Depuis 2019, nous accompagnons les professionnels de la finance qui veulent vraiment saisir comment l'apprentissage automatique peut aider à décrypter la volatilité des marchés. Sans promesses irréalistes, juste des compétences solides.
Elrik Vandermeer a fondé niturarialium après quinze ans passés dans des salles de marché à Paris et Londres. Il voyait trop de personnes s'engager dans des formations qui promettaient des résultats impossibles ou qui enseignaient des modèles théoriques sans lien avec la réalité des marchés en 2025.
L'idée était simple : créer un programme où on apprend comment le machine learning peut être utilisé pour analyser la volatilité, mais sans transformer ça en recette magique. Parce que les marchés ne marchent pas comme ça. Il faut du temps, de la pratique, et une vraie compréhension des limites des algorithmes.
Aujourd'hui, notre équipe réunit d'anciens traders, des data scientists qui ont travaillé pour des hedge funds, et des pédagogues qui savent comment rendre ces concepts accessibles sans les vider de leur substance. On forme environ 180 professionnels par an, et la plupart viennent par recommandation.
On ne prétend pas révolutionner la finance. On veut juste former des gens qui comprennent vraiment ce qu'ils font, pas juste copier-coller du code trouvé en ligne.
Les modèles de machine learning ne prédisent pas l'avenir. Ils identifient des patterns dans la volatilité historique, et parfois ça aide à prendre de meilleures décisions. Parfois non. On enseigne les deux aspects, avec des exemples réels où les modèles ont échoué.
Nos formateurs ont tous géré des positions réelles avec de l'argent réel. Ils savent comment un modèle qui fonctionne en backtesting peut s'effondrer dès qu'on l'applique en conditions réelles. Cette expérience se transmet dans chaque session.
On commence par les bases statistiques, puis on avance vers les réseaux de neurones et l'apprentissage profond. Mais on ne brûle pas les étapes. Comprendre la régression linéaire reste plus important que de savoir utiliser un transformer sur des séries temporelles.
Après la formation, les participants ont accès à une communauté où on discute de cas concrets, d'erreurs commises, de nouveaux papers académiques. C'est là que l'apprentissage continue vraiment, dans les échanges entre pairs qui testent des approches similaires.
Quelques étapes qui ont façonné notre méthode et notre vision de l'enseignement en finance quantitative.
Premier programme pilote avec huit participants. On testait notre méthode d'enseignement sur l'analyse de volatilité avec des modèles GARCH et des premières approches de machine learning. Les retours ont été encourageants, mais on a vite compris qu'il fallait ralentir le rythme.
Après avoir formé plus de cinquante personnes, on s'est rendu compte que trop de participants arrivaient sans bases statistiques solides. On a restructuré le programme pour inclure un mois entier de remise à niveau. Ça rallonge la formation, mais les résultats sont bien meilleurs.
La demande augmentait, surtout de la part de professionnels parisiens. On a ouvert un deuxième centre de formation près de la Défense. Même approche, mêmes formateurs qui font l'aller-retour, mais ça nous permet d'accueillir plus de monde sans diluer la qualité.
Cette année, on intègre davantage de cas pratiques sur les données haute fréquence et les nouveaux défis posés par les modèles de langage appliqués au sentiment de marché. Les prochaines sessions démarrent en octobre 2025, et on continue d'ajuster le contenu en fonction des retours.