Quant (Analyste Quantitatif)

Développement de modèles de pricing pour produits dérivés exotiques, calibration de modèles stochastiques, support aux desks de trading. Travail en interaction étroite avec les traders et les structureurs pour concevoir et valoriser des produits complexes.

Secteurs — Banques d'investissement, Salles de marché, Fintech spécialisées dérivés

Employeurs — BNP Paribas CIB, Société Générale CIB, Goldman Sachs, JP Morgan, Morgan Stanley, Barclays, Crédit Agricole CIB, Natixis CIB, Bank of America, Citigroup

Pour commencer — Junior Quant Analyst – Derivatives Pricing, Quant Developer Front Office, Structureur quantitatif junior

Ensuite — Senior Quant – Exotic Derivatives, Head of Quantitative Research, Managing Director Quantitative Strategies, Chief Quant Strategist

Développement et validation de modèles de risque (VaR, CVA/DVA/FVA, stress testing, risque de crédit, risque de contrepartie). Conformité réglementaire Bâle III/IV, FRTB. Backtesting et validation indépendante des modèles.

Secteurs — Banques d'investissement, Banques de détail (direction des risques), Régulateurs financiers, Cabinets de conseil risques

Employeurs — BNP Paribas Risk, Société Générale RISQ, HSBC, Deutsche Bank, Crédit Mutuel, BPCE, ACPR / Banque de France, BCE (Francfort)

Pour commencer — Analyste quantitatif risques de marché junior, Model Validation Analyst, Quant risque de crédit junior

Ensuite — Senior Risk Quant, Head of Model Validation, Chief Risk Quantitative Officer, Directeur modélisation risques

Recherche et développement de stratégies de trading algorithmique et systématique. Analyse de données massives, backtesting de signaux alpha, optimisation de portefeuille, exécution algorithmique. Environnement très compétitif, rémunération élevée.

Secteurs — Hedge funds quantitatifs, Proprietary trading firms, Asset management quantitatif

Employeurs — Citadel, Two Sigma, DE Shaw, Renaissance Technologies, Man Group / AHL, Millennium Management, Capital Fund Management (CFM), Qube Research & Technologies, Jump Trading, Jane Street

Pour commencer — Junior Quantitative Researcher, Quant Trader junior, Alpha Research Analyst

Ensuite — Senior Quantitative Researcher, Portfolio Manager Systematic, Head of Quantitative Strategies, Partner / Principal

Construction et optimisation de portefeuilles, modélisation factorielle, allocation d'actifs quantitative, analyse de performance et attribution. Intégration croissante de l'ESG quantitatif et du machine learning dans la gestion.

Secteurs — Sociétés de gestion d'actifs, Assurances (direction des investissements), Fonds de pension, Family offices

Employeurs — Amundi, AXA Investment Managers, BNP Paribas Asset Management, BlackRock, Lyxor (Amundi), Candriam, Ostrum AM, TOBAM

Pour commencer — Quant Analyst – Portfolio Construction, Quantitative Research Analyst Buy-side, Data Scientist Asset Management

Ensuite — Senior Quantitative Portfolio Manager, Head of Quantitative Research AM, CIO Quantitative Strategies, Directeur gestion quantitative

Développement de bibliothèques de pricing, plateformes de calcul haute performance, infrastructures de données financières. Pont entre la recherche quantitative et l'implémentation logicielle. Profils très techniques C++/Python.

Secteurs — Éditeurs de logiciels financiers, Fintech, Banques d'investissement (IT quant), Prestataires infrastructure trading

Employeurs — Murex, Bloomberg, Refinitiv, Calypso Technology, Opensee, IHS Markit, Banques (équipes quant dev internes), Fintech spécialisées

Pour commencer — Quant Developer junior, Software Engineer – Quantitative Libraries, C++ Developer Finance

Ensuite — Senior Quant Developer, Lead Quant Engineer, VP Quantitative Technology, CTO Fintech quantitative

Intense et fragmenté entre projets de recherche à moyen terme (développement de modèles, 2-6 mois) et urgences opérationnelles (bugs de pricing, demandes traders en séance). Les phases de clôture réglementaire (fin de trimestre, arrêtés comptables) concentrent les pressions sur quelques semaines. La journée mêle moments de concentration profonde et interruptions fréquentes pour répondre aux équipes front-office.

Forte autonomie intellectuelle sur les choix méthodologiques et architectures de modèles, mais cadre contraint par les échéances business, les validations hiérarchiques (comités de modèles) et les exigences réglementaires. Tu définis comment résoudre un problème, rarement lequel résoudre. Les quants seniors orientent la recherche, les juniors implémentent sous supervision étroite les 2-3 premières années.

Collaboration quotidienne avec traders (comprendre besoins produits, expliquer limites modèles), risk managers (valider hypothèses, challenger résultats), IT (intégration systèmes), compliance et middle-office. Échanges techniques denses avec les pairs lors de code reviews ou séminaires internes. Peu de contact client externe sauf en structuration ou conseil. L'isolement peut survenir sur des sujets très pointus où tu es seul référent.

Bureaux en open-space dans quartiers d'affaires (La Défense, City de Londres, Wall Street), écrans multiples, stations de calcul haute performance. Environnement climatisé, parfois bruyant (sonneries trading floor à proximité). Télétravail partiel possible mais présence physique valorisée pour la réactivité. Peu de déplacements hors conférences académiques occasionnelles.

Géographique limitée : postes concentrés dans 5-6 places financières mondiales, mobilité interne entre bureaux d'une même banque possible mais rare. Mobilité fonctionnelle réelle entre types de desk (actions, taux, crédit, XVA) ou entre banque et hedge fund. Reconversion vers data science, tech ou recherche académique praticable mais nécessite souvent montée en compétences complémentaires.

Niveau élevé et multifactoriel : pression sur la justesse des modèles (erreur = pertes financières réelles), urgence des demandes traders (« j'ai besoin du prix pour dans 30 minutes »), attentes de perfectionnisme technique, exposition lors des validations réglementaires. Le syndrome de l'imposteur frappe durement quand ton code impacte des positions à 9 chiffres. Les périodes calmes existent (été, recherche exploratoire) mais imprévisibles.

Progression technique claire : junior → confirmé (3-5 ans) → senior/lead quant (8-12 ans) → quant researcher ou responsable équipe quantitative. Bifurcations possibles vers structuration (créer produits commerciaux), risk management quantitatif, direction scientifique, ou sortie vers hedge funds/fintechs avec forte augmentation salariale. Le plafond de verre existe pour ceux qui ne développent pas de compétences managériales ou business : rester IC (individual contributor) senior longtemps devient inconfortable politiquement.

Apprentissage continu quasi obligatoire (nouveaux modèles, régulations, technologies) qui nourrit les profils curieux et autodidactes. Accès privilégié à formations pointues, conférences de recherche, littérature académique de pointe. La complexité croissante maintient l'engagement intellectuel sur 10-15 ans. Attention : le développement reste cérébral et technique, peu de soft skills ou leadership travaillés avant les postes seniors. Les profils cherchant équilibre vie pro/perso ou diversité d'activités peuvent suffoquer dans cette hyper-spécialisation.

Tu choisis tes méthodologies et innovations techniques dans un périmètre défini, mais les sujets traités et priorités sont dictés par les besoins business et réglementaires. Proposer des recherches exploratoires est possible pour les seniors, difficile pour les juniors. L'initiative s'exprime surtout dans le « comment » (optimiser un algorithme, améliorer la précision) rarement dans le « pourquoi » ou « pour qui ». Les quants entrepreneurs doivent souvent quitter la banque pour concrétiser leurs idées disruptives.

Impact financier mesurable et immédiat : tes modèles déterminent des prix qui influencent allocations de capital, couvertures de risques, résultats trimestriels. Mais l'impact social reste indirect, confiné à la sphère financière, parfois questionnable (produits complexes opaques, optimisation fiscale via structuration). Peu de trace visible pour le grand public, contribution à l'économie réelle débattue. Ceux cherchant utilité sociale tangible ou reconnaissance publique seront frustrés. L'impact scientifique (publications, méthodes reprises) existe mais secondaire face aux impératifs commerciaux.

Rémunération très élevée dès l'entrée (55k€ junior, 80-120k€ confirmé, >150k€ senior avec bonus parfois équivalents au fixe), progression rapide si performant. Forte demande pour compétences rares, employabilité solide sur les places financières et dans la tech. Mais exposition aux cycles économiques (licenciements massifs post-2008, 2020), instabilité des bonus (variable de 0 à 200% selon résultats desk), précarité psychologique liée aux restructurations bancaires fréquentes. Profils à faible tolérance à l'incertitude ou besoin de sécurité affective peuvent mal vivre cette stabilité en trompe-l'œil.

Pénurie structurelle de profils combinant excellence mathématique (niveau M2/doctorat math fi, proba, EDP), compétences informatiques solides (C++, Python scientifique) et appétence finance, aggravée par la concurrence des GAFAM et fintechs qui recrutent les mêmes talents avec moins de contraintes. Les banques peinent à attirer les meilleurs docteurs qui préfèrent l'académie ou la tech, compensent par formations internes longues (6-18 mois) des ingénieurs brillants.

Transformation profonde en cours : automatisation des tâches de pricing classique par librairies open-source (QuantLib) et vendors, recentrage sur XVA, machine learning appliqué (moins de calcul stochastique pur, plus de stats/ML), et réglementaire quantitatif toujours croissant. Effectifs stables en volume mais profils recherchés évoluent (coder en Python > C++, maîtriser le cloud, interfacer avec data scientists). Les pure math quants cèdent du terrain aux quant-developers hybrides.