Thomas Roiseux

🎓 Formation d’ingénieur de haut niveau à l’interface entre les mathématiques appliquées, l’informatique avancée et l’ingénierie des systèmes. Approche axée sur la résolution de problématiques industrielles complexes via la modélisation, la simulation et l’implémentation performante. ➤ Programmation bas-niveau & systèmes : Développement en C/C++ avec gestion fine de la mémoire, des performances et de l’optimisation algorithmique. ➤ Informatique scientifique & Python avancé : Maîtrise des bibliothèques scientifiques (NumPy, Pandas, Scikit-learn, matplotlib), multithreading et programmation parallèle. ➤ Calcul haute performance (HPC) : Implémentation de solutions parallèles avec CUDA, OpenMP et MPI sur architectures CPU/GPU multicœurs. ➤ Data engineering & machine learning : Construction de pipelines de données, nettoyage, transformation, régression, classification, et évaluation de modèles. ➤ Optimisation numérique : Résolution de problèmes linéaires/quadratiques, avec ou sans contraintes, et mise en œuvre d’algorithmes adaptés à grande échelle. ➤ Architecture logicielle et matérielle : Conception de systèmes équilibrés (CPU/GPU), compréhension de l’architecture des ordinateurs et des contraintes de performance. ➤ Finance quantitative & modélisation économique : Application des méthodes algorithmiques à la finance de marché (risques, pricing, simulations stochastiques). ➤ Mathématiques appliquées : Probabilités, statistiques, analyse numérique et résolution de systèmes complexes. ➤ Projet industriel de fin d’études : Réalisation d’un projet concret d’ingénierie des données en lien avec une entreprise, avec déploiement de solutions réelles.

🎓 Double diplôme combinant modélisation financière, data science et calcul haute performance, avec une approche concrète et technique appliquée aux marchés financiers. ➤ Modélisation financière avancée : pricing des produits dérivés (options, swaps), gestion de portefeuille, calibration de modèles. ➤ Méthodes stochastiques : processus de diffusion (Black-Scholes, Heston), simulation de scénarios, évaluation des actifs et gestion des risques. ➤ Data science appliquée à la finance : traitement de séries temporelles, construction de pipelines de données, visualisation et analyse. ➤ Machine learning : utilisation de modèles prédictifs (régression, classification, clustering) pour la prévision d’actifs et l’aide à la décision. ➤ Calcul haute performance (HPC) : simulations Monte Carlo, parallélisation (CUDA, OpenMP), optimisation des performances algorithmiques. ➤ Développement d’outils automatisés : dashboards interactifs, automatisation des analyses et reporting financier. ➤ Conformité & gouvernance des données : prise en compte des contraintes réglementaires (Bâle, Solvabilité II, IFRS 9). ➤ Projet de fin d’études : intégration de l’ensemble des compétences dans un cas réel : modélisation, HPC, automatisation, restitution visuelle.