Le Master 2 Finance Quantitative de l’Université Paris-Saclay forme des spécialistes en modélisation financière, gestion des risques et valorisation des produits dérivés. Alliant théorie et pratique, il met l’accent sur les méthodes numériques avancées, le machine learning et le deep learning appliqués à la finance. Les étudiants acquièrent les compétences pour devenir des quants performants en finance de marché, gestion d’actifs ou recherche académique.
Le Master 2 Finance Quantitative se déroule sur un an et combine cours théoriques avancés, enseignements appliqués et projets pratiques. Le premier semestre est consacré aux fondamentaux en modélisation, méthodes numériques et machine learning. Le second semestre inclut un stage en entreprise ou en laboratoire de recherche, permettant aux étudiants de mettre en pratique leurs compétences et de préparer leur insertion professionnelle ou une thèse académique.
Informations
Compétences
Savoir formaliser mathématiquement un problème quantitatif issu de la finance de marché.
Objectifs pédagogiques de la formation
Former des ingénieurs spécialisés dans le domaine de la finance de marché, avec une excellente maîtrise des outils mathématiques, probabilités numériques, statistiques (machine learning), et de programmation associés.
Capacité d’accueil
Places
Public visé et prérequis
Compétences à un bon niveau de M1 ou équivalent en probabilités et statistiques, finance de marché, programmation (en C, python)
Période(s) de candidature
Du 30/01/2026 au 30/06/2026
Pièces justificatives
Obligatoires
Lettre de motivation.
Tous les relevés de notes des années/semestres validés depuis le BAC à la date de la candidature.
Curriculum Vitae.
Facultatives
Attestation de niveau d'anglais.
Dossier VAPP (obligatoire pour toutes les personnes demandant une validation des acquis pour accéder à la formation) https://www.universite-paris-saclay.fr/formation/formation-continue/validation-des-acquis-de-lexperience.
Document justificatif des candidats exilés ayant un statut de réfugié, protection subsidiaire ou protection temporaire en France ou à l’étranger (facultatif mais recommandé, un seul document à fournir) :
- Carte de séjour mention réfugié du pays du premier asile
- OU récépissé mention réfugié du pays du premier asile
- OU document du Haut Commissariat des Nations unies pour les réfugiés reconnaissant le statut de réfugié
- OU récépissé mention réfugié délivré en France
- OU carte de séjour avec mention réfugié délivré en France
- OU document faisant état du statut de bénéficiaire de la protection subsidiaire en France ou à l’étranger.
| Matières | ECTS | Semestre | Cours | TD | TP | Cours-TD | Cours-TP | TD-TP | A distance | Projet | Tutorat |
|---|---|---|---|---|---|---|---|---|---|---|---|
| Produits dérivés | 4 | Semester 2 | 47 | ||||||||
| Systèmes de particules, jeux à champs moyen et application en machine learning et en finance | 4 | Semestre 2 | 21 | 21 | |||||||
| Contrôle et modélisation stochastique en finance et en assurance | 4 | Semester 2 | 42 | ||||||||
| Cutting edge finance | 4 | Semestre 2 | 64 | ||||||||
| FINANCE DURABLE ET ASSET MANAGEMENT | 2 | Semester 2 | 24 | ||||||||
| Techniques de machine learning en finance | 2 | Semester 2 | 21 | ||||||||
| Données Haute Fréquence et carnets d'ordre | 2 | Semester 2 | 24 | ||||||||
| XVAs et régulations | 2 | Semester 2 | 22.5 | ||||||||
| Approximations de processus | 2 | Semester 2 | 21 | ||||||||
| Matières | ECTS | Semestre | Cours | TD | TP | Cours-TD | Cours-TP | TD-TP | A distance | Projet | Tutorat |
|---|---|---|---|---|---|---|---|---|---|---|---|
| Stage professionnel | 15 | Semester 2 | |||||||||
| Préparation au TOEIC | 2 | Semester 2 | 25 | ||||||||
| Matières | ECTS | Semestre | Cours | TD | TP | Cours-TD | Cours-TP | TD-TP | A distance | Projet | Tutorat |
|---|---|---|---|---|---|---|---|---|---|---|---|
| Projet informatique | 3 | Semester 1 | 2 | 10 | |||||||
| Méthodes numériques de pricing et calibration de modèles | 6 | Semester 1 | 42 | ||||||||
| Matières | ECTS | Semestre | Cours | TD | TP | Cours-TD | Cours-TP | TD-TP | A distance | Projet | Tutorat |
|---|---|---|---|---|---|---|---|---|---|---|---|
| Deep learning | 3 | Semester 1 | 21 | ||||||||
| Programmation informatique | 6 | Semestre 1 | 18 | 24 | |||||||
| Modèles de taux d'intérêt | 3 | Semester 1 | 21 | ||||||||
| Marchés financiers et finance actuarielle | 3 | Semester 1 | 14 | 6.5 | |||||||
| Machine learning | 6 | Semester 1 | 21 | 21 | |||||||
| Calcul Stochastique | 6 | Semester 1 | 21 | 21 | |||||||
| Econométrie financière | 3 | Semester 1 | 15 | 10 | |||||||
| Finance de l'assurance | 3 | Semestre 1 | 36 | ||||||||
| Gestion des risques | 6 | Semester 1 | 36 | 15 | |||||||