Thelavorin - Notre histoire, nos principes et l’équipe

Qui ose remettre la volatilité au centre du débat financier ?

Volatilité croisée : fluctuation simultanée entre plusieurs marchés ou actifs, rarement synchrone, souvent sous-estimée. Vous pensiez que tout était prévisible ? Nous avons déconstruit cette idée. Notre plateforme est née du scepticisme face aux recettes magiques et de l’envie d’explorer les vraies limites des modèles statistiques. Vous voulez comprendre plutôt que suivre. On l’a bâti pour vous.

Personne ne définit la volatilité pour vous ? Nous oui. Ici, chaque décision de modélisation s’ancre dans une remise en question constante de la norme financière. Notre parcours ? Traverser les clichés pour aller à l’essentiel.

La mission : tordre le cou à l’approche intuitive et injecter du rationnel dans l’étude des dynamiques de prix. Vous cherchez des certitudes ? Passez votre chemin. Ici, tout commence par la question que personne n’ose poser.

Notre vision : démocratiser l’accès à l’analyse de la volatilité croisée, avec la rigueur du deep learning et le recul des statistiques classiques. On préfère vous confronter à vos biais plutôt que vous vendre du rêve.

Notre équipe

Quatre voix discordantes. Un même objectif : bousculer la prévision de volatilité croisée en France.

Louis Garnier

Responsable modélisation

Master Mathématiques appliquées Université Paris-Diderot

Volatilité multi-actifs

Cabinet QuantaTech

Certifications:

Certification AMF marchés financiers CFA Niveau 1 validé

Méthodologies:

Processus ARIMA Réseaux de neurones convolutionnels Test de robustesse Bayésien Backtesting multidimensionnel Analyse de corrélation croisée

Compétences clés:

Analyse quantitative avancée Rédaction scientifique Python appliqué aux marchés Synthèse des données

Adepte du contre-exemple, il privilégie les modèles qui résistent aux modes passagères.

Nadia El Khalfi

Lead data scientist

MSc Data Science ENSIMAG Grenoble

Réseaux de neurones

DataX Conseil

Certifications:

Data Scientist certifiée SAS Formation avancée Deep Learning CQP Analyse financière

Méthodologies:

Réseaux neuronaux récurrents Bootstrap statistique Validation croisée Décomposition spectrale Clustering hiérarchique Optimisation stochastique

Compétences clés:

Programmation R & Python Visualisation de données Validation de modèles Automatisation des analyses

Férue d’expérimentation, elle challenge chaque présupposé par des simulations concrètes.

Julien Peltier

Coordinateur méthodologies

Diplôme Ingénieur statistiques Université de Strasbourg

Risques financiers

FinanSys Audit

Certifications:

Risk Manager IRM Formateur en statistiques avancées

Méthodologies:

VaR paramétrique Régressions multiples Analyse de scénarios Échantillonnage stratifié Méthode Monte-Carlo

Compétences clés:

Gestion de projet agile Rédaction technique Analyse de risques Audit de méthodologies

Il manie l’humour pour désamorcer les faux débats et recentrer sur les corrélations brutes.

Sophie Legrand

Développeuse senior

Licence Mathématiques Université Lyon 1

Automatisation statistique

NumericBrains

Certifications:

Expert Python Data Science Certification Machine Learning INRIA

Méthodologies:

Forêts aléatoires Analyse de variance Sélection de variables Séries temporelles hybrides Calibration de modèles Simulation de scénarios

Compétences clés:

Développement logiciel Gestion de bases de données Data cleaning avancé Optimisation algorithmes

Elle décrypte les tendances cachées et démystifie les outils statistiques avec un humour sec.

Notre trajectoire

Aucune vérité gravée dans le marbre. Chaque étape questionne ce que vous croyiez savoir sur la volatilité croisée.

Genèse du projet

D’abord, une évidence qui dérange : la volatilité croisée n’a rien d’univoque. Premier jalon, création d’un groupe informel de sceptiques face aux modèles linéaires classiques. Refus de se plier à la pensée unique, adoption des premières méthodes mixtes.
Rupture méthodologique

Deuxième rupture : intégration du deep learning dans l’analyse. Passage des soirées à confronter l’algorithme aux cas d’école et aux anomalies historiques. Publication des premiers résultats en séminaire, là où personne ne les attendait.
Maturité collective

Formalisation de la plateforme actuelle. L’équipe s’agrandit, les débats s’intensifient. Mise en place de processus internes : test adversarial, documentation publique, et refus systématique de la complaisance analytique.

Nos valeurs clés

Notre feuille de route : l’irrévérence méthodique et la transparence calculée, au service de votre discernement.

Scepticisme constructif

Scepticisme actif : jamais d’acceptation aveugle, toujours l’analyse contradictoire. Vous ne trouverez ici aucun dogme, seulement des questions pointues.

Transparence totale

Transparence radicale : chaque hypothèse, chaque erreur affichée. Vous voulez voir comment la machine se trompe ? C’est documenté, noir sur blanc.

Hybridation méthodologique

Méthodes hybrides : la fusion entre statistique classique et deep learning, choisie non pour faire moderne mais pour répondre à la complexité réelle des marchés.

Pragmatisme radical

Pragmatisme assumé : pas de théories fumeuses. Si une méthode ne survit pas au test empirique, elle finit à la corbeille. Votre temps, comme le nôtre, mérite mieux.

Notre équipe

Louis Garnier

Certifications:

Méthodologies:

Compétences clés:

Nadia El Khalfi

Certifications:

Méthodologies:

Compétences clés:

Julien Peltier

Certifications:

Méthodologies:

Compétences clés:

Sophie Legrand

Certifications:

Méthodologies:

Compétences clés:

Notre trajectoire

Genèse du projet

Rupture méthodologique

Nos valeurs clés

Scepticisme constructif

Transparence totale

Hybridation méthodologique

Pragmatisme radical

Préférences cookies