Data Scientist H/F - 75

Groupama Asset Management, filiale de Groupama, est l'un des principaux acteurs français de la gestion d'actifs pour le compte d'une clientèle composée d' entités du groupe, d'investisseurs institutionnels, d'entreprises et de distributeurs.Le rôle principal du Data Scientist est de soutenir les missions de l'équipe d'analyse quantitative du pôle Recherche, incluant notamment
de participer à la robustesse statistique des datasets ESG, participer à la recherche de signaux de création d'alpha et contribuer à la création d'un système de production d'information automatisé.

Les principales missions du poste sont les suivantes :

1. Prendre en charge la qualité des données corporate finance & ESG des entreprises
Collecter, nettoyer et fiabiliser les données d'entreprises, à partir de base de données existantes : états financiers, ratios, guidance, événements corporate (résultats, M&A, refinancement, buybacks...), ratings/credit
Collecter, nettoyer et fiabiliser les données ESG à partir de bases de données existantes
Normaliser et industrialiser : mapping émetteurs, calendriers d'événements, gestion des restatements, outliers, devises, secteurs.
Mettre enplace la data quality (tests, monitoring, data contracts)

2. Assurer la maintenance et l'évolution de l'outil de notation ESG en l'adaptant aux évolutions réglementaires et aux attentes des clients

3. Faire du Machine Learning pour la gestion actions et crédit: recherche d'alpha
Concevoir des features et signaux d'investissement (value/quality/leverage, révisions, facteurs fondamentaux, event-driven, ESG, etc.).
Développer des modèles ML/IA : scoring relatif, prédiction des comptes de résultats, classification d'événements, détection d'anomalies, modèles probabilistes
Valider statistiquement (dépendance / indépendance) et suivre dynamiquement les liaisons signaux entre cours identifiés
Utilisation régulière de l'IA Générative (recherche, aide au code, API), avec des notions avancées de prompt engineering
4. Mettre en production et itérer
Construire des pipelines réutilisables (ETL/ELT), automatiser l'entraînement et l'évaluation (MLOps light mais sérieux)
Versionner, tester, documenter : Un modèle n'existe pas s'il n'est pas reproductible
Livrer des outputs actionnables : notebooks décision, dashboards, APIs internes