Description

Expert en Analyse quantitative et dans la gestion du risque de Crédit (Bâle 3 et IFRS9).

Je possède d'une part de solides compétences concernant la modélisation, l'implémentation, la revue appliquée (calculs contradictoires) et le backtesting des modèles (PD, LGD, LGDD, CFF, score d'octroi) et d'autre part une expérience en gestion des risques de Crédit (analyse des KPI, maitrise du cadre réglementaire, calcul des provisions / RWA, etc.)

Par ailleurs, je maitrise le cadre réglementaire (Bâle 3, IFRS 9, SR11-7, FRTB, CRR, EBA) que les banques doivent respecter lors de leur travaux de modélisation.

Enfin, fort de plusieurs missions réalisées en France et à l'étranger dans les métiers coeur de business de la banque, je possède de bonnes capacités rédactionnelles et de communication, me permettant de rédiger des rapports pour la Direction Générale et par la suite, de le présenter en français et en anglais.

Langues

Français
Bilingue ou natif
Anglais
Capacité professionnelle complète

Préférences en matière de lieu de travail

Accepte de travailler sur site

Paris (jusqu’à 50 km)

BNP Paribas Leasing solution
Analyste quantitatif - risque de crédit
BANQUE & ASSURANCES
mars 2023 - avril 2025 (2 ans et 1 mois)
Paris, France
Développement et backtesting des modèles de Crédit (PD, LGD, LGDD, scores d’octroi) à la Direction des Risques de BNP Paribas Leasing Solutions sur différents périmètres (France, Angleterre, Allemagne, Belgique, Espagne).

Proposition de méthodologies de modélisation de paramètres IFRS9 (PD, LGD, LGDD) selon les variables disponibles et les caractéristiques des clients,
Développement et validation en comité, des paramètres IFRS9 développés,
Analyse et explication des impacts en terme de montants de provisions,
Développement de modèles de scores d’octroi,
Participation à la migration de SAS à Dataiku (Python) des programmes de développement et backtesting de modèles (PD, LGD, LGDD, scores d’octroi),
Présentation des données d’analyse de risque sur PowerBI concernant tous les périmètres,
Analyse et proposition de solutions concernant l’amélioration de la qualité des données des variables renseignées dans les bases de données internes, et utilisées pour le développement des modèles.
SAS Python Dataiku Microsoft Power BI IFRS9 Machine learning
Crédit Agricole SA
Analyste quantitatif modèle
BANQUE & ASSURANCES
janvier 2018 - mars 2023 (5 ans et 3 mois)
Paris, France
Supervision d’équipes de 5 à 10 personnes afin de réaliser des missions thématiques relatives aux modèles de crédit (Bâle 3, IFRS 9 - PD, LGD) sous SAS et Python (certifié).

✔️ Bâle 3:
o Construction des bases de données sous SAS et Python et analyse de la qualité des données des variables en amont de la modélisation,
o Développement de modèles PD sur les périmètres retail et corporate (analyse de la segmentation, construction du score, des classes de risques, calcul des taux de défaut)
o Développement de modèles LGD sur les périmètres retail et corporate (analyse de la segmentation, calcul des frais de recouvrements internes et externes, construction du chain-ladder, calcul des taux de perte et du Time To Work-Out),
o Evaluation de la robustesse des hypothèses utilisées pour développer les modèles de probabilité de défaut (PD) et de la perte en cas de défaut (LGD),
o Revue appliquée des modèles et suivi des réserves (recommandations) émises,
o Réalisation des backtesting des modèles PD, LGD, et mise à jour du coût du risque
o Revue du dispositif de contrôle permanent (et de la cartographie des risques),
o Evaluation de la gouvernance (rôles et responsabilités des intervenants, comitologie) et des reportings reglementaires réalisés

✔️ IFRS9:
o Construction des bases de données sous SAS et Python et analyse de la qualité des données des variables en amont de la modélisation (analyse univariée, traitements des valeurs extrêmes et des valeurs manquantes, etc.)
o Développement de la PD IFRS9 (à l'aide de matrices de Markov)
o Développement et backtesting du SICR (critères de changement de buckets, calcul des taux de précision)
o Backtesting du FLC (comparaison entre la PD estimée avec les données macro estimés et la PD estimée avec les données macro observées)
o Backtesting du FLL (comparaison entre la PD rehaussée avec le dire d'expert et PD observée)
o Backtesting des ECL sur les contrats en défaut et clos, les contrats en défaut et non clos, et les contrats sains.
Risque de crédit Bâle 3 IFRS9 Analyse de données Python Modélisation financière SAS Machine learning CRR3 EBA Bâle III Gestion du risque de crédit Reporting réglementaire
Société Générale
Analyste risque de taux
BANQUE & ASSURANCES
février 2016 - décembre 2017 (1 an et 11 mois)
Paris, France
o Conception d’un outil VBA permettant d’identifier les anomalies dans la qualité des données utilisées,
o Calcul de rendements des produits de taux sur tous les périmètres (Amérique, Asie et Europe),
o Conception d’un outil VBA permettant de donner un proxy du niveau des indicateurs de risque (VaR, SVaR, Stress-tests),
o Analyse et explication des alertes et des dépassements,
o Formations dispensées en interne sur le calcul des indicateurs de risque de taux
VBA Finance de marché