Premier prix

• Hannah Maidment
  Sujet : "Hawkes Process-Driven Models for Limit Order Book Dynamics"
  Master : MSc in Mathematical and Computational Finance, University of Oxford
  
  "In my thesis, I consider the use of Hawkes processes to model the arrival of orders in a limit order book and show that they effectively capture the clustering behaviour observed in limit order book dynamics. In a world where electronic, order-driven markets are becoming ubiquitous, the advantages of developing a meaningful model for the dynamics of a limit order book are extremely broad. These range from gaining clearer insight into the role of supply and demand in price dynamics to informing the design of electronic trading algorithms and optimal execution strategies." 

Deuxième prix ex æquo 

• Rémy Vuillet
  Sujet : "Rough Volatility : Simulation and Calibration", réalisé chez BP Londres
  Master : MSc in Mathematical and Computational Finance, University of Oxford
  
  "Mon travail concerne les modèles à rough volatility, qui proposent une dynamique de la volatilité plus réaliste pour le cours des actions et indices boursiers. D’abord, je m’intéresse à la simulation du modèle Rough Heston et je constate la difficulté à concilier volatilité arbitrairement irrégulière et prix d’options corrects. Dans un second temps, j’améliore le benchmark pour la calibration de ces modèles avec réseau de neurones. Enfin, je propose une méthode simple pour estimer la régularité de séries temporelles en utilisant la "signature transform" de la théorie des rough paths."

• Thomas Hengstberger
  Sujet : "Increasing Venture Capital Investment Success Rates Through Machine Learning"
  Master : MSc in Mathematics and Finance, Imperial College
  
  "The thesis explores the use of machine learning models to identify successful startup investments for the purposes of Venture Capital (VC) investing. The process of how VC investments generate returns is formalised and then translated into a binary target variable, which hinges on a future investment entry point and a subsequent investment exit point.  To imitate how predictive models might be used in a commercial setting, three machine learning models (Logistic Regression, Random Forests and Extreme Gradient Boosting) are trained using historical data from Crunchbase, while their performance is evaluated based on the predictive accuracy on unseen data. The resulting models are able to correctly identify successful startup investments in 46-52% of cases within a 4-year outcome period, which compares favourably to the typical VC 30% success rate."

Lauréats 2020

De gauche à droite : Jean Cheval, président de la Fondation Natixis pour la recherche et l'innovation ; Gilles Pagès, directeur du Master Probabilités et Finance de l'Université Pierre et Marie Curie Paris 6 et École Polytechnique ; Olivier Pironneau (sur l'écran), Académie des Sciences et membre du conseil scientifique de la fondation ; Mathieu Rosenbaum, professeur à l'École Polytechnique et lauréat du Prix Louis Bachelier 2020 ; Nicole El Karoui, fondatrice du Master Probabilités et Finance de l'Université Pierre et Marie Curie Paris 6 et École Polytechnique ; Pierre Gasnier (sur l'écran en haut à droite), lauréat 2020 du Prix du meilleur mémoire de master, Université Pierre et Marie Curie Paris 6 et École Polytechnique ; Charles-Albert Lehalle (sur l'écran en bas à droite), Capital Fund Management et membre du conseil scientifique de la Fondation Natixis ; Lukas-Benedikt Fiechtner, lauréat du prix de la Fondation Natixis du meilleur mémoire de master, University of Oxford ; Michel Crouhy, président du comité scientifique de la Fondation Natixis.

• Pierre Gasnier
  Sujet : "Mean Field Game Theory for Gas Storage Valuation", réalisé chez BP Londres
  Master : M2 Probabilités et Finance de l’Université Pierre et Marie Curie Paris 6 et École Polytechnique
  
  "Le sujet de mon travail a été de résoudre un problème de trading optimal dans lequel les variations de prix dépendent des actions, achat ou ventes, des agents sur le marché. La théorie des jeux à champs moyen vient simplifier ce problème en considérant qu'il y a une infinité d'agents mais qu'ils ont individuellement un impact infinitésimal sur le prix. Dans mon mémoire, je montre que l'état d'équilibre de ce jeu peut être vu comme la solution d'une certaine équation différentielle mais aussi comme la limite d'une suite de jeu où les agents adaptent naïvement leurs stratégies aux jeux précédent, nous donnant ainsi deux méthodes numériques différentes pour résoudre le problème. Ce genre de modèle est intéressant pour une entreprise comme BP car cela lui permet, par exemple, d'optimiser ses opérations de trading de gaz en anticipant mieux les périodes de faible ou forte liquidité." 

• Lukas-Benedikt Fiechtner
  Sujet : "Risk Management with Generative Adversarial Networks"
  Master : MSc in Mathematical and Computational Finance, University of Oxford
  
  "Dans mes travaux, j'applique les réseaux adverses génératifs (General Adversarial Networks ou GAN), une technique novatrice de machine learning, afin de générer des trajectoires de prix dont les propriétés statistiques répliquent celles des séries financières observées sur les marchés. En s'appuyant sur ce pouvoir génératif, on peut considérablement élargir les séries de données disponibles pour estimer les mesures de risques telles que la valeur à risque (VaR). Un backtest hors échantillon démontre que cette méthodologie peut rivaliser des méthodes traditionnelles de projection de valeur à risque, telles que la simulation historique. Ces travaux ouvrent également la voie à des applications futures des GANs dans les mathématiques financières. Par exemple, on pourrait réaliser des backtests sur les stratégies de trading en utilisant des données générées artificiellement."

Historique des lauréats