Le MSc in Financial Engineering en bref
- Campus
- Nice
- Type
- MSc
- Niveau
- M2
- Langue
- Anglais
- Accès
- Depuis les filières Finance et Data Science & AI for Business
- Spécialisations
- Investment Solutions, Systematic Trading
- Partenaires
- GARP, CAIA Association, CQF Institute
Le MSc in Financial Engineering de l'EDHEC forme en M2, à Nice et en anglais, aux métiers de la finance quantitative : produits dérivés, taux et crédit, gestion quantitative de portefeuille, machine learning et trading systématique.
Il propose deux spécialisations, Investment Solutions et Systematic Trading, et fait programmer en Python dans une grande partie des cours.
Pour l'entretien EDHEC, il convient aux candidats à l'aise avec les mathématiques et la programmation, qui visent la structuration, le trading quantitatif, la recherche quantitative ou la gestion des risques.
Qu'est-ce que le MSc in Financial Engineering de l'EDHEC ?
Accessible depuis les filières Finance et Data Science & AI for Business, le MSc commence par une remise à niveau en mathématiques appliquées à la finance. Le premier semestre réunit la gestion quantitative de portefeuille, le machine learning, les méthodes empiriques, les taux et le crédit, les produits dérivés avancés et les dérivés actions.
Chaque spécialisation a ensuite ses propres cours : Macro and Capital Markets et Systematic Investing pour Investment Solutions, Continuous Time Finance et Enhanced Statistical Arbitrage pour Systematic Trading.
Au second semestre, les étudiants choisissent aussi des électifs, des produits structurés à la mesure des risques, en passant par le traitement automatique du langage, les hedge funds ou les actifs réels. L'année comprend enfin des cours sur la finance durable, la réglementation et l'éthique, un Applied Master Project et des modules en ligne.
Python, machine learning et recherche appliquée
Python sert de fil conducteur. Il apparaît dans les méthodes empiriques, la gestion quantitative de portefeuille, deux cours en ligne de l'EDHEC sur la construction de portefeuille et un cours de programmation avancée consacré à l'apprentissage par renforcement, aux transformers et aux grands modèles de langage.
De mars à mai, l'Applied Master Project fait appliquer ces outils à un sujet concret. Selon l'EDHEC, les meilleurs étudiants peuvent être encadrés par des professeurs ou par les centres de recherche de l'école. Le Certificate Future for Finance ajoute une série de conférences en ligne de chercheurs et de professionnels, sur des sujets comme l'évaluation des actifs par l'IA ou la couverture d'options par des modèles génératifs.
La page du programme évoque aussi un voyage d'études à Londres, avec des visites chez des acteurs de la finance comme Société Générale ou un fonds de private equity. À l'entretien EDHEC, si vous codez déjà, dites ce que vous avez construit : un projet modeste mais réel convainc plus qu'une liste de langages.
À quels profils / projets professionnels cette spécialisation peut servir pour l'entretien EDHEC ?
Le MSc parle aux candidats qui visent les métiers quantitatifs des banques et des fonds : quant trader, structureur, analyste ou chercheur quantitatif, analyste risques, gérant de portefeuille. La spécialisation Systematic Trading mène vers le trading quantitatif et les hedge funds systématiques, la spécialisation Investment Solutions vers la gestion d'actifs et les solutions d'investissement.
Il convient aussi aux profils de la filière Data Science & AI for Business qui veulent appliquer le machine learning à la finance, et aux candidats intéressés par la finance durable ou les actifs non cotés, avec des électifs comme ESG Investing, Impact Investing, Private Equity and Debt ou Infrastructure.
À l'entretien de personnalité, reliez votre goût pour les mathématiques à une question de marché : comment on fixe le prix d'une option, comment on construit un portefeuille, comment on teste une stratégie.
Quels sont les cours du MSc in Financial Engineering ?
Les principaux cours présentés ci-dessous donnent un aperçu non exhaustif des enseignements proposés dans le MSc.
Non exhaustif
Remedial Course in Mathematics: Foundation of Mathematics for Finance
Kevyn Stefanelli
Cours de remise à niveau en début d'année, il révise le calcul différentiel et intégral, l'algèbre linéaire et les probabilités utiles aux cours quantitatifs : actualisation des flux, capitalisation continue, calcul matriciel pour l'analyse de portefeuille, lois de probabilité.
Quantitative Portfolio Management
Raman Uppal
Le cours étudie des méthodes récentes pour construire des portefeuilles d'actions qui restent performants hors échantillon, c'est-à-dire sur des données qui n'ont pas servi à les calibrer.
Il traite de la mesure de la performance après coûts de transaction, des biais liés aux tests multiples et de l'optimisation moyenne-variance sous contraintes. Les étudiants appliquent les modèles en Python, sur des données de cours, de caractéristiques d'entreprises et de variables macroéconomiques.
Empirical Methods in Finance
Vincent Milhau
Le cours présente l'analyse des données financières avec Python : rendement, volatilité, ratio de Sharpe, perte maximale, VaR.
Il montre que les rendements des actions ne suivent pas une loi normale, d'où les modèles à volatilité variable (GARCH) et la théorie des valeurs extrêmes pour estimer les risques de queue, et revient sur la régression linéaire et ses versions pénalisées.
Advanced Derivatives
Jeroen Kerkhof
Le cours passe en revue les grands marchés de dérivés, les produits qui s'y échangent, leur usage, leur prix et leur couverture : options actions exotiques, dérivés de change, de taux (swaps, caps, swaptions) et de crédit (CDS), jusqu'aux ajustements de valorisation (XVA).
Les exercices utilisent FinancePy, une bibliothèque Python consacrée aux produits financiers.
Advanced Fixed Income and Credit
Thibault Lair
Le cours approfondit l'évaluation et la gestion des risques sur les marchés de taux et de crédit : analyse et modélisation de la courbe des taux, couverture de portefeuille, évaluation du risque de crédit et des dérivés de crédit, pratiques récentes du marché, avec des cas et des outils utilisés par les professionnels.
Macro and Capital Markets et Systematic Investing
Carlos A. Ramirez, Emmanuel Jurczenko
Pour la spécialisation Investment Solutions, Macro and Capital Markets étudie comment la croissance, l'inflation et les politiques monétaire et budgétaire influencent les prix des actifs et les primes de risque, jusqu'à la construction de portefeuille.
Au second semestre, Systematic Investing passe en revue les techniques quantitatives de la gestion d'actifs : investissement factoriel, gestion discrétionnaire, gestion adossée au passif et solutions construites autour des objectifs de l'investisseur.
Continuous Time Finance et Enhanced Statistical Arbitrage
Abraham Lioui, Emmanuel Jurczenko
Pour la spécialisation Systematic Trading, Continuous Time Finance est un cours avancé de méthodes quantitatives : après un rappel de l'évaluation des dérivés en temps discret, il développe les outils mathématiques du temps continu pour les dérivés simples et complexes et pour la structure par terme des taux.
Au second semestre, Enhanced Statistical Arbitrage étudie les briques d'une stratégie d'arbitrage statistique (signaux de trading, modèles de coûts, exécution, gestion des risques), avec une partie consacrée au deep learning.
Structured Products et Volatility Strategies
Eric Barthe, Brice Perin
Électifs du second semestre, ces cours étudient les produits structurés développés depuis la fin des années 1990 (leur construction, leur intérêt pour les investisseurs, leur couverture par les traders), puis la dynamique des options et les stratégies de volatilité : sensibilités (les grecques), modèles de prix, couverture dynamique.
NLP for Finance et Advanced Python Programming
Hamid Boustanifar, Nicolas Lopez
NLP for Finance fait travailler sur de vrais textes, comme les transcriptions de conférences sur les résultats d'entreprises, pour en tirer des informations utiles à la gestion et au trading : prétraitement, classification, modèles de thèmes, représentations vectorielles des mots, grands modèles de langage et agents.
Advanced Python Programming applique l'apprentissage par renforcement, les transformers, les méthodes à noyaux et les grands modèles de langage à des problèmes de finance quantitative.
Hedge Funds, Risk Measurement et Microstructure of Financial Markets
Marie Lambert, Winfried G. Hallerbach, Fabrice Riva
D'autres électifs couvrent les hedge funds, sous l'angle juridique et sous l'angle de l'investissement, la mesure et l'évaluation des risques de marché d'un portefeuille, et la microstructure des marchés : mécanismes de négociation, liquidité, coûts de transaction et leur estimation.
Private Equity and Debt, Real Estate et Infrastructure
Cyril Demaria, Marcelo Cajias, Radu Mircea
Trois électifs ouvrent sur les actifs non cotés : le private equity et la dette privée (capital-risque, LBO, dette mezzanine, avec des cas et un jeu de rôle), l'économie et les stratégies d'investissement immobilier, et l'investissement privé dans les infrastructures, de la nature de ces actifs à leurs risques et à leur impact climatique.
Comment se déroule le MSc ?
Selon l'EDHEC, le MSc se déroule ainsi :
- De septembre à mai, les cours sur le campus de Nice, en anglais
- En début d'année, une remise à niveau en mathématiques et des cours en ligne sur la construction de portefeuille
- Au premier semestre, le tronc commun quantitatif et les premiers cours de la spécialisation
- Au second semestre, le grand cours de chaque spécialisation, des électifs et l'Applied Master Project
- À partir de juin, un stage ou une expérience professionnelle
Le programme d'accompagnement de carrière commun aux MSc de finance de Nice ajoute une simulation de centre d'évaluation, des ateliers et les Finance Career Days. À l'entretien EDHEC, montrez que vous avez mesuré l'exigence de cette année et ce qu'elle vous apportera.
Quelles compétences développe-t-on ?
Vous apprendrez à valoriser et couvrir des produits dérivés, à modéliser les taux et le crédit, à construire et tester des portefeuilles, à mesurer les risques, à programmer en Python et à appliquer le machine learning à des données financières. Les électifs ajoutent, selon vos choix, les produits structurés, la volatilité, le traitement du langage ou les actifs réels.
Le jour de l'entretien de personnalité, ces compétences vous aident à parler de finance quantitative avec des exemples précis, sans jargon inutile.
Professeurs notables du MSc
Raman Uppal
Professeur de finance, responsable des cours Quantitative Portfolio Management et Decentralized Finance: Blockchains and AI
Docteur de la Wharton School de l'université de Pennsylvanie, Raman Uppal a enseigné à la London Business School et à l'université de la Colombie-Britannique avant de rejoindre l'EDHEC. Il a fait partie des éditeurs de The Review of Financial Studies, de Review of Finance et de Review of Asset Pricing Studies, et a codirigé le programme d'économie financière du Centre for Economic Policy Research (CEPR).
Ses recherches portent sur le choix de portefeuille, l'allocation d'actifs, l'évaluation des titres et la gestion des risques. Dans le Journal of Finance (2024), avec Victor DeMiguel et Alberto Martín-Utrera, il propose un portefeuille multifactoriel qui réduit son exposition quand la volatilité monte et qui reste plus performant que sa version fixe, hors échantillon et après coûts de transaction. Il a reçu plusieurs prix d'enseignement, dont celui de l'EDHEC en 2015.
Pour l'entretien EDHEC
Ses travaux cherchent des stratégies qui résistent aux données réelles et aux coûts. Si vous avez testé une idée d'investissement, même simple, dites comment vous avez vérifié qu'elle tenait.
Emmanuel Jurczenko
Professeur de finance et directeur des programmes de finance de niveau master, responsable des cours Systematic Investing et Enhanced Statistical Arbitrage
Docteur en économie de l'université Paris 1 Panthéon-Sorbonne, Emmanuel Jurczenko est professeur de finance et directeur des Graduate Finance Programmes de l'EDHEC, les programmes de finance de niveau master. Ses recherches portent sur la gestion quantitative de portefeuille et l'évaluation des actifs. Il a aussi travaillé dans la multigestion chez ABN AMRO.
Il a dirigé l'ouvrage collectif Machine Learning for Asset Management: New Developments and Financial Applications (Wiley, 2020), qui réunit des chercheurs et des professionnels sur le machine learning appliqué à la sélection de titres, à la construction de portefeuille et aux coûts de transaction. Il coordonne aussi le Certificate Future for Finance.
Pour l'entretien EDHEC
Il relie la recherche et la gestion d'actifs. Si le machine learning vous attire, préparez un exemple précis de ce qu'il peut apporter à un gérant, et de ses limites.
Pour aller plus loin
Pourquoi choisir le MSc in Financial Engineering et en parler pendant son entretien EDHEC ?
Le MSc in Financial Engineering de l'EDHEC associe un tronc commun quantitatif exigeant, deux spécialisations tournées vers la gestion d'actifs ou le trading, et une pratique constante de Python. Il convient aux candidats qui veulent faire des mathématiques et de la programmation un métier de marché.
À l'entretien EDHEC, présentez-le avec la spécialisation qui vous attire et une question concrète qui vous intéresse.
Exemple : « Pour un projet personnel, j'ai programmé en Python un petit modèle de prix d'options, et j'ai voulu comprendre comment les banques couvrent ces produits. Avec le MSc in Financial Engineering, je veux suivre le cours Advanced Derivatives et la spécialisation Systematic Trading. Je vise un poste de structureur ou de trader quantitatif. »
