Natixis — Investor Presentation (October 2025)
22 slides from Natixis's investor presentation, October 2025
Slide 1: De l’équation qui a changé la finance… à celle qui apprend toute seule
Deuxième Prix 2025 de la Fondation NATIXIS du Meilleur Mémoire de Master de Finance Quantitative De l’équation qui a changé la finance… à celle qui apprend toute seule. Présenté par Kettani Al Mamoune 1
Slide 2: Ceux qui apprennent du chaos survivent mieux
“Ceux qui apprennent • Marchés du chaos survivent • Volatilité constante émotionnels • Chocs, bulles, mieux, car ils adaptent • Marchés rationnels crises • Risques leurs stratégies aux mesurables incertitudes du marché.” NASSIM NICHOLAS TALEB 2
Slide 3: Sommaire
Sommaire 1. Introduction 2.Les modèles traditionnels de valorisation 3.Le Machine Learning appliqué à la finance 4.Résultats et analyses comparatives 5.Vers une finance adaptative et résiliente 3
Slide 4: Quand le kérosène décide du destin d’une compagnie aérienne
1 - Introduction Quand le kérosène décide du destin d’une compagnie aérienne Pourquoi les entreprises ont besoin de protection : le rôle des produits dérivés • Contrat à terme (Forward / Future) : engagement ferme à un prix fixé • Option : droit sans obligation, la flexibilité face à l’incertitude L
Slide 5: Les options : transformer l’incertitude en opportunité
1 - Introduction Simulation du prix du kérosène et niveaux d’options Les options : transformer l’incertitude en opportunité Comme une assurance, elle coûte une prime, et protège contre une hausse ou une baisse 5 imprévisible des prix.
Slide 6: Comment savoir si une option est “justement” valorisée ?
1 - Introduction Comment savoir si une Arbre binomial pour la tarification des options option est “justement” valorisée ? Monte Carlo - Simulation du prix du kérosène Les modèles classiques de valorisation des options • Arbre Binomial • Simulation de Monte-Carlo • Black-Scholes Merton 6
Slide 7: Du hasard au modèle
2 - Les modèles traditionnels de valorisation Du hasard au modèle Introduction au modèle de Black-Scholes Mouvement brownien géométrique (GBM) -Modélisation continue du prix d’un actif financier St = S0 × exp((μ − ½σ²)t + σWt) Sₜ : prix au temps t μ : rendement σ : volatilité S₀ : prix initial Wₜ :
Slide 8: Le modèle de Black-Scholes
2 - Les modèles traditionnels de valorisation Le modèle de Black-Scholes (1973) Valorisation théorique d’une option européenne Le modèle de Black- Scholes De l’intuition au Nobel. Stratégie de couverture delta-neutre • C : Prix théorique de l’option Call Portefeuille à risque nul (Δ = 0) • St : Prix
Slide 9: Heston et Merton : rendre les modèles plus vivants
2 - Les modèles traditionnels de valorisation Les modèles post-Black- Scholes : quand la réalité s’invite dans les équations • Modèle de Heston (1993) • Modèle de Merton (1976) • Volatilité stochastique • Sauts de prix • Reproduit le “smile” de • Capture les chocs et volatilité observé sur les annon
Slide 10: Le Machine Learning appliqué à la finance
3 - Le ML appliqué à la finance Le Machine Learning La sagesse de la foule appliquée à la finance Seul, on devine. Ensemble, on apprend. Conditions du succès : performance > 50 % diversité entre modèles 10
Slide 11: Le Bagging : Plusieurs cerveaux, une seule décision
3 - Le ML appliqué à la finance Le Bagging : Plusieurs cerveaux, une seule décision • Principe : Plusieurs modèles entraînés sur des données légèrement différentes • Objectif : Réduire la variance, stabiliser les prédictions 11
Slide 12: Le Boosting : Quand les modèles coopèrent
3 - Le ML appliqué à la finance XGBoost Le Boosting : Quand les modèles coopèrent. • Principe : Modèles entraînés successivement pour corriger les erreurs précédentes • Objectif : Réduire le biais, augmenter la performance 12
Slide 13: Les variables explicatives du modèle d’apprentissage
3 - Le ML appliqué à la finance Les variables explicatives du modèle d’apprentissage Y = f(X₁, X₂, X₃, ..., Xₙ) X₁ – Prix du sous-jacent (S₀) X₂ – Prix d’exercice (K) Seuil fixé à l’avance. X₃ – Temps jusqu’à l’échéance (T) X₄ – Volatilité implicite (σ) X₅ – Taux sans risque (r) Y est le prix réel o
Slide 14: Les filtres méthodologiques : purifier les données
4 - Résultats et analyses comparatives Les filtres méthodologiques : purifier les données pour Exclusion des options non révéler la vérité standardisées Suppression des maturités < 7 jours Exclusion des maturités > 1 an et des faibles volumes Retrait des volatilités < 15 % ou > 200 % Exclusion des o
Slide 15: Les modèles et tests appliqués
4 - Résultats et analyses comparatives Les modèles et tests appliqués : Machine Learning vs. modèles classiques : le match. Indicateurs de performance 1. R² Pouvoir explicatif du modèle 2.RMSE Erreur moyenne Elastic Net quadratique • Black- SVR 3.sMAPE Erreur de pourcentage Scholes Random Forest sym
Slide 16: Le verdict des chiffres
4 - Résultats et analyses comparatives Le verdict des chiffres Résultats globaux : la supériorité nette du Machine Learning Performance selon les secteurs Performance globale par modèle 16
Slide 17: Le verdict des chiffres
4 - Résultats et analyses comparatives Le verdict des chiffres Résultats globaux : la supériorité nette du Machine Learning 17 Comparaison avec les Méthodes de Simulation
Slide 18: Conclusion : Quand la finance apprend du chaos
5 - Vers une finance adaptative et résiliente Conclusion : Quand la finance apprend du chaos De la modélisation à l’apprentissage La finance n’imite plus le monde, elle s’y adapte. 18
Slide 19: Perspectives d’évolution : la suite du voyage
5 - Vers une finance adaptative et résiliente Perspectives d’évolution : la suite du voyage Axe d’évolution : 1. Enrichir les variables 2.Étendre à d’autres produits 3.Créer une hybridation 19
Slide 20: Perspectives d’évolution : la suite du voyage
5 - Vers une finance adaptative et résiliente Perspectives d’évolution : la suite du voyage Capter la dimension temporelle : quand les modèles apprennent le temps “Une option est une histoire, elle naît, vit et meurt.” 20
Slide 21: Perspectives d’évolution : la suite du voyage
5 - Vers une finance adaptative et résiliente Perspectives d’évolution : la suite du voyage Le Machine Learning face aux crises : 2008, COVID, 2022 : les crashs comme leçons • Tester la résilience • Évaluer la réactivité adaptative • Vérifier la stabilité à long 21 terme
Slide 22: Merci pour votre attention
Merci pour votre attention 22