Data science & intelligence artificielle avancées
Expertise scientifique et solutions technologiques de pointe
Modélisation quantitative, trading algorithmique, détection de fraude, prévisions macroéconomiques, nowcasting et recherche appliquée.
01Historique
Fondée en mai 2020 et basée à Cannes, Valeyre Research a débuté son activité en fournissant à des hedge funds parmi les plus performants des signaux de trading automatisés et systématiques, destinés au trading moyenne fréquence sur actions et sur contrats à terme multi-actifs.
Ces signaux couvrent deux familles de stratégies : des stratégies de retournement à court terme, avec une durée de détention d’une semaine, et des stratégies de suivi de tendance, avec une durée de détention d’un mois. Ils peuvent être intégrés à des portefeuilles actions market neutral ou à des portefeuilles de type CTA.
En parallèle, Valeyre Research a conseillé des hedge funds en gestion de portefeuille et en recherche quantitative, et a développé des stratégies macro systématiques.
02Activité actuelle
Gestion de portefeuille
Depuis 2024, Valeyre Research travaille en exclusivité, dans le cadre d’un partenariat, avec un grand hedge fund parisien. En raison de cet engagement, la société ne prend pas de nouveaux clients dans le secteur des hedge funds.
Elle poursuit en revanche son activité de data science en dehors de ce secteur et intervient comme cabinet de conseil en data science et en apprentissage profond : réseaux de neurones, traitement automatique du langage naturel et vision par ordinateur, pour des applications variées.
Conseil
Quelques exemples de missions réalisées pour nos clients :
Détection de fraude
Conception, avec des experts américains, d’un modèle identifiant les risques de fraude chez les gérants de fonds, pour repérer en amont les situations de type Madoff.
Notation de crédit
Développement d’un modèle de notation de crédit à partir de bilans comptables au format PDF, pour une société de financement en République dominicaine.
Nowcasting
Modèle mesurant en temps réel l’inflation (IPC) et le PIB, avant la publication des chiffres officiels.
Revenue management
Modèle d’optimisation tarifaire permettant à un client d’ajuster ses prix pour maximiser son chiffre d’affaires.
03Publications académiques
Valeyre Research est également engagée dans la recherche académique. Elle entretient des collaborations avec des chercheurs d’universités de premier plan et publie régulièrement dans des revues scientifiques. Ses travaux portent principalement sur la finance quantitative : modèles de volatilité, modèles de matrices de corrélation et construction de portefeuilles optimaux. De nouveaux projets de recherche sont en cours dans le domaine de l’intelligence artificielle.
Valeyre Research ne se contente pas d’utiliser l’IA et les grands modèles de langage (LLM) : elle contribue à faire progresser la recherche, notamment par ses travaux sur l’application des LLM à la prévision de séries temporelles.
Conférences
Les travaux de Valeyre Research ont été présentés lors de conférences internationales :
- XXVIIe Workshop on Quantitative Finance — Bergame
- 31e Forecasting Financial Markets Conference — Milan
- 22e Quantitative Finance Conference — Malte
- Algorithmic Trading, Decentralized Finance and Artificial Intelligence in Capital Markets — Milan
Articles scientifiques
- LLMs for Time Series: an Application for Single Stocks and Statistical Arbitrage
Résumé
Les grands modèles de langage (LLM) ont récemment été adaptés à la prévision de séries temporelles, avec de réels succès en reconnaissance de motifs. On considère pourtant qu’ils ne conviennent pas à la prévision des rendements financiers, réputés quasi aléatoires. Cet article remet en cause cette idée par un contre-exemple : le modèle Chronos (Ansari et al., 2024), testé en version pré-entraînée et après ajustement supervisé sur les plus grandes actions américaines, permet de construire un portefeuille long/short dont la simulation montre que les LLM savent détecter des inefficiences au milieu du bruit et générer de l’alpha. La comparaison avec des modèles spécialisés et des modèles d’apprentissage profond plus légers montre qu’il reste une marge de progression importante.
- Optimal Trend Following Portfolios
Résumé
L’article établit un portefeuille optimal fondé sur des signaux de suivi de tendance. Il propose un cadre théorique unifié, reposant sur un modèle d’autocorrélation intégrant la matrice de covariance des tendances et les primes de risque. Le portefeuille optimal se décompose en quatre composantes : Markowitz, parité de risque, parité de risque agnostique et suivi de tendance sur parité de risque. Des backtests sur un univers multi-actifs confirment sa surperformance, et ce cadre permet de décrire et de justifier des portefeuilles développés antérieurement.
- Refined Model of the Covariance/Correlation Matrix between Securities
Résumé
Cette thèse introduit une méthode de nettoyage de la matrice de corrélation des rendements d’actions, fondée sur une analyse en composantes principales contrainte par des critères financiers (valeur comptable, capitalisation…). Elle définit des « portefeuilles fondamentaux de variance maximale » et met en évidence plusieurs régularités : une loi commune d’évolution des valeurs propres significatives avec l’échelle de temps, de la minute à plusieurs mois ; une loi universelle régissant les poids de ces portefeuilles ; le rôle de la volatilité de leur volatilité dans la dynamique de la matrice de corrélation ; enfin, un effet de levier qui ne concerne que le mode de marché et rend variables les poids du premier vecteur propre.
- Emergence of Correlation of Securities at Short Time Scales
Résumé
La matrice de corrélation est au cœur de l’allocation de portefeuille et de la gestion des risques. À partir des rendements à la minute des 533 plus grandes actions américaines, l’étude montre comment ses valeurs propres dominantes (mode de marché, secteurs, facteurs de style) émergent lorsque l’échelle de temps augmente. Un modèle factoriel simple à décalage temporel reproduit ce phénomène et estime le temps de relaxation à environ une minute. Les rendements à cinq minutes apparaissent ainsi comme un bon compromis entre abondance de données et fiabilité des corrélations.
- The Reactive Beta Model
Résumé
Ce modèle de bêta réactif intègre l’effet de levier et l’élasticité du bêta, grâce à une mesure de corrélation reliant le bêta de marché aux variations de volatilité. Testé de 2000 à 2015 sur 600 actions américaines et 600 actions européennes avec les stratégies market neutral les plus répandues, il élimine une part importante du biais d’estimation du bêta. Des simulations de Monte-Carlo sur sept scénarios de marché, face à cinq méthodes alternatives, confirment qu’il réduit nettement ce biais, en particulier dans les marchés sous tension.
- The Reactive Volatility Model
Résumé
Ce modèle de volatilité, simple à mettre en œuvre, intègre un effet de levier conforme aux observations empiriques. Il capture à la fois l’« effet retardé » lié au risque spécifique et l’« effet panique » qui apparaît lorsque le risque systématique domine. Contrairement à un modèle GARCH ou à une estimation classique, il est aussi réactif que la volatilité implicite et s’ajuste instantanément à chaque variation de prix. Testé sur les 470 actions européennes les plus liquides sur dix ans, il se montre plus robuste face aux événements extrêmes et permet d’en identifier les signes précurseurs et les répliques.
