Ops Quant intern
MET Energie France
Développé un modèle de prévision de la consommation électrique (J+1 à J+7, pas de 15 min) pour le portefeuille clients de MET France (responsable d’équilibre), basé sur un modèle espace-état (filtre de Kalman) et une agrégation d’experts (régression, AR, GAM, MLP) — nMAE de 2.8 %. Développé un modèle de prévision de la conso-gaz combinant correction thermosensible des clients profilés et classification des régimes pour les clients télérelevés (k-means, Random Forest) — marge de ±25 MWh en déséquilibre TRF après ajustements Intraday par couverture en produits Within-Day. Contribué à l’infrastructure ETL d’ingestion des données de marché (RTE, ENTSO-E, EPEX) vers une base QuestDB, orchestrée par des CronJobs Kubernetes (AKS) via Azure DevOps. Développé un modèle de prévision des prix des écarts par régression quantile couplé à un algo de Monte Carlo Tree Search pour l’ajustement dynamique de nos courbes d’ordres Day-Ahead EPEX. Contribué à un pricing de PPA éolien (13 parcs) pour deux structures de contrat (indexé spot, prix fixe), formulé comme un programme linéaire stochastique sous contrainte CVaR; backtesté out-of-sample et affiné par un modèle de capture rate à copule gaussienne (effet cannibalisation).