Trouvez votre prochaine offre d’emploi ou de mission freelance Numpy à Paris

Le workflow des prix quotidiens de du client traite divers instruments financiers (actions, futures, obligations, IRS, etc.) à travers plusieurs étapes de traitement impliquant la validation des données, des contrôles de pare-feu, et des validations manuelles lorsque nécessaire. Ce workflow est devenu de plus en plus complexe en raison des extensions de produits, de la multiplicité des sources de données et de scénarios de pricing particuliers. Défis actuels : Limites de l’infrastructure legacy : Les systèmes backend et frontend existants pour les prix quotidiens et le pare-feu de données ont atteint leurs limites d’utilisation et ne peuvent pas gérer correctement la complexité opérationnelle actuelle. Cela entraîne une dégradation des performances et une expérience utilisateur peu fiable. Manque de transparence : Les équipes support et data engineering ont des difficultés à comprendre le cycle de vie d’un enregistrement de prix à travers le pipeline de traitement. Il n’est pas clair à quelle étape un prix est bloqué, pourquoi il est bloqué, et quelles actions peuvent résoudre le problème. Manques d’information : Les systèmes actuels n’affichent pas de manière fiable le statut de traitement, les raisons des erreurs ou les données produit contextuelles nécessaires pour des interventions manuelles et une prise de décision éclairée. Opérations inefficaces : Les opérations manuelles sur les enregistrements de prix manquent d’informations claires et correctes, ce qui entraîne des mauvaises interprétations dans certains cas, de mauvaises décisions, de la frustration utilisateur et de nombreuses investigations ad hoc. Problèmes de scalabilité : Les opérations en masse (chargement d’historique de prix, validations/rejets en masse) et la gestion des sources de prix sont lourdes et sujettes aux erreurs. Impact : Les équipes manquent de confiance dans la visibilité du système et l’intégrité des données ; les investigations prennent du temps ; les erreurs opérationnelles s’accumulent ; et le système devient un goulot d’étranglement à mesure que la couverture produit s’étend. 2. CRITÈRES CLÉS DE SUCCÈS La mission de conseil sera considérée comme réussie à l’atteinte des éléments suivants : API prête pour la production : Une API Python qui expose de manière fiable les données fonctionnelles et de traitement pour tous les enregistrements de prix à travers le workflow, avec une abstraction claire de la complexité Oracle sous-jacente. Visibilité complète : Les équipes support et data engineering peuvent comprendre instantanément le statut d’un prix, son étape de traitement, les raisons de blocage et les actions disponibles. Confiance des opérateurs : Les opérations manuelles sont effectuées avec des informations correctes et fiables ; le taux d’erreur sur les interventions manuelles diminue de manière mesurable. Opérations en masse efficaces : Les chargements d’historique de prix, validations et rejets en masse sont simplifiés et faciles à utiliser. UX intuitive : Interfaces frontend orientées utilisateur adaptées aux équipes support et data engineers ; visualisation claire des événements de prix et de l’historique de traitement. Réduction du temps d’investigation : Le temps de résolution des problèmes liés aux prix diminue d’au moins 50 % ; le troubleshooting ad hoc est réduit. Profil recherché : Développeur senior , avec une forte expertise en Python et en conception d’API robustes, prêtes pour la production. Expertise FastAPI - Pandas - NumPy Solide expérience en architecture technique , avec capacité à concevoir des systèmes scalables et à abstraire des environnements complexes (notamment Oracle). Une connaissance du domaine de la finance de marché (instruments financiers, pricing, flux de données) est fortement appréciée afin de bien comprendre les enjeux métier et les spécificités des données traitées. Bonne maîtrise des flux de données et des pipelines de traitement , idéalement dans un contexte de données financières ou de pricing. Compétences avancées en debugging, performance et optimisation de systèmes existants. Sensibilité produit, avec capacité à contribuer à des interfaces utiles pour les équipes support et data . Profil autonome et orienté résolution de problèmes , capable de comprendre rapidement des environnements complexes et de proposer des solutions pragmatiques.

Vos missions seront les suivantes : Garantir l’intégrité des données utilisées dans nos analyses Mettre en place des alertes sur les variations de notionnel significatives (par exemple par pays et par broker) ainsi que sur les problèmes de données manquantes ou de mapping manquants Automatiser la vérification des critères d’éligibilité des actions avant leur intégration dans les stratégies de trading Développer des modèles de suivi de l’évolution des positions dans le temps, notamment pour monitorer les taux de financement préférentiels obtenus Réaliser des analyses sur de nouveaux marchés en s’assurant de la robustesse des données entrantes et en collaborant avec les différentes équipes concernées Travailler de manière proactive avec les équipes IT afin d’améliorer en continu les processus et les outils internes Collaborer avec les Prime Brokers pour optimiser la qualité du service, renforcer la gestion des risques et fluidifier les échanges de données

PRÉSENTATION DE LA MISSION Dans le cadre d'un programme de transformation de la qualité des données de marché, vous rejoignez l'équipe DIR (Direction du Référentiel) . Votre rôle est de concevoir, déployer et industrialiser un cadre de contrôle rigoureux pour les actifs financiers (Futures, Yields, FX, Index, Bonds) afin de garantir la fiabilité des modèles de recherche et des décisions de trading. Type de contrat : Freelance Durée : 6 mois Localisation : Paris Environnement technique : Python (Data Stack), SQL, Bloomberg/Reuters API, LLM/IA. 2. MISSIONS ET RESPONSABILITÉS Axe 1 : Audit et Diagnostic (Phase d'Évaluation) Réaliser un audit complet des dimensions de qualité par classe d'actifs. Recenser l'existant (scripts épars, contrôles manuels) et identifier les zones de risque (gaps de couverture). Prioriser le backlog des anomalies historiques en collaboration avec les équipes Recherche et Prédiction. Axe 2 : Industrialisation de la Qualité (Mise en œuvre) Développer une bibliothèque unifiée et modulaire de contrôles (en Python) intégrable aux pipelines de données. Assurer la remédiation du stock historique : investigation des causes racines, correction des données et résolution des litiges avec les fournisseurs (Bloomberg, etc.). Mettre en place des mécanismes de prévention pour bloquer les anomalies dès l'ingestion. Axe 3 : Monitoring et Innovation Concevoir des dashboards de pilotage (KPI) pour monitorer la santé des données en temps réel. Développer un PoC basé sur les LLM pour automatiser la génération de nouveaux contrôles et faciliter l'analyse des causes racines (Root Cause Analysis). Rédiger le Playbook opérationnel (procédures de gestion d'incidents et workflows d'alerte).

Bonjour à tous, notamment aux Senior Python Engineers orientés Data & Distributed Systems 🐍☁️ (AWS / Spark / Ray / Pandas / Performance) ⚠️ Seniorité de 8 ans minimum 🔎 Je cherche un Senior Software Engineer Python pour rejoindre un programme stratégique au sein d’un grand acteur de la finance quantitative, autour de la valorisation de données financières massives (tick data L3). Dans ce contexte très exigeant, l’objectif est de rendre exploitables des datasets ultra-volumineux pour des chercheurs, en construisant des solutions de feature engineering distribuées tout en conservant une expérience utilisateur simple type pandas. 💻 Ce que tu vas faire : - Traduire des workflows Python/pandas en traitements distribués (Spark, Ray…) - Optimiser des traitements sur des volumes massifs de données (performance, scalabilité) - Concevoir des abstractions simples pour les data scientists (UX orientée chercheurs) - Participer aux choix d’architecture (Spark / Ray / Iceberg…) - Travailler sur des datasets complexes (données temporelles, dépendances, déséquilibres) - Collaborer étroitement avec des équipes ML Platform et des chercheurs quant - Contribuer à une plateforme data scalable et industrialisée sur AWS 🎯 Stack & environnement : Python (expert) / Pandas / NumPy / Spark / Ray / AWS (S3, EMR, SageMaker) / Iceberg / Data Lake / Feature Engineering / HPC (bonus) / Kubernetes (EKS en réflexion) 📍 Mission : Paris 💰 TJM : Selon profil 📅 Démarrage : ASAP

Dans le cadre du développement d’un outil orienté OCR , vous intervenez sur la conception et le développement d’une application combinant un backend Python , des API REST avec FastAPI et des interfaces Angular . Vous participez à la mise en place de traitements asynchrones et distribués en vous appuyant sur Celery, RabbitMQ et Redis , avec un enjeu fort autour de la performance, de la robustesse et de la scalabilité. Vos missions principales incluent la conception, le développement et la documentation d’API REST , l’implémentation de pipelines de traitement , la configuration et l’optimisation des mécanismes de queue, ainsi que la supervision et l’ observabilité des traitements. Vous intervenez également sur le développement et la maintenance d’interfaces Angular , la manipulation de fichiers PDF, Excel et images , la mise en place de tests unitaires , l’optimisation des performances et la participation à l’ architecture applicative en lien avec les équipes DevOps, sécurité et architecture . L’environnement technique comprend notamment Python, FastAPI, SQLAlchemy, Uvicorn, HTTPX, Numpy, Celery, RabbitMQ, Redis, Angular , ainsi que plusieurs bibliothèques de traitement documentaire comme Openpyxl, PyPDF2, PyMuPDF et Pillow .