Jean-Philippe N’Dri : Focus sur les métiers de Quant Analyst et Data Scientist

Présentation du personnage (Etat Civil, Parcours Scolaire)

État Civil

•Nom : Jean-Philippe N’Dri

•Profession : Quant & Data Scientist et Founder of AI For QuantResearch

•Langues : Français (natif), Anglais (courant)

•Age : 25 ans

Parcours Scolaire

•École Polytechnique (Paris) Master en Finance Quantitative (Ex DEA El Karoui) – Double diplôme avec Sorbonne Université

•NEOMA Business School (Paris) MSc en Finance Quantitative & Big Data

•Université de Poitiers Licence en Économie, Statistique et Finance

Pourrais-tu nous lister tes différentes expériences professionnelles ?

•LBP Asset Management (Paris) – Quantitative Analyst Depuis 06/2024

•Ai For Quant Research (Paris) – Fondateur & Head of Quantitative Research Depuis 2024

•Société Générale CIB (Paris) – QIS Quantitative Researcher & ETF Research Analyst 10/2024 – 03/2025 stage

•BPCE (Paris) – Data Scientist 09/2022 – 07/2024 (alternance puis CDI)

•Crédit Mutuel Arkéa (Brest) – Data Analyst 09/2021 – 09/2022 (alternance)

Pourrais-tu nous parler de ton stage en tant que Quant Researcher à la société générale ? (à quoi faut-il s’attendre concernant ce métier)

Lors de mon stage chez Société Générale CIB en tant que QIS Quantitative Researcher au sein des équipes Cross Asset Quant Research & ETF Research, j’ai travaillé sur la conception et l’implémentation de stratégies systématiques, allant de l’Equal Risk Contribution et de l’Hierarchical Risk Parity à des approches plus avancées intégrant le deep learning pour optimiser la performance des portefeuilles. J’ai travaillé aussi sur des modeles factorielle pour trouver des facteurs de risk alternative dans le marché, et j’ai également appliqué des méthodes de clustering pour construire de Indices thématiques dans l’univers des ETF européens. Une partie importante de mon rôle consistait aussi à automatiser le traitement et l’analyse de bases de données massives (plus de 5 000 ETF) afin d’améliorer la rapidité et la fiabilité des processus. Enfin, j’ai contribué à la construction de modèles d’ESG scoring pour plusieurs milliers d’ETF actions et obligations, intégrant des critères environnementaux, sociaux et de gouvernance. Ce stage m’a permis d’allier rigueur académique et application pratique, en développant des modèles robustes et directement utiles aux équipes.

Dans le métier de Quantitative Researcher, il faut s’attendre à un rôle mêlant recherche, programmation et finance de marché. Le quotidien consiste à concevoir, tester et implémenter des stratégies systématiques (factorielles, thématiques, risk premia, trend-following), tout en s’assurant de leur robustesse à travers des backtests rigoureux. Le poste demande une forte exigence technique, avec une utilisation quotidienne des mathématiques financières, des statistiques, du machine learning et de la programmation (souvent en Python ou C++). C’est aussi un métier transversal : le quant travaille en étroite collaboration avec les structurers, traders et sales pour transformer la recherche en produits commercialisables (indices propriétaires, produits structurés, solutions d’allocation). Enfin, il faut être prêt à évoluer dans un environnement exigeant, où la rapidité d’exécution, la rigueur et la capacité à innover sont essentielles pour répondre aux besoins des clients et rester compétitif sur les marchés.

Pourrais-tu nous parler de ton passage en tant que Data Scientist au groupe BPCE ? (À quoi faut-il s’attendre concernant ce métier)

Mon passage en tant que Data Scientist au sein du groupe BPCE m’a permis de travailler sur des problématiques de scoring crédit et de détection de fraude à partir de données clients de la banque de détail. J’ai conçu et déployé des modèles de machine learning capables d’améliorer la prédiction des défauts de paiement, en traitant notamment le déséquilibre des classes grâce à des techniques comme SMOTE et ADASYN. Ce poste m’a également donné l’occasion de développer des analyses approfondies du comportement client, de mettre en place des tableaux de bord interactifs (Matplotlib, Seaborn, Plotly) pour faciliter la prise de décision par les équipes métiers, et de contribuer directement à l’amélioration des processus de gestion des risques. Cette expérience m’a apporté une solide maîtrise de l’industrialisation des modèles et m’a permis de relier les approches quantitatives aux enjeux stratégiques et opérationnels d’une grande banque.

Dans un poste de Data Scientist en banque, il faut s’attendre à travailler au carrefour de la donnée, de la technologie et du risque financier. Le métier consiste à analyser de grands volumes de données clients ou de marché afin d’en extraire des insights actionnables pour améliorer la gestion des risques, optimiser l’offre de produits ou renforcer la détection de fraude. On est amené à concevoir, tester et industrialiser des modèles de machine learning, en veillant à leur robustesse et à leur capacité de généralisation. L’environnement demande de la rigueur statistique, une maîtrise des outils techniques (Python, SQL, visualisation de données, big data), et une bonne communication pour traduire des résultats complexes en recommandations claires pour les équipes métiers et les décideurs. C’est un métier où la valeur ajoutée réside autant dans l’expertise technique que dans la capacité à répondre à des enjeux business concrets.