Show simple item record

dc.contributor.advisorHamet, Joanne
dc.contributor.advisorMaurer, Frantz
dc.contributor.authorTZAGKARAKIS, Georgios
dc.contributor.otherDarolles, Serge
dc.date2022-12-06
dc.identifier.urihttp://www.theses.fr/2022BORD0360/abes
dc.identifier.uri
dc.identifier.urihttps://tel.archives-ouvertes.fr/tel-04026530
dc.identifier.nnt2022BORD0360
dc.description.abstractDans 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.
dc.description.abstractEnIn the modern rapidly evolving financial universe, crisis periods probably representthe most striking events among all possible extreme phenomena, with an impact and frequency that varies across time. On the other hand, the return-risk pair is the unavoidable duality underlying all human activities, whilst unraveling the precise relationship between return and risk constitutes one of the most important unresolved questions in finance, which is also related to the occurrence of critical events. It is therefore of fundamental importance that managers and investors make decisions based on robust measures of risk. Current state-of-the-art risk quantification techniques do not adapt neither to the underlying data generating process nor to the existence of interdependencies in a joint time-frequency domain. In this thesis, we developand evaluate novel data-driven algorithmic methodologies for quantifying (extreme) tail risk and systemic risk in heterogeneous asset classes. To this end, we leverage the power of statistical signal processing and machine learning for the design of robust risk indicators based on efficient time-frequency representations, which enable the extraction of highly detailed information from time series data, in conjunction with accurate predictive models for the early warning of financial critical events.
dc.language.isoen
dc.subjectTraitement statistique du signal
dc.subjectTraitement du signal graphes
dc.subjectTransformations temps-fréquence
dc.subjectReprésentations parcimonieuses
dc.subjectQuantification du risque
dc.subjectRisque extrême
dc.subjectRisque systémique
dc.subjectIndicateurs prédictifs
dc.subject.enStatistical signal processing
dc.subject.enGraph signal processing
dc.subject.enTime-frequency transformations
dc.subject.enSparse representations
dc.subject.enRisk quantification
dc.subject.enTail risk
dc.subject.enSystemic risk
dc.subject.enPredictive indicators
dc.titleConception de mesures de risque adaptables aux données pour la détection précoce des évènements critiques financiers
dc.title.enDesign of Data Adaptive Risk Measures For Early Detection of Financial Critical Events
dc.typeThèses de doctorat
bordeaux.hal.laboratoriesInstitut de recherche en gestion des organisations. Entreprises familiales et financières
bordeaux.type.institutionBordeaux
bordeaux.thesis.disciplineSciences de gestion
bordeaux.ecole.doctoraleÉcole doctorale Entreprise, économie, société (Pessac, Gironde ; 1991-....)
star.origin.linkhttps://www.theses.fr/2022BORD0360
dc.contributor.rapporteurGeman, Hélyette
dc.contributor.rapporteurRiva, Fabrice
bordeaux.COinSctx_ver=Z39.88-2004&rft_val_fmt=info:ofi/fmt:kev:mtx:journal&rft.title=Conception%20de%20mesures%20de%20risque%20adaptables%20aux%20donn%C3%A9es%20pour%20la%20d%C3%A9tection%20pr%C3%A9coce%20des%20%C3%A9v%C3%A8nements%20critiques%20financier&rft.atitle=Conception%20de%20mesures%20de%20risque%20adaptables%20aux%20donn%C3%A9es%20pour%20la%20d%C3%A9tection%20pr%C3%A9coce%20des%20%C3%A9v%C3%A8nements%20critiques%20financie&rft.au=TZAGKARAKIS,%20Georgios&rft.genre=unknown


Files in this item

FilesSizeFormatView

There are no files associated with this item.

This item appears in the following Collection(s)

Show simple item record