Conception de mesures de risque adaptables aux données pour la détection précoce des évènements critiques financiers

Abstract

Dans l’univers financier moderne en évolution rapide, les périodes de crise représententprobablement les événements les plus marquants parmi tous les phénomènes extrêmes possibles, avec un impact et une fréquence qui varient dans le temps. D’autre part, le couple rendementrisque est la dualité incontournable qui sous-tend toutes les activités humaines, tandis que démêler la relation précise entre rendement et risque constitue l’une des questions non résolues les plus importantes en finance, qui est également liée à la survenance d’événements critiques. Il est donc d’une importance fondamentale que les gestionnaires et les investisseurs prennent des décisions fondées sur des mesures solides du risque. Les techniques actuelles de quantification des risques de pointe ne s’adaptent ni au processus sous-jacent de génération de données ni à l’existence d’interdépendances dans un domaine temps-fréquence commun. Dans cette thèse, nous développons et évaluons de nouvelles méthodologies algorithmiques basées sur les données pour quantifier le risque extrême et le risque systémique dans des classes d’actifs hétérogènes. À cette fin, nous tirons parti de la puissance du traitement statistique du signal et de l’apprentissage automatique pour la conception d’indicateurs de risque robustes basés sur des représentations temps-fréquence efficaces, qui permettent l’extraction d’informations très détaillées à partir de données de séries chronologiques, en conjonction avec des modèles prédictifs précis pour l’alerteprécoce des événements financiers critiques.