Qui nous sommes vraiment
Nous rencontrons souvent des équipes déjà bien équipées en indicateurs macro et
sectoriels, mais qui constatent un décalage persistant entre les changements de régime
et leurs outils quotidiens. Belminta a été créé pour combler précisément cet écart, sans
bouleverser vos cadres de décision.
Une équipe née d’un besoin concret de lecture des régimes
Belminta est né d’un constat simple : les changements de régimes sectoriels restent souvent visibles trop tard dans les indicateurs classiques. Notre équipe a donc construit une architecture d’IA dédiée à la lecture des signaux macro, fondamentaux et alternatifs, avec un seul objectif opérationnel : donner aux équipes de recherche institutionnelles une vision plus précoce, documentée et exploitable des phases cycliques et défensives.
Nous structurons chaque collaboration autour d’objectifs de recherche clairs, de jeux de données vérifiés et d’un cadre de validation partagé avec vos équipes.
Architecture de recherche
Schéma sobre présentant l’articulation entre données, modèles et restitution des signaux sectoriels.
Une mission centrée sur la lisibilité des signaux
Notre mission est de rendre les signaux de régimes sectoriels à la fois plus réactifs et plus lisibles. Nous ne cherchons pas à remplacer vos processus, mais à ajouter une couche de lecture probabiliste des phases cycliques, neutres et défensives. Chaque livrable est pensé pour dialoguer avec vos grilles existantes, qu’il s’agisse de vues top‑down, de matrices de risque ou de comités de suivi des expositions sectorielles.
Nous privilégions des collaborations resserrées avec les équipes quant, macro et risques, pour ancrer les signaux dans vos propres cadres d’analyse.
Lecture des régimes
Vue de tableau de bord montrant des probabilités de régimes sectoriels avec légendes claires et annotations.
Un cadre de recherche discipliné et documenté
Notre cadre de recherche repose sur un triptyque constant : qualité des données, discipline de validation, surveillance continue. Les modèles sont entraînés sur des historiques longs, avec des procédures de séparation temporelle strictes et des tests de stabilité. Nous documentons les périodes de sous‑performance, les changements de comportement et les points où le signal doit être traité avec prudence, afin d’éviter une confiance excessive dans un seul indicateur de régime sectoriel.
Nous testons systématiquement nos modèles sur plusieurs cycles macro, périodes de stress et contextes de liquidité contrastés.
Cycles et régimes
Graphique montrant plusieurs cycles économiques avec surlignage des changements de régimes sectoriels.
Une intégration pensée pour vos contraintes internes
Nous savons que l’introduction de signaux issus de l’IA dans des processus établis soulève des questions de gouvernance, de responsabilité et de traçabilité. C’est pourquoi nous concevons chaque déploiement comme un projet conjoint : définition des cas d’usage, choix des horizons de prévision, mise en place de tableaux de bord, documentation des limites. Notre objectif est d’aider vos équipes à utiliser la lecture de régimes sectoriels comme un complément, jamais comme un pilote automatique.
Nous privilégions des intégrations progressives, en commençant souvent par un périmètre restreint de secteurs et de régions.
Intégration client
Illustration d’un flux d’intégration reliant les systèmes internes du client aux signaux de régimes sectoriels.
Nos valeurs pour une IA appliquée aux régimes sectoriels
Notre mission centrée sur les régimes sectoriels
Notre mission est d’aider les équipes institutionnelles à mieux identifier et suivre les régimes sectoriels, en particulier les transitions entre phases cycliques et défensives. Nous le faisons à travers des modèles d’IA encadrés, une documentation claire et des intégrations progressives, toujours en gardant la priorité sur la compréhension des risques et des limites plutôt que sur des promesses de performance.
Notre vision à moyen terme
Nous imaginons un environnement où les décisions liées aux expositions sectorielles s’appuient sur des lectures de régimes probabilistes, partagées entre équipes de recherche, risques et direction. Dans cette vision, l’IA reste un outil de lecture, utile pour repérer les inflexions entre phases défensives et cycliques, mais toujours replacée dans un cadre de jugement humain et de gouvernance robuste.
Rigueur scientifique assumée
Nous documentons chaque choix méthodologique, testons nos modèles sur plusieurs cycles et mettons en avant autant les limites que les forces des signaux de régimes sectoriels. Cette discipline est la base de toute collaboration durable avec des équipes institutionnelles.
Transparence des signaux
Les signaux de régimes sectoriels que nous produisons sont accompagnés de probabilités, d’intervales de confiance et de périodes de fragilité identifiées, afin d’éviter une lecture simpliste ou binaire des phases de marché.
Partenariat avec les clients
Nous concevons chaque projet comme un travail conjoint avec vos équipes, en adaptant le format des livrables, les horizons de prévision et les rapports aux contraintes de vos comités de risques et de direction.
Responsabilité dans l’usage de l’IA
Nous restons prudents sur les promesses associées à l’IA, rappelons que les résultats peuvent varier et que la performance passée ne préjuge pas des comportements futurs, surtout lors de changements de régimes.
Notre équipe
Une équipe resserrée, expérimentée et directement accessible pour vos questions techniques, méthodologiques ou de gouvernance.
Claire Martin
Responsable recherche
1
Régimes sectoriels et macro
Master en finance quantitative Université Paris‑Dauphine
Grande société de gestion française
Compétences clés
Analyse macro
Modélisation factorielle
Validation de modèles
Méthodes
Cadre RegimeScope pour régimes sectoriels
Backtests temporels séparés multi‑cycles
Certifications
Chartered Financial Analyst, orientation analyse
quantitative
Certification en modélisation statistique appliquée aux
marchés
Responsable de la vision scientifique globale, elle coordonne la définition des régimes sectoriels, les protocoles de backtests et le dialogue avec les équipes de recherche des clients institutionnels.
Elle pilote la méthodologie interne RegimeScope, qui structure l’identification des phases cycliques, neutres et défensives à partir de signaux macro et sectoriels. Son rôle consiste à arbitrer entre sophistication des modèles et lisibilité pour les comités de risques, en veillant à ce que chaque évolution soit documentée, testée sur plusieurs cycles et présentée avec des limites d’usage claires pour les équipes clientes.
Julien Bernard
Lead data engineer
2
Données macro et sectorielles
Diplôme d’ingénieur en informatique Institut Mines‑Télécom
Fintech spécialisée en données marchés
Compétences clés
Ingénierie data
Automatisation flux
Contrôle qualité
Méthodes
Pipeline DataReliance pour séries macro
Suivi des changements de classifications
sectorielles
Certifications
Certification en ingénierie de données avancée
Formation sécurité et gouvernance des données
Il conçoit et maintient l’infrastructure de données, en veillant à la qualité des séries macro, sectorielles et alternatives utilisées pour entraîner les modèles d’IA.
Il est responsable du pipeline DataReliance, qui trace chaque transformation appliquée aux données utilisées pour la prévision de régimes sectoriels. Son travail couvre la détection d’anomalies, la gestion des révisions macro et la documentation des changements de classifications sectorielles. Il collabore étroitement avec les équipes clients pour aligner les définitions de secteurs et garantir la cohérence entre leurs référentiels et les signaux produits.
Nadia Lefèvre
Lead machine learning
3
Modèles de régimes
Master en mathématiques appliquées École normale supérieure
Banque d’investissement européenne
Compétences clés
Machine learning
Analyse de séries temporelles
Explicabilité modèles
Méthodes
Bibliothèque ModelGrid pour modèles
régimes
Cadre d’explicabilité basé sur contributions
locales
Certifications
Certification en apprentissage automatique
appliqué
Programme avancé en statistiques bayésiennes
Elle développe et met en production les modèles de machine learning, en privilégiant des architectures explicables et robustes aux changements de régimes.
Elle pilote la bibliothèque ModelGrid, qui regroupe les différentes familles de modèles testées pour la prévision de régimes sectoriels. Elle met l’accent sur la stabilité des signaux, la gestion du sur‑apprentissage et la capacité à expliquer les variations de probabilités de régimes aux équipes non techniques. Elle coordonne également la surveillance en continu des modèles, afin de détecter les dérives et déclencher, si nécessaire, des revues conjointes avec les clients.
Thomas Dubois
Responsable clients
4
Projets et gouvernance
Master en gestion des risques Université Paris‑Dauphine
Cabinet de conseil en risques
Compétences clés
Relation institutionnelle
Cadrage projets
Gouvernance données
Méthodes
Cadre ClientAlignment pour déploiement
progressif
Revue périodique d’usage des signaux
Certifications
Certification en gestion de projets complexes
Formation gouvernance des données et conformité
Interlocuteur principal des clients institutionnels, il structure les projets d’intégration, les phases pilotes et le suivi de l’usage des signaux de régimes sectoriels.
Il anime la démarche ClientAlignment, qui encadre chaque collaboration depuis la qualification des cas d’usage jusqu’à la revue régulière des signaux utilisés. Son rôle est de traduire les contraintes des comités de risques, de conformité et de direction en spécifications concrètes pour l’équipe technique. Il veille à ce que les livrables restent exploitables, documentés et alignés avec les processus internes de chaque organisation.
Les étapes clés de notre développement
-
022022
Mise en place du cadre de données et de validation
Structuration du pipeline de données macro et sectorielles, mise en place du cadre de validation RegimeScope et premiers tests sur plusieurs cycles incluant des périodes de stress marquées, avec documentation systématique des limites observées.
-
032023
Pilotes avec équipes de recherche institutionnelles
Lancement des premiers pilotes avec plusieurs équipes de recherche institutionnelles, intégration des signaux de régimes sectoriels dans leurs tableaux de bord existants et ajustements du format de restitution pour faciliter l’usage quotidien.
-
042024
Industrialisation et ouverture de la plateforme
Passage en production de la plateforme de signaux de régimes sectoriels, ouverture d’une API dédiée, renforcement de l’équipe data et formalisation des méthodologies internes DataReliance, ModelGrid et ClientAlignment.
-
052025
Extension de la couverture et de l’explicabilité
Élargissement de la couverture sectorielle et géographique, amélioration des outils d’explicabilité des régimes et renforcement de la gouvernance des modèles, avec une attention accrue portée à la documentation pour les comités de risques.
01
2021
Fondation et premier prototype de régimes sectoriels
Création de Belminta autour d’un premier prototype de modèle de régimes sectoriels, construit pour tester si une lecture probabiliste des phases cycliques et défensives pouvait compléter les grilles macro classiques d’une équipe institutionnelle partenaire.
Reconnaissances et validations externes
Prix pour la rigueur méthodologique
Reconnaissance pour la qualité de notre cadre de validation des signaux de régimes sectoriels et la clarté de la documentation fournie.
2025
Programme d’accélération européen
Sélection dans un programme d’accompagnement dédié aux technologies d’IA appliquées aux marchés financiers institutionnels en Europe.
2024
Compétition de recherche appliquée
Distinction obtenue lors d’un concours de recherche appliquée récompensant des approches prudentes de modélisation des régimes.
2023
Notre regard sur l’IA et les régimes sectoriels
Les régimes sectoriels ne sont pas une promesse de stabilité, mais une manière
structurée de lire des phases de marché changeantes. Notre équipe défend une vision
prudente de l’IA : utile lorsqu’elle est encadrée, documentée et intégrée à des
décisions humaines informées, jamais lorsqu’elle prétend tout prédire.
Citation mise en avant
Nous voyons les régimes sectoriels comme une grammaire discrète des marchés, souvent noyée dans le bruit quotidien. Notre travail consiste à rendre cette grammaire visible, sans la surinterpréter. Les modèles d’IA peuvent aider à repérer plus tôt les glissements vers des phases cycliques ou défensives, mais ils restent des outils, pas des oracles. Notre priorité est donc de fournir des signaux probabilistes, accompagnés de leurs limites, pour que vos équipes puissent les intégrer avec discernement dans leurs propres cadres d’analyse. Les marchés restent incertains par nature, et c’est précisément cette incertitude que nous cherchons à traiter avec méthode.
- Co‑fondatrice et responsable recherche quantitative
Claire Martin
L’IA appliquée aux régimes sectoriels ne vaut que par la qualité des
données qui l’alimentent. Nous passons une part importante de notre
temps à documenter les ruptures de séries, les changements de
classifications sectorielles et les périodes de stress. Cela peut
paraître ingrat, mais c’est ce qui permet ensuite d’interpréter les
signaux sans se bercer d’illusions sur leur stabilité dans le temps.
-
Julien Bernard
Responsable ingénierie de données
Nous préférons des modèles légèrement moins performants en
apparence, mais plus robustes sur plusieurs cycles, à des
architectures opaques difficiles à expliquer aux comités de risques.
L’objectif n’est pas de produire une courbe parfaite, mais un
indicateur de régime sectoriel que vos équipes peuvent questionner,
challenger et mettre en regard de leurs propres vues macro.
- Nadia Lefèvre
- Lead machine learning
Lorsque nous présentons nos signaux de régimes sectoriels à une
équipe, nous commençons toujours par les périodes où le modèle se
trompe ou devient moins fiable. Cela crée un cadre de discussion
plus sain. À partir de là, nous pouvons réfléchir ensemble à la
meilleure façon d’utiliser les signaux : comme alerte, comme élément
de cadrage, ou comme entrée parmi d’autres dans leurs tableaux de
bord.
- Thomas Dubois
Responsable relations institutionnelles
Les régimes sectoriels influencent directement la perception du
risque global, mais les décisions restent humaines. Notre rôle est
d’apporter un éclairage supplémentaire, en explicitant les
hypothèses, les horizons et les marges d’erreur. Nous rappelons
systématiquement que les résultats peuvent varier et que la
performance passée, même bien documentée, ne préjuge pas des
comportements futurs.
- Sophie Laurent
Spécialiste risques et gouvernance