Skip to content
Search jobs inside your AI agent. Claude, ChatGPT, Claude Code, Codex, Gemini, Cursor and Grok
Connect

URBAN LINKER

NewBe an early applicant

Développeur quantitatif/Développeuse quantitatif

Posted

Summary

Energy Quant Engineer at a ~20-person greentech startup that owns and trades large battery storage assets. You own the machine-learning electricity price-forecasting brick (short-term J+1–J+3 and a long-term 20–30 year model built from scratch) of the internal trading platform, using Python, time-series ML/DL and MIP/MILP optimization; hybrid in Paris or Bordeaux, up to €80K.

Energy Quant Engineer (H/F) - Paris ou Bordeaux / Hybride - jusqu’à 80K€


A PROPOS DE L’ENTREPRISE

Startup greentech d’une vingtaine de personnes, fondée il y a 2 ans par des profils reconnus de l’énergie et de la finance. Elle développe et exploite des actifs de stockage d’électricité par batteries de grande puissance, et opère pour son propre compte sur les marchés de l’électricité. Elle est financée par des investisseurs institutionnels de référence et finalise une nouvelle levée de fonds. L’équipe grandit, avec une gouvernance simple et des décisions rapides.


LE POSTE ET LE CHALLENGE

Vous rejoignez l’équipe Flexibilité, qui construit la plateforme de trading interne : prévision de prix, puis optimisation, puis exécution sur les marchés. Vous prenez l’ownership de la première brique, la prévision des prix de l’électricité, sur une approche 100% machine learning. Votre modèle long terme orientera directement les choix d’investissement de l’entreprise. Vos modèles court terme serviront à piloter les batteries sur les marchés. Le volet long terme part de zéro.


L’ENVIRONNEMENT TECHNIQUE ET L’ÉQUIPE


Stack technique :

Python natif, seul langage utilisé

Machine Learning et Deep Learning appliqués aux séries temporelles

Optimisation MIP/MILP

Git / GitHub Enterprise, CI/CD, revue de code


Équipe et organisation :

  • Composition : équipe Flexibilité multi-profils (data engineering, analyse de marché, gestion des contrats), en pleine croissance
  • Méthodo : environnement startup, peu de process imposés, vraie autonomie
  • Collaboration : binôme avec l’analyste de marché pour intégrer les fondamentaux dans vos modèles
  • Rattachement : responsable de l’équipe Flexibilité, lui-même issu d’un desk de pricing énergie


VOS MISSIONS


Court terme (3 mois) :

  • Reprendre et améliorer le modèle de prévision des prix de l’électricité court terme existant (J+1 à J+3)
  • Vous approprier les données et les mécanismes des marchés spot de l’électricité
  • Mettre en place la mesure continue de la précision des prévisions


Moyen terme (6 à 12 mois) :

  • Construire de zéro le modèle de prévision des prix de l’électricité long terme (20 à 30 ans), qui alimentera le modèle de revenus batterie déjà développé en interne
  • Développer les générateurs de scénarios de prix et modéliser l’incertitude
  • Contribuer, selon votre appétence, aux sujets d’optimisation et d’exécution aux côtés des traders


PROFIL RECHERCHÉ

Le point non négociable : une expérience concrète, même récente, en prévision des prix de l’électricité. Stage de fin d’études, alternance ou premier poste : ce qui compte, c’est que vous ayez conçu et entraîné vos propres modèles de prévision des prix de l’électricité, pas seulement exploité des prévisions produites par une autre équipe. Une expérience de prévision de prix sur d’autres énergies (gaz, pétrole) ou sur d’autres matières premières ne suffira pas. Un Data Scientist est le bienvenu à condition d’avoir déjà travaillé sur la prévision des prix de l’électricité.


Must have :

  • Expérience actuelle ou récente (stage, alternance, CDD ou CDI) en prévision des prix de l’électricité
  • Modèles de machine learning de prévision des prix de l’électricité conçus et entraînés par vous-même, idéalement mis en production
  • Connaissance des marchés de l’électricité : day-ahead, intraday, services système
  • Python, solides bases en statistiques, probabilités et séries temporelles
  • Bac+5 minimum (école d’ingénieur ou Master)
  • Français courant, anglais professionnel
  • Basé en France, avec une présence régulière à Paris ou Bordeaux


Nice to have :

  • Plusieurs années d’expérience en prévision des prix de l’électricité, jusqu’à 5 ans
  • Expérience en optimisation (MIP/MILP) ou en dispatch d’actifs
  • Expérience de travail aux côtés de traders
  • Exposition aux marchés de l’électricité allemand, britannique ou espagnol
  • Un doctorat mené au contact d’applications concrètes


Soft skills :

  • Vous préférez livrer une première version qui avance plutôt que peaufiner un modèle pendant des mois
  • Vous cherchez à comprendre à quoi servent vos modèles et ce qu’ils rapportent
  • Vous êtes à l’aise pour porter un sujet de bout en bout dans une petite équipe


PACKAGE

  • Rémunération fixe : selon expérience, jusqu’à 80 000 euros brut annuel
  • Variable : bonus discrétionnaire annuel, basé sur la performance individuelle et collective
  • Télétravail : 1 à 2 jours par semaine une fois autonome, présence renforcée au démarrage
  • Statut : Cadre, forfait jour (218 jours)
  • Avantages : mutuelle, déplacements inter-bureaux intégralement pris en charge (transport, hébergement, repas)


LES GROS + DU PROJET

  • Un modèle long terme à construire de zéro, qui oriente directement les choix d’investissement de l’entreprise
  • Une approche machine learning assumée, sans legacy à maintenir
  • Un rattachement direct à un manager qui connaît le métier de l’intérieur
  • Une évolution visible : passage senior envisageable après un an, rôle de lead possible à 2 ans


PROCESS DE RECRUTEMENT

  1. Qualification avec Cyprien, Urban Linker
  2. Entretien avec le responsable de l’équipe Flexibilité (visio, 1h)
  3. Entretien avec le directeur du pôle (visio, 45 min à 1h)
  4. Rencontre avec l’un des cofondateurs (visio ou présentiel)
  5. Entretien de personnalité avec un cabinet RH externe (visio, 1h, questionnaire de 10 min en amont)

Skills

Apply

See also

Software Engineering jobs by country — openings, pay and top skills →