dans les marchés financiers pour enrichir le modèle.
Tâches réalisées :
Analyse exploratoire des données (prix d'options, prix d'exercice, volatilité, etc.).
Préparation des données pour les simulations (nettoyage, normalisation, gestion des valeurs aberrantes).
Extraction d'insights pour ajuster les paramètres du modèle.

5. Développement de compétences en finance quantitative
Objectif : Renforcer mes connaissances théoriques en finance et leur application pratique.
Tâches réalisées :
Étude approfondie des modèles de pricing et de leurs limites (ex. Black-Scholes, modèles stochastiques).
Familiarisation avec les risques associés aux produits dérivés (risque de volatilité, risque de modèle, etc.).
Apprentissage des méthodologies utilisées pour calibrer des modèles à partir des données de marché.

6. Réalisation d'une présentation finale
Objectif : Communiquer efficacement les résultats et l’impact du travail effectué.
Tâches réalisées :
Structuration d’une présentation claire et concise, adaptée à un public technique et non technique.
Mise en avant des bénéfices concrets du modèle implémenté pour les activités de trading et d’arbitrage.
Réponse aux questions des quants et des autres participants pour démontrer la maîtrise du sujet.

Study and computer modelling of a finance article about pricing call option presenting an innovative method for calculating implied volatility using the Black-Scholes formula for an European share, thus providing a more accurate and rapid solution for market finance professionals.

Visit Socitété Générale's trading rooms and meet the people who work there.

Supervised by Abdelmalek El Alaoui (see his recommendation on my profile).