À PROPOS DE CFM

Fondés en 1991, nous sommes une société mondiale de gestion d’actifs quantitative et systématique appliquant une approche scientifique à la finance pour développer des stratégies d’investissement alternatives pour nos clients.

Nous valorisons l’innovation, l’engagement, l’aboutissement et l’intelligence collective en créant ensemble un environnement d’experts passionnés et talentueux dans les domaines de la recherche, des technologies et du business pour explorer de nouvelles idées et toujours remettre en question les hypothèses.

Description

Malgré les progrès considérables réalisés dans l'échantillonnage au cours des dernières décennies, la multimodalité reste un défi important dans de nombreux domaines où la statistique est appliquée. Lorsqu'on représente mentalement une distribution de probabilité, on pense souvent à une bosse centrée autour d'une moyenne, avec une certaine dispersion représentant la variance. Toutefois, dans de nombreuses applications, les distributions réalistes sont constituées de plusieurs de ces bosses, centrées autour de divers points dans l'espace des phases, chacune avec une certaine propagation. Quelques exemples incluent :

• Images : il existe une distribution centrée autour d'images de chiens, une autre autour d'images de chats, etc.
• Physique : les systèmes physiques ont généralement différentes distributions stables (un phénomène appelé métastabilité) correspondant à des états : cristaux alpha contre beta, protéines repliées contre dépliées, etc.
• Problèmes inverses : en raison de la mauvaise définition des problèmes inverses, plusieurs solutions concurrentes apparaissent généralement en pratique, formant différents centres pour la distribution a posteriori.

Dans tous les cas, les stratégies d'échantillonnage standard mettent beaucoup de temps à converger, ce qui a conduit à une vaste littérature cherchant à améliorer cette situation.

Objectif du Stage :

L'objectif principal de ce stage est de développer des méthodes pour détecter a priori si une distribution donnée est multimodale et de quantifier son degré de multimodalité. Plutôt que de se concentrer sur des stratégies d'échantillonnage, nous visons à comprendre la dynamique sous-jacente des mappings entre une distribution simple (telle qu'une distribution gaussienne) et la distribution cible. En utilisant des outils provenant des systèmes dynamiques, tels que les équations différentielles ordinaires (ODE) et les équations aux dérivées partielles (PDE), nous cherchons à extraire des informations précieuses sur la multimodalité à partir de ces dynamiques.

Profil

• Etudiant en césure ou en fin d'études ( école d'ingénieur, master en mathématiques, statistiques ou équivalent ) 
• Solide base en Machine Learning et statistique.
• Fort intérêt pour les systèmes dynamiques (ODEs, PDEs) et l'analyse numérique.
• Expérience en programmation avec Python souhaitée.
• Intérêt pour la recherche et capacité à travailler de manière autonome et créative.

Date de Début : Flexible

DÉCLARATION SUR L’ÉGALITÉ DES CHANCES

Nous nous efforçons continuellement d’être un employeur offrant l’égalité des chances et nous interdisons toute forme de discrimination fondée sur le sexe, le handicap, l’origine, l’orientation sexuelle, l’identité de genre, l’âge, la race ou la religion. Nous croyons que notre diversité, nos apports diversifiés d’expérience et nos multiples points de vue sont les principaux facteurs de notre succès.

CFM est signataire des Women Empowerment Principles.

SUIVEZ-NOUS

Suivez-nous sur Twitter et LinkedIn ou visitez notre site Web pour en apprendre davantage sur CFM.