NOMBRES - Curiosités, théorie et usages Accueil DicoNombre Rubriques Nouveautés Édition du: 11/09/2015 Orientation générale  DicoMot Math Atlas Références M'écrire Barre de recherche DicoCulture Index alphabétique
	SAVOIR
Débutants Général	Intelligence			Glossaire Général
INDEX Logique	Bon en maths?	Intelligence	Intelligence artificielle
	Raisonnement	Français et maths	Quants (finance)
		Sommaire de cette page >>> Mathiness >>> Quants >>> Maths et crise financière >>> Data Scientists

QUANTS Ingénieurs-mathématiciens de la finance. Experts de mathématiques quantitatives. Chargés d'éclairer les traders dans leurs choix.

DATA SCIENTISTS Généralisation à tous les domaines concernés par l'emploi de données massives (big data)

Économétrie

Économétrie: consiste à représenter un phénomène sous forme d’équations dont les variables sont des grandeurs économiques.

Mathiness

La mathiness consiste à utiliser les mathématiques, non pas comme un outil permettant de clarifier la pensée, mais au contraire, comme un chapeau magique permettant de faire passer une « mascarade » pour de la science. Selon l’économiste américain Paul Romer dans son article: Mathiness in the Theory of Economic Growth – American Economic Review. The style that I am calling mathiness lets academic politics masquerade as science. Like mathematical theory, mathiness uses a mixture of words and symbols, but instead of making tight links, it leaves ample room for slippage between statements in natural versus formal language and between statements with theoretical as opposed to empirical content. Il est en effet assez simple de faire dire ce que vous voulez à un modèle : il suffit de changer quelques hypothèses, de placer une notion vague sous une variable, ou d’ajouter des restrictions par-ci par-là, et vous arriverez assez facilement à la conclusion que vous désirez ! Bien évidemment, un spécialiste dans le domaine sera en mesure d’identifier cela… Mais combien de personnes sont capables de comprendre en détail les démonstrations mathématiques d’un modèle ? Les mathématiques en économie ne peuvent pas être utilisées de la même manière que les mathématiques en physique. En physique, lorsque l’on pose une équation, il est possible de vérifier que la valeur mesurée d’un phénomène est égale (ou très proche) de la valeur estimée par votre équation. Vous avez une équation pour la trajectoire d’un boulet de canon, vous lancez un boulet de canon, et vous vérifiez si votre équation est bonne. En économie, les équations servent à estimer des choses que l’on ne sait même pas mesurer en réalité ! Vous voulez mesurer le bien-être d’une population (notion complexe à définir même avec des mots) : vous posez alors une équation… mais vous ne pouvez pas vraiment vérifier la véracité de vos estimations.

D'après Contrepoints – Thomas Renault – 11/09/2015

QUANTS

Adeptes de mathématiques quantitatives. Essentiellement en probabilités et statistiques. De plus, appliqués au domaine financier. Ils s'emploient à trouver des méthodes aptes à maximaliser les profits des organismes financiers lors des achats et des ventes de produits boursiers (actifs financiers, comme des contrats à terme ou futures qui consistent à vendre un certain produit à une certaine date à un prix convenu aujourd'hui). Allant jusqu'à implémenter les algorithmes qui en résultent sur des ordinateurs qui procèdent aux opérations bancaires automatiquement (robots). Certains se désespèrent de ce type d'actions: rotations d'argent virtuel: le même produit est recyclé des dizaines de fois à la vitesse des ordinateurs créant une circulation financière incroyable, bien au-delà de la valeur réelle sous-jacente. Dans les cours de macro-économie (que j'ai suivi) en 1980, on indiquait déjà un décuplement. risque d'erreurs même minimes qui se démultiplie sur la quantité de transactions et peut exploser en une catastrophe mondiale (comme celle du 6 mai 2010 où Wall Street plongeait de 9% en 20 minutes; les cotations ont été suspendues). décisions automatisées, reléguant l'homme à un rôle d'assisté, de subordonné; prélude à d'autres substitutions de l'homme par la machine, à terme? après tout, est-ce que le comportement humain se prête à une modélisation, même sophistiquée. N'est-il pas sujet à l'effet papillon, la divergence chaotique? C'est ce que prétend Mandelbrot. Benoît Mandelbrot (1924-2010) publie The (Mis)Behaviour of Markets, Il y propose une approche fractale des marchés et dénonce l'inadaptation des outils mathématiques de la finance.

Maths et crise financière

Le marché des produits financiers dérivés se chiffre à des centaines de milliers de milliards de dollars Produits dérivés: quelques 100 000 milliards (10^2 x 10^3 x 10^9 = 10^14 $); PIB mondial 2011: 70 000 milliards de dollars. Exemple d'option d'achats et produits dérivés: Je possède une action; Quelqu'un s'engage à me l'acheter à un prix convenu mais dans un an; Je la vends avant l'échéance d'un an; etc. Comment fixer les prix dans ces différentes options d'achat? La résolution de ces problèmes emploie les meilleurs mathématiciens. En fait le troisième poste d'esmploi après l'enseignement et la recherche. Attrait d'une science nouvelle et dynamique ? Ou perspective de salaires et bonus à l'aune des celle connue pour les traders? Question: est-ce que ces mathématiciens et physiciens probabilistes sont responsables de la crise financière? En fait, ces personnes (les quants) ne créent pas de produits financiers dérivés. Ils évaluent leur montant et les risques associés à l'aide de modèles qui simulent le jeu des transactions financières. Chaque société financière possède son modèle qui s'avère plus ou moins efficace. Il est perpétuellement ajusté et enrichi pour se rapprocher de la réalité constatée. Les premiers modèles datent des années 1970. Dans la société où je travaillais, un service de recherches pures regroupait une petite centaine de mathématiciens-physiciens. Dans les années 1980, certains d'entre eux ont quitté la société, attirés par les sirènes financières. Je les entends encore me vanter ce nouveau champ d'exploration pour leur science et les perspectives de gains à la clé. Les modèles ne sont pas simples. Ils deviennent d'une complexité extrême avec l'ambition d'une modélisation globale. Les mathématiciens font intervenir des outils de plus en plus sophistiqués: évaluation des risques comme dans tout projet industriel; test de résistance avec déroulement de scénarios catastrophes; volatilité stochastique; processus de saut; théorie des jeux à champ moyen théorie des réseaux; etc. N'oublions pas qu'il s'agit de comportements humains et que le social ne se laisse pas modéliser si facilement …

D'après (librement): Olivier Pironneau – Mathématicien (Membre de l'Académie des sciences) – Le Figaro – 23/12/2012

Spécialiste de données – Data Scientist
Métier élu le plus sexy du 21^e siècle. Métier à la croisée des domaines scientifiques, business et informatique. Nécessite la compréhension du domaine d'application et des besoins de l'utilisateur. Il s'agit de collecter des données brutes et de les mettre en relief selon la lecture voulue par l'utilisateur: segmentation, clustering (regroupement), profilage (comportements typiques), etc. La formation à ce métier commence à se développer en France tant la demande est forte. De solides connaissances en mathématiques sont exigées. Les disciplines enseignées: Gestion et analyse de grandes masses de données; Analyse de données complexes: texte, images, graphes); Algorithme de machine learning; Technologies de stockage de grandes masses de données; et Technique du calcul distribué.	Un métier qui consiste à "faire parler" les Big Data: récupération des données; application d'outils efficaces: algorithmes, statistiques, modèles mathématiques; et émission de conclusions pertinentes: moyennes, tendances, variantes, etc. Algorithmes: il en existe quelques uns qui sont préférentiels et constamment améliorés. Ils utilisent la technologie des systèmes experts ou de l'auto-apprentissage (machine learning) . Quelques mots du spécialiste de données: algorithme analyse de réseaux analyse statistique des donnés massives apprentissage supervisé, auto-apprentissage calcul et stockage distribués community management data engineering data et graph mining données structurées, numériques, textuelles, web, multimédia gestion de données hacker mindset modèle de Markov caché (MMC ou HMM) nomenclature des problèmes réseaux sociaux stratégie de marketing numérique visualisation de données massives

Source: Marketing et Innovation – 23/07/2015

Suite	Intelligence artificielle Les 17 équations qui ont changé le monde
Voir	Décimalisation (Bourse) Étudiants Mémoire
Site	Y-a-t-il un avenir pour les quants après la crise ? – Michel Crouhy – Images des mathématiques – CNRS – 2008 Science des données – Wikipédia
Cette page	http://villemin.gerard.free.fr/aEnseign/Quants.htm