Analyste quantitatif
Construit et calibre les modèles mathématiques utilisés en pricing, hedging et risk management. Travaille en banque d'investissement, hedge fund ou société de gestion.
À 90 jours, trois portes concrètes
Commencer tout de suite
Identifie deux compétences essentielles du métier que tu ne maîtrises pas encore et trouve une ressource pour les attaquer cette semaine.
S'orienter
Compare cette fiche à deux métiers adjacents du catalogue pour voir où tes forces actuelles se placent le mieux.
Où ça va
Scénario optimiste : L'analyste quantitatif évolue vers un rôle de « quant-ingénieur de systèmes autonomes » : il conçoit les objectifs, les contraintes et les mécanismes de gouvernance des agents IA de trading, sans nécessairement coder…
2 ans
Le marché du recrutement quant en France reste tendu sur les profils expérimentés (5-10 ans).
5 ans
Deux trajectoires se dessinent clairement.
10 ans
Scénario optimiste : L'analyste quantitatif évolue vers un rôle de « quant-ingénieur de systèmes autonomes » : il conçoit les objectifs, les contraintes et les mécanismes de gouvernance des agents IA de trading, sans…
Analyse éditoriale LaborAI
Comment ce métier se transforme
Sur 2 ans
Horizon 1-3 ans : recomposition accélérée du cœur de métier
Le marché du recrutement quant en France reste tendu sur les profils expérimentés (5-10 ans). Selon l'étude de rémunérations 2026 de Michael Page, les fourchettes salariales pour un analyste quantitatif en BFI/Asset Management s'échelonnent de 45-52 k€ en junior (0-2 ans) à 65-90 k€ pour 5-10 ans d'expérience, avec un palier senior à 90-100 k€. Ces niveaux sont confirmés par les données Glassdoor France (médiane autour de 68 k€, 75e percentile à ~90 k€), ce qui positionne le métier nettement au-dessus de la médiane cadre APEC (55 k€ en 2025).
La transformation la plus visible à court terme est l'intégration des LLM et des agents IA dans la chaîne de recherche alpha. Des frameworks comme R&D-Agent-Quant ou QuantAgent automatisent déjà des sous-tâches de découverte de facteurs et de génération de stratégies. Cela ne supprime pas les postes quant, mais déplace la valeur ajoutée : les tâches de codage répétitif et de backtesting standardisé sont progressivement absorbées par ces outils, tandis que la validation critique, la conception de l'architecture de recherche et l'interprétation des résultats restent humaines.
Le ralentissement du marché M&A en 2024-2025 a rendu le recrutement plus sélectif, avec une préférence marquée pour les profils 5-8 ans d'expérience selon Michael Page. Les juniors issus de formations généralistes sans stack ML solide peinent davantage à l'entrée.
Sur 5 ans
Horizon 3-7 ans : bifurcation entre quants-architectes et quants-validateurs
Deux trajectoires se dessinent clairement. Scénario 1 (probable) : la spécialisation s'approfondit. Les quants qui maîtrisent l'orchestration de systèmes multi-agents (LLM + reinforcement learning + données alternatives) deviennent des architectes de pipelines d'investissement automatisés. La recherche académique récente montre que les systèmes d'agents LLM spécialisés (analyste, trader, risk manager) peuvent traiter des données non structurées et générer des décisions de trading de manière collaborative — mais leur déploiement robuste en production reste contraint par des problèmes de backtestabilité et de régime-shift. Les quants capables de concevoir, valider et gouverner ces systèmes seront en forte demande.
Scénario 2 (frein réglementaire) : la validation de modèles résiste. Les exigences Bâle IV/FRTB et DORA imposent une validation indépendante des modèles de risque et de pricing. Cette contrainte réglementaire crée une demande structurelle de quants-validateurs qui ne peut pas être entièrement automatisée : un régulateur n'accepte pas un modèle validé par le modèle lui-même. Ce segment du marché (model validation, risk quant) offre une protection relative contre l'automatisation.
Le moteur de croissance principal reste la finance de marché et l'asset management quantitatif, où la concurrence pour l'alpha pousse à l'adoption rapide des outils IA. Le frein principal est la concentration géographique (Paris, Londres, Zurich) et la rareté des profils combinant mathématiques de haut niveau, ML et connaissance des marchés.
Sur 10 ans
Horizon 7-15 ans : recomposition profonde, pas disparition
Scénario optimiste : L'analyste quantitatif évolue vers un rôle de « quant-ingénieur de systèmes autonomes » : il conçoit les objectifs, les contraintes et les mécanismes de gouvernance des agents IA de trading, sans nécessairement coder chaque modèle. La demande reste forte car la complexité des marchés financiers (nouveaux instruments, crypto-actifs régulés, marchés carbone) génère en permanence de nouveaux problèmes de modélisation. Les travaux de recherche sur les LLMs en finance quantitative soulignent que le passage d'une finance « AI-powered » à une finance « AI-automated » est en cours, mais que les limitations actuelles (robustesse hors-distribution, explicabilité réglementaire) maintiennent un rôle humain central.
Scénario pessimiste : L'automatisation des tâches de recherche alpha (découverte de facteurs, backtesting, optimisation) progresse au point de réduire significativement les effectifs quant dans les hedge funds systématiques. Les grandes plateformes (Two Sigma, Renaissance, Citadel) ont déjà réduit leurs équipes de recherche humaine au profit de pipelines automatisés. Ce mouvement pourrait s'étendre aux BFI françaises si la pression concurrentielle s'intensifie.
Le facteur démographique joue en faveur du métier : les formations d'excellence (Polytechnique, Centrale, ENSAE, Paris-Dauphine) produisent des cohortes limitées de profils quant, maintenant une tension structurelle sur l'offre. La transition écologique ouvre par ailleurs de nouveaux segments (pricing de risques climatiques, marchés carbone, obligations vertes structurées) qui nécessitent des compétences quant spécifiques encore peu développées.
Compétences clés
Voir mes écarts →Hard skills
- ↗Modélisation stochastique et pricing de dérivésIndispensable
- ↗Python (NumPy, pandas, scikit-learn, PyTorch/TensorFlow)Indispensable
- ↗Machine learning appliqué à la finance (gradient boosting, LSTM, transformers financiers)Indispensable
- ↗Statistiques avancées et économétrie financièreIndispensable
- ↗Gestion des risques quantitatifs (VaR, CVaR, stress-testing)Indispensable
- ↗C++ ou Java pour le trading haute fréquenceImportant
- ↗Traitement de données alternatives (NLP sur news/earnings, données satellites, ESG)Important
- ↗Optimisation de portefeuille et allocation d'actifsImportant
- ↗SQL et bases de données financières (Bloomberg, Refinitiv, bases tick)Important
- ↗Backtesting rigoureux et contrôle du data snoopingImportant
- →Mathématiques financières (calcul stochastique, EDP, théorie des martingales)Moins valorisé
Soft skills
- ↗Lecture critique des sorties de modèles IAClef
- ↗Communication de résultats quantitatifs à des interlocuteurs non-techniquesClef
- ↗Rigueur épistémique et gestion de l'incertitudeClef
- ↗Veille technologique autonome et apprentissage continuClef
- ↗Capacité à arbitrer sous contrainte réglementaireImportant
- ↗Résistance à la pression des résultats court-termeImportant
Trajectoire type à 5 ans
Quelques repères pour te donner l'échelle.
Junior
35–47 k€
Confirmé·e
45–60 k€
Senior
55–75 k€
Valeur déplacée vers l'évaluation et la supervision
Expert / lead
70–95 k€
Et maintenant
Cette fiche prend dix fois plus de sens quand elle parle de toi.
Ton niveau, tes intérêts, ta situation — trois minutes et LaborAI te montre ta voie la plus directe vers ce métier, les compétences qui te manquent, la formation priorisée pour les combler.
Sources
APEC · France Travail · Journal d'un Progressiste · mise à jour auto
Mise à jour : 2 mai 2026