John BERGERAT

Formation

Expérience professionnelle

Quantalytics

Founder · Analyste et Développeur Quantitatif

Mars 2022 – présent · Genève, Suisse · Hybride

Conception et déploiement de modèles d'investissement et de trading quantitatif pour fonds institutionnels et investisseurs qualifiés : algorithmes systématiques, gestion de risque, allocation d'actifs. Approche quantitative fondée sur des indicateurs techniques, fondamentaux et macro-économiques.

Clientèle & mandats

• ·Clients privés et institutionnels avec AuM > 2 M$
• ·Mandats internationaux : États-Unis, Canada, Royaume-Uni, Pays-Bas
• ·> 10 M$ d'AuM conseillés et accompagnés

Activités principales

• ·Développement et déploiement de stratégies quantitatives connectées à des API live pour établir un track-record audité
• ·Modèles assistés par intelligence artificielle pour la gestion de risque et la prise de décision d'investissement
• ·Conseil et accompagnement d'investisseurs privés et institutionnels sur leurs portefeuilles

Recherche & développement — performances

• ·2023 — Stratégie long-only actions US : 72 % de rendement live, sans levier
• ·2023 — Stratégie systématique Nasdaq 100 futures : 60 % de rendement live, sans levier
• ·Avril – Décembre 2022 — Stratégie factor (stock picking)sur S&P 500 : 56 % de rendement annuel moyen, ratio de Sharpe 1,8 sur 1994-2022, contrôlée pour le biais du survivant
• ·Janvier – Août 2022 — Stratégie systématique Nasdaq 100, filtres techniques, timeframe 3 minutes (prête au déploiement)

BOTS.io

Projet de recherche · Stratégie factor crypto

Janvier – Mars 2022

Développement d'une stratégie factor quantitative sur les marchés des cryptomonnaies, soumise à BOTS.io en vue d'un partenariat de distribution.

Travaux académiques · Master HEC Lausanne

Mémoire de Master

On the Relevance of Optimizing Technical Indicators on the US Stock Markets

HEC Lausanne, 2020

• ·Calcul de la Probability of Backtest Overfitting (Bailey et al., 2015) pour des stratégies systématiques appliquées au S&P 500 et au Nasdaq 100, 1988-2020
• ·Évaluation du pouvoir prédictif out-of-sampledu daily equity risk premium avec le test MSPE-ajusté de Clark & West (2006)
• ·Évaluation des OOS abnormal returns selon Harvey et al. (2015) dans un modèle ajusté aux corrélations et contrôlé pour un multiple testing approach

Travaux individuels

Risk Budgeting — Drawdown · d'après Goldberg & Mahmoud, Drawdown: from practice to theory and back again (Mathematics and Financial Economics)

• ·Calcul de la Conditional Expected Drawdown (CED)
• ·Création d'un produit financier qui délivre au plus le rendement moyen historique du marché et stocke l'excédent en réserve pour compenser les années négatives. L'étude montre que, investi aux points bas du S&P 500, le produit délivre un rendement constant de 9 %/an même en période de crise, avec une volatilité nulle.

Fundamental Weighting for the Swiss Market · d'après Arnott, Hsu & Moore, Fundamental Indexation (2005)

• ·Création de portefeuilles actions suisses pondérés par facteurs fondamentaux : book value, cash-flows, revenus, ventes, dividendes
• ·Le portefeuille pondéré par les ventes surperforme le SPI sur 2003-2020 avec un rendement moyen de 7,79 %/an contre 4,46 %/an pour l'indice

Compétences

Langues