Stage de fin d’études - Proxy modeling ALM : métamodèles et intégration IA pour l’automatisation du pilotage financier en assurance vie - 6 mois (H/F)
Description
Fondé en 2006, Nexialog Consulting est devenu l’un des acteurs majeurs du conseil spécialisé en banque et en assurance, et emploie aujourd’hui 200 collaborateurs dans nos bureaux parisiens.
Nexialog Consulting accompagne ses clients à travers sept lignes métiers :
Actuarial Services
Risk Strategy
Risk Models
Financial Markets & Investments
Financial Control & Compliance
Data & IA
Sustainability
Dans le cadre du développement de notre Lab IA, nous recherchons un(e) Stagiaire en Proxy Modelling ALM pour un stage de fin d'études de 6 mois. Le poste est à pourvoir pour 2027.
Mission
Vous rejoindrez le Lab IA de la R&D de Nexialog. Vous travaillez sur la métamodélisation des modèles actif-passif en assurance vie et sur leur intégration dans des chaînes automatisées de pilotage financier, à la croisée de l’actuariat, de la statistique, du machine learning et de l’ingénierie de l’IA.
Ce stage vous permettra de développer une expertise sur les modèles de solvabilité sous Solvabilité 2 et sur les techniques d’apprentissage capables de restituer rapidement les indicateurs produits par des modèles ALM stochastiques. Vous contribuerez également à la conception d’une chaîne de bout en bout, depuis le recalibrage du modèle de référence jusqu’à l’orchestration agentique des calculs, des contrôles et de la restitution des résultats.
Au cours du stage, vous étudierez :
La conception de métamodèles pour prédire les principaux indicateurs de solvabilité, tels que le best estimate, le SCR et la variation des fonds propres
La comparaison de différentes approches de machine learning, notamment les processus gaussiens, le gradient boosting, les réseaux de neurones et les modèles de fondation tabulaires
La mise en place d’un plan d’expérience adaptatif fondé sur l’apprentissage actif et l’enrichissement itératif des données selon l’incertitude du métamodèle
L’exposition du modèle ALM et du métamodèle via des API, ainsi que la conception et la mise en production d’un workflow agentique
L’évaluation de la précision des prédictions et du gain en temps de calcul sur des cas d’usage tels que les atterrissages financiers, l’ORSA et les scénarios de stress
Profil
Vous avez le profil recherché si :
Vous êtes étudiant(e) en dernière année de master d’actuariat, avec un réel attrait pour la recherche et les méthodes quantitatives.
Vous avez de solides bases en statistique et en apprentissage automatique (régression, processus gaussiens, méthodes ensemblistes).
Vous connaissez les principes de Solvabilité 2 et de la modélisation actuarielle en assurance vie.
Vous maîtrisez Python ; une première expérience du développement d’API, de l’orchestration d’agents IA (LLM, appel d’outils) ou de la mise en production de modèles est un atout.
Vous êtes à l’aise à l’écrit comme à l’oral, en français comme en anglais, et avez le goût du conseil.
Vous êtes autonome et avez une forte capacité d’adaptation.
Processus de recrutement
Un entretien RH avec un(e) Chargé(e) de Recrutement.
Un entretien technique avec un Expert ALM
Un entretien de validation avec le Directeur de la R&D
Durée : 6 mois
Gratification : selon profil
Début : printemps 2027
Pourquoi nous rejoindre ?
✨ Un cabinet à taille humaine ayant pour valeurs la bienveillance, l’audace et la transparence.
🤝 Un management horizontal et de proximité pour un suivi adapté à chaque collaborateur.
🌍 Un cabinet engagé en RSE (Label Ecovadis, Label Global Compact, missions RSE).
☀️ Un cabinet reconnu pour le bien-être de ses collaborateurs au travail (Baromètre social, charte de télétravail, primes de performance, prime de participation et d'intéressement).
💯 Une vie interne très riche (after work, team building, kick-off, formations internes et externes).
📍 32 rue de Trévise, 75009 PARIS
Convaincus que la richesse d’une équipe repose sur sa diversité, nous encourageons chacun(e) à postuler, indépendamment de son origine, genre, handicap, âge ou parcours professionnel.