Chercheur post - doc en science des données et économétrie financière (F/H)

Présentation du service/laboratoire :
Le chercheur postdoctoral rejoindra le Laboratoire d'Économie d'Orléans (LEO) et travaillera en collaboration avec des partenaires académiques et institutionnels. L'environnement favorise la recherche de qualité, avec accès à des ressources informatiques performantes, à des données propriétaires en fraude, et à une équipe multidisciplinaire. Le laboratoire soutient la publication scientifique et la participation à des conférences internationales. Une attention particulière sera accordée à la confidentialité des données, à leur usage responsable et à la reproductibilité des résultats.

Présentation du projet :
La fraude financière génère des coûts majeurs, financiers comme sociaux, et évoluent constamment avec la numérisation et l'émergence de nouveaux canaux de paiement. Le projet développe des méthodes interprétables et opérationnellement pertinentes pour détecter la fraude dans l'assurance, les cotisations sociales et la banque.
La recherche s'appuie sur des données volumineuses, hétérogènes et souvent sensibles pour identifier des comportements anormaux, des réseaux suspects et des schémas de fraude émergents, tout en maîtrisant les faux positifs et en préservant l'interprétabilité des modèles. Les travaux porteront sur la modélisation avec déséquilibre de classes, l'apprentissage (semi-)supervisé et sensible au coût, les méthodes de réseau et graphique pour découvrir les schémas coordonnés, ainsi que le développement de modèles explicables et robustes adaptés aux environnements régulés. Une attention particulière sera accordée aux stratégies adaptatives face à l'évolution des techniques frauduleuses et aux dynamiques temporelles.
Missions :
Nous recherchons un chercheur postdoctoral pour développer des modèles de machine learning et deep learning appliqués à la détection de fraude dans l'assurance, les cotisations sociales et la banque.
Le travail comprendra le développement et la mise en œuvre de méthodes interprétables de ML/DL pour la détection d'anomalies, l'analyse et le prétraitement de datasets volumineuses provenant de secteurs financiers divers, des études comparatives des méthodologies de détection, la collaboration avec des partenaires industriels pour valider les modèles sur données propriétaires.
Le candidat contribuera à 2-3 publications dans des revues internationales à comité de lecture et à des présentations en conférences majeures. Il disposera d'une autonomie scientifique significative, avec mentorat de chercheurs seniors et accès aux infrastructures du laboratoire.

Profil recherché :
Formation et expérience professionnelle :
- Doctorat (Ph.D.) en Data Science, Machine Learning, Économétrie, Finance, Statistiques ou dans un domaine connexe ;
- Expertise en économétrie, machine learning et deep learning, notamment en détection d’anomalies, classification et séries temporelles ;
- Solides compétences en programmation (Python, R, SQL) ;
- Expérience en analyse de données volumineuses et en feature engineering, ainsi que connaissance des méthodes d’IA explicable ;
- Une expérience en analyse de réseau ou de graphique est un atout ;
- Expérience antérieure avec des données d’assurance, bancaires ou de protection sociale, ainsi que des compétences en français, sont des atouts ;
-Excellente maîtrise de l’anglais, à l’écrit comme à l’oral.

Dossier de candidature :
- un CV incluant la liste des publications ;
- une lettre de motivation présentant les intérêts de recherche du candidat et l’adéquation de son profil avec le poste (2 pages maximum) ;
- un article scientifique représen

L'employeur :
Établissement d'enseignement supérieur, l'Université d'Orléans est présente sur 7 sites en région Centre Val de Loire.
Elle compte 18 000 étudiant.e.s, 141 diplômes nationaux, 2000 personnels et 24 unités de recherche.
Lieu d’exercice : Université d’Orléans – Laboratoire d'Economie d'Orléans (LEO)
Prise de poste : Poste à pourvoir à partir de janvier 2027
Type de contrat/Statut : Post - doc, temps plein