Mohamed Aqaoui

J’ai travaillé sur la surveillance du risque systémique des marchés financiers à travers la construction et l’automatisation d’indicateurs quantitatifs. J’ai développé un Composite Indicator of Systemic Stress (CISS) intégrant la normalisation des séries, le calcul de corrélations croisées et une pondération par régression afin de refléter la contribution macroéconomique des différents segments de marché.

En parallèle, j’ai conçu un indice de sentiment financier à partir d’actualités économiques en utilisant des techniques de NLP (collecte automatisée, nettoyage textuel, embeddings CamemBERT). J’ai comparé les performances des indicateurs de marché et de sentiment, puis mis en place des modèles de prévision statistiques et de deep learning, atteignant une erreur moyenne de prévision d’environ 5 %. Les résultats ont été utilisés comme outils d’aide à la décision pour la veille macro-prudentielle.

Conception et développement de modèles de credit scoring destinés à évaluer le risque de défaut de clients dans un contexte de crédit à la consommation. Le projet a débuté par une phase de nettoyage et de structuration des données (traitement des valeurs manquantes, encodage, normalisation), suivie d’une analyse exploratoire approfondie des comportements de remboursement.

J’ai mis en place des modèles statistiques et de machine learning (régression logistique, arbres de décision, modèles régularisés) ainsi que des scorecards interprétables utilisées par les équipes métiers. Les modèles ont été évalués à l’aide d’indicateurs standards du risque (AUC, Gini, KS), avec un fort accent sur l’interprétabilité et la stabilité des scores.

Le livrable final inclut une méthodologie claire, des règles de décision et des recommandations opérationnelles pour l’octroi et la gestion du risque de crédit.

Projet de prévision du prix de clôture de la cryptomonnaie Solana à partir de données historiques de marché. J’ai collecté et nettoyé plusieurs années de données (prix, volumes, indicateurs techniques), puis réalisé une analyse exploratoire approfondie pour identifier les tendances, cycles et régimes de volatilité.

J’ai développé et comparé plusieurs modèles de séries temporelles, notamment ARIMA et des réseaux de neurones LSTM, afin d’évaluer leur capacité prédictive. Les performances ont été mesurées à l’aide de métriques telles que MAE et RMSE, avec une amélioration significative par rapport aux modèles naïfs.

Le projet a permis de produire des prévisions exploitables pour l’aide à la décision financière, accompagnées de visualisations claires et d’une interprétation orientée métier.