Résolument tourné vers le monde de la data science pour les institutions financières, ce programme est unique dans son contenu et dans son articulation.
Les diplômés du Master Finance Technologie Data Science, spécialistes de haut niveau, peuvent accéder aux fonctions de cadres supérieurs dans les fonctions d’analyse et de gestion des données au niveau des banques, des compagnies d’assurance, des institutions financières spécialisées, sociétés de bourse, des sociétés de capital-investissement, des cabinets de conseil, des entreprises.
Objectifs
Former des professionnels hautement qualifiés en matière d’analyse et de gestion des données financières, capables d’allier les techniques de l’analyse de données, de modélisation et de supervision des transactions pour aboutir à une meilleure performance des outils de décision, de risque de crédit ou de suivi marketing et qui construisent des raisonnements dans ces disciplines et formulent des solutions opérationnelles argumentées.
Perspectives
L’enseignement proposé par le Master mention « Finance Technologie Data Sciences » forme aux métiers suivants :
- Architecte / Ingénieuer Big Data,
- Business Intelligence Manager,
- Data Manager,
- Data Scientiste / Machine Learning Engineer,
- Data Miner,
- Analyste Data,
- Trader à hautes fréquences.
Compétences développées
Ce Master permet de maîtriser les savoirs théoriques et les compétences méthodologiques et pratiques dans le domaine de la gestion et l’analyse des données en finance. Il permet également d’acquérir toutes les compétences qu’il est nécessaire de maîtriser pour être opérationnel dans le domaine de l’analyse données pour les activités financières.
A la fin de la formation les étudiants connaitront les principes et les techniques propres aux disciplines étudiées (Gestion données, analyse des données, prévisions et supervision des évolutions des données financières).
Contenu de la formation
Unités Enseignement |
Crédits |
Coef |
UE – FTDS – 411 – Marché Boursier et Evaluation Financière |
7 |
3 |
FTDS- 4114- Marché Boursier et Opérations de Bourse |
||
FTDS – 4112 – Evaluation d’Entreprise |
||
FTDS – 4113 – Evaluation des Actifs financiers et Théorie du Portefeuille |
||
UE – FTDS – 412 – Gestion Financière |
7 |
5 |
FTDS – 4111 – Diagnostic Stratégique et Financier |
||
FTDS – 4121 – Gestion de trésorerie |
||
FTDS – 4122 – Décision d’Investissement |
||
FTDS – 4123 – Politique Financière de l’Entreprise |
||
UE – FTDS – 413 – Méthodes Quantitatives 1 |
7 |
6 |
FTDS – 4131 – Processus Stochastiques à temps discret |
||
FTDS – 4132 – Econométrie des Séries Temporelles non stationnaires et stationnaires |
||
FTDS – 4133 – Econométrie des données panel |
||
UE – FTDS – 414 – Modélisation Economique et Financière |
7 |
5 |
FTDS – 4141 – Initiation à la modélisation économique |
||
FTDS – 4142 – Recherche opérationnelle |
||
FTDS – 4143 – Analyse multidimensionnelle des données |
||
UE – FTDS – 415 – ENSEIGNEMENTS COMPLEMENTAIRES |
2 |
1 |
FTDS – 4151 – Système Bancaire International |
||
FTDS – 4152 – Cybercriminalité |
||
Total Semestre 1 |
30 |
20 |
UE – FTDS – 421 – Méthodes Quantitatives 2 |
8 |
5 |
FTDS – 4211 – Modèles Stochastiques à temps continu appliqués à la finance et à la gestion des risques |
||
FTDS – 4212 – Econométrie Appliquée aux séries financières sous R |
||
FTDS – 4213 – Simulation et Méthodes Scientifiques Avancées |
||
UE – FTDS – 422 – Informatique Appliquée |
7 |
5 |
FTDS – 4221 Programmation en R |
||
FTDS – 4222 – Programmation sous Python (Numpy, Pandas, Bokeh) pour la Finance |
||
FTDS – 4223 – Programmation et calcul scientifique |
||
UE – FTDS – 423 – Data Science et Intelligence Artificielle |
8 |
6 |
FDS – 4231 Construction et Gestion de Bases de données |
||
FTDS – 4232 Introduction au Big Data |
||
FTDS – 4233 Introduction à Business Intelligence |
||
FTDS – 424 – Outils et Langues |
7 |
4 |
Business English |
||
Préparation TOIEC |
||
Conférence de Méthodes (Projet professionnel, CV, Lettre de motivation et Entretien) |
||
Total Semestre 2 |
30 |
20 |
TOTAL |
60 |
40 |
MASTER 2 FINANCE TECHNOLOGIE – DATA SCIENCE « M2 FINTECH – DATA »
Unités d’Enseignement |
Crédits |
Coef |
UE – FTDS – 531 – Marchés financiers et Gestion de portefeuille |
7 |
5 |
FTDS – 5311 – Marchés financiers et Trading |
||
FTDS – 5312 – Gestion de Portefeuille et Simulations Boursières |
||
FTDS – 5313 – Marchés financiers : Options et produits dérivés |
||
FTDS – 5314 Modélisation Financière en contexte de Gestion de portefeuille |
||
UE – FTDS – 532 – METHODES QUANTITATIVES ET Informatique 1 |
6 |
4 |
FTDS – 5321 – Analyse des données pour l’économie sous R et Python |
||
FTDS – 5322 – Econométrie Financière sous Python |
||
UE – FTDS – 533 – Data Science 1 : Stockage des Donnée pour la Banque |
7 |
5 |
FTDS – 5331 Architecture et Usage des Data Lake |
||
FTDS – 5332 SQL pour Banques |
||
FTDS – 5333 NoSQL et Hadoop pour la Banque |
||
FTDS – 5334 Organisation d’un projet Big Data |
||
UE – FTDS – 534 – Nouvelles Données pour la Gestion du Risque |
8 |
5 |
FTDS – 5341 – Anti Blanchissement – AML, KYC |
||
FTTDS – 5342 – ML pour Contrer les fraudes financières |
||
FTTDS – 5343 – Evolution du Credit Scoring et de l’Assurance |
||
UE – FTDS – 535 – ENSEIGNEMENTS COMPLEMENTAIRES |
2 |
1 |
FTDS – 5351 – Sociologie des Organisations |
||
FTDS – 5352 – Géostratégie |
||
Total Semestre 3 |
30 |
20 |
UE – FTDS – 542 – Data Science 2 |
6 |
4 |
FTDS – 5421 -Conception de Bases de données et Datamining (Machine Learning sous R) |
||
FTDS – 5422 – Big Data 2 |
||
UE – FTDS – 533 – Machine Learning et Stockage des Données pour la Banque |
6 |
4 |
FTDS – 5331 – Réseaux neuronaux et Deep Learning |
||
FTDS – 5332 – Machine Learning pour la Modélisation financière |
||
UE –FTDS – 545 – Data Science et Marketing pour Banque |
6 |
5 |
FTDS- 5451 – Données Green et Sustainable |
||
FTDS-5452 – Profiling Client /e-réputation à partir des données de réseaux sociaux |
||
FTTDS – 5452-Analyse de Texte NLP et Chat Bots |
||
FDS – 5453 – Visualisation des Données |
||
UE – FTDS – 546 – Enseignements Complémentaires |
2 |
1 |
FTDS – 5461 – Projections Financière et Modélisation du Business Plan |
||
FTDS – 5463 – Economie Internationale |
||
UE – FTDS – 547 – Découvertes |
2 |
1 |
FTDS – 5471 – Régulation et Tarification : Secteur (eau, téléphone, énergie) |
|
|
FTDS – 5472 – Géopolitique |
|
|
UE – FTDS – 548 – Mémoire et Langue |
8 |
5 |
FTDS – 5481 – Méthodologie de Recherche et de Rédaction de Mémoire |
|
|
FTDS – 5482 – Mémoire |
|
|
FTDS – 5483 – Anglais (Préparation au TOEIC) |
|
|
Total Semestre 4 |
30 |
20 |
Total Général |
60 |
40 |
Déroulement des enseignements
Le volume horaire des enseignements du Master mention « Finance Technologie et Data Science » par année académique est fixé à 1200 heures réparties entre les cours magistraux les Travaux dirigés (TD) et /ou TP et les TPE sur un an.
Des cours de mise à niveau d’un volume horaire global de 100 heures sont organisés avant le démarrage officiel des enseignements pour permettre aux apprenants de mieux appréhender les cours prévus au programme.
Conditions d'admission
- Pour l’accès à la première année du Master, être titulaire d’une licence Finance Quantitative, Mathématiques Appliquées à la Finance, Méthodes Quantitatives de Gestion, Econométrie, en Informatique appliquée, ou d’un diplôme jugé équivalent.
- Pour l’accès à la deuxième année du Master, être titulaire du Master 1 en analyse financière, en ingénierie financière, en Banque Finance, Mathématiques Appliquées à la Finance, en Actuariat, Modélisation, en Méthodes Quantitatives de Gestion, Finance Quantitative ou d’un diplôme jugé équivalent.