Guillaume Bronsart

• Création full stack d'une interface digitale  UX et retours clients directs  de la feuille blanche au dépôt : HTML, CSS, Java script, python 3.8, Php, Vim, bash, administration, dépôt, communication client/server • Création d'algorithmes performants, application des graphes, analyse statistique, gestion de l'interface machine • Déploiement (en cours) d'une deuxième interface digitale dédiée aux approches suivantes :  solutions prédictives  management moderne  solutions digitales (bases de données et performance)  le team building  la communication externe et politique  la cryptographie  l'ingénierie économique et financière  "data acquisition" et "webscraping"  automatisation UX • Création d'un outil de détection d'opportunités d'investissement/trading + gestion statistique de portefeuille (VaR,CVaR) • Développement de l'outil de pricing

• Projet d'exploration de potentialités digitales de gestion clientèle. • Développement d'une interface front-end/back-end de recueil des données clients, ainsi que du suivi clientèle  Recueil du besoin client (conception de base de données, utilisation d'une interface)  Mise en oeuvre de la solution proposée  Gestion des interactions front-end/back-end

• La conception d'un cluster de calcul permettant le déploiement de jobs Big Data en Scala/Spark  Test des différentes distributions disponibles (Debian, Arch, Ubuntu...)  Déploiement des distributions, création des comptes, des droits  Administration des noeuds du cluster en ligne de commande (CLI)  Paramétrage des fichiers de configuration  Communications client/server  Installation de HDFS, YARN, JAVA, SCALA, SPARK  Utilisation du Spark-shell  Préparation des jobs à lancer avec SBT • Projet de machine learning et de webscraping de données publiques, mis en relation avec le DataLake. Applications de différentes méthodes de machine learning sur les données  Développements d'outils de webscraping de données publiques  Alimentation automatique des données du DataLake  Requêtes et extractions des données du DataLake  Préparation et format des données  Test des méthodes de machine learning disponibles (Tensorflow, scikitLearn)  Application des différents modèles : K-Means, KNN, ARMA, ARCH, GARCH, EGARCH, APARCH, Fourier, LTSM, SVM, Bayesien, probabilités, normale et autres, jumps, SWARM, combinatoires , évaluation d'intégrales, algorithme génétique, LU, ILU, SVD, ACP, convolution, optimisation déterministe  Ecriture d'un algorithme de réseau de neurones, comparaisons de performances  Visualisation des données  Ecriture de la documentation de suivi Technologies utilisées : Big data, Python 2.7 (scikitLearn, Tensorflow, Matplotlib), Vim, scripting, Git

• Implémentation et déploiement de l'interface digitale, focus sur l'aspect fonctionnel Technologies utilisées : Html, Css, BootStrap, Js, Json

• Suivi du RMBS (Residential Mortgage Backed Securities) CFHL-1 (922M€) émis  Pricing de RMBS  Analyse du pool de prêts  Reporting et automatisation  Suivi de la Waterfall  Analyses sur les indicateurs LGD, PD, EAD et méthodologie Fitch  Suivi du swap émis Technologies utilisées : Microsoft office, Reuters

• Design, tests et sélections de stratégies d'allocation d'actifs, G10 Spot FX  Design d'un algorithme d'optimisation aléatoire, drawdown, implémentation d'un algorithme génétique  Recueil et analyse des résultats Technologies utilisées : Microsoft office, Scilab

• Calcul des couts de refinancements avec le logiciel Accessis • Contrôle des émissions de papiers commerciaux (Européens, Américains) • Formation d'un collaborateur

• Reporting des ventes mondiales de véhicules neufs • Construction de macro de reporting automatiques • Transfert de l'application développée au sein du département Contrôle de Gestion Monde à la Direction des Services Informatiques (DSIR)