Fintech française de recherche quantitative
KASC Research, une fintech de recherche quantitative qui associe modélisation mathématique, machine learning et ingénierie financière pour concevoir des stratégies d’investissement systématiques.
Nous développons nos modèles et recherchons des partenaires pour les évaluer en conditions réelles. Échanger sur un partenariat
Pourquoi KASC existe
L’évaluation d’un signal tient compte des biais de données, des coûts d’exécution, de la concentration du portefeuille et de son exposition au marché.
Nous étudions les signaux, leur stabilité hors échantillon et leur apport à la construction du portefeuille. Le machine learning s’inscrit dans ce travail, avec les modèles de risque et l’optimisation sous contraintes.
Nous développons nos propres outils pour reproduire les expériences et préparer la revue indépendante de nos modèles.
Programmes de recherche
Les stratégies benchmarkées sont évaluées par rapport à un indice. Les stratégies de performance absolue sont évaluées selon leur rendement ajusté du risque et l’exposition de marché retenue.
Actions actives
Sélection systématique d’actions et optimisation sous contrainte de tracking error. Les écarts de poids par titre, secteur et zone géographique sont bornés dans l’optimiseur.
Sharpe absolu
Le portefeuille long/short est construit indépendamment d’un benchmark commercial. L’exposition nette au marché est un paramètre de conception, au même titre que l’exposition aux facteurs, le bêta, le gross, la volatilité, la concentration et le turnover.
Ingénierie du risque
Scénarios, budgets de risque, attribution, expositions cachées, stress historiques et simulations Monte Carlo servent à vérifier qu’une performance ne dépend pas d’un unique pari implicite.
De la donnée aux ordres
Chaque étape conserve ses données d’entrée et ses résultats. Les informations utilisées sont limitées à celles disponibles à la date de décision.
| Couche | Travail réalisé | Techniques utilisées | Contrôle principal | Sortie |
|---|---|---|---|---|
| 1. Univers | Reconstitution des constituants et poids disponibles à chaque date | Historique point-in-time, corporate actions, mapping ISIN | Biais de survivance et disponibilité réelle | Univers investissable J |
| 2. Données | Nettoyage, alignement et contrôle des prix, volumes et métadonnées | Tests d’intégrité, winsorisation, contrôles croisés | Valeurs aberrantes, trous et décalages temporels | Panel validé |
| 3. Représentation | Lecture des structures communes et des régimes de marché | PCA, clustering hiérarchique, graphes, modèles de régimes | Stabilité temporelle et causalité du filtrage | État de marché et facteurs latents |
| 4. Alpha | Construction et combinaison de signaux multi-horizons | Momentum, volatilité, rangs, ML supervisé et ensembles | Purging, embargo, robustesse hors échantillon | Score et incertitude par titre |
| 5. Risque | Estimation des covariances et des expositions | Ledoit-Wolf, EWMA, facteurs, scénarios et stress | Conditionnement, concentration et rupture de corrélation | Matrice de risque et limites |
| 6. Optimisation | Arbitrage rendement attendu, risque, coûts et contraintes | Optimisation convexe, budgets d’exposition et turnover | Faisabilité, sensibilité et solutions de repli | Portefeuille cible |
| 7. Exécution | Conversion des écarts de poids en ordres | Contrôles pré-trade, calendrier, coûts et liquidité | Prix disponibles, capacité et taille minimale | Ordres proposés |
| 8. Suivi | Surveillance de la dérive du modèle et du portefeuille | Logs, alertes, attribution et diagnostics de rupture | Intégrité, exposition, drawdown et dérive | Audit trail versionné |
Focus - Modèle Sharpe absolu
Le modèle long/short distingue l’exposition directionnelle de l’overlay de sélection. Son objectif de rendement est corrigé de l’exposition nette au benchmark. Le bêta réalisé et l’alpha de régression sont analysés séparément.
L’optimiseur combine les rendements attendus avec les budgets de risque et les limites d’exposition sectorielle, de style et aux facteurs latents.
Résultats et niveau de preuve
Les résultats présentés proviennent de travaux de recherche et de simulations historiques. Ils ne constituent pas un historique de gestion réelle audité.
Historique reconstruit, métriques absolues et relatives, drawdowns, coûts, turnover et expositions. La période, l’univers et les hypothèses sont documentés dans le dashboard.
DisponibleWalk-forward, sous-périodes, régimes, perturbation des paramètres, stress de coûts et analyse de sensibilité de l’optimiseur.
Intégrée au protocoleÉtape de validation en conditions réelles, distincte de l’historique simulé.
En constructionCe que nous publions
| Famille | Métriques | Question traitée |
|---|---|---|
| Performance absolue | Rendement annualisé, volatilité, Sharpe, Sortino | La rémunération du risque total est-elle suffisante ? |
| Performance relative | Alpha, tracking error, ratio d’information | La stratégie crée-t-elle de la valeur au-delà de son benchmark ? |
| Risque de perte | Max drawdown, durée de récupération, VaR et CVaR | Quelle perte historique ou simulée faut-il pouvoir absorber ? |
| Expositions | Net, gross, bêta, secteurs, styles et facteurs latents | D’où vient réellement la performance ? |
| Implémentation | Turnover, coûts, liquidité et concentration | Quel est l’effet des coûts et contraintes d’exécution ? |
Documentation de la recherche
Univers, calendrier, coûts, règles de rebalancement et limites sont visibles ou explicitables.
Une stratégie abandonnée, une période faible ou une contrainte irréalisable font partie du processus de recherche.
Nous distinguons objectifs, résultats simulés, tests live et performance commerciale auditée.
Versionnement, logs, contrôles, reprise sur incident et monitoring sont conçus avec le modèle.
À propos
Notre parcours associe finance de marché, allocation d’actifs, mathématiques et développement logiciel. Nous construisons une activité de recherche quantitative et les outils nécessaires à son déploiement.
Nos priorités sont le suivi des modèles en conditions réelles, la validation avec des partenaires professionnels et la préparation du cadre réglementaire nécessaire à leur déploiement.
Découvrir KASC Research →