Modélisation, prévision et couverture du risque de contagion financière

par Lazeni Fofana

Thèse de doctorat en Sciences économiques

Sous la direction de Françoise Seyte.


  • Résumé

    Cette thèse porte sur la modélisation, la prévision et la couverture du risque de contagion financière. Après une présentation générale des fondements théoriques et des mécanismes de propagation relatifs à la contagion financière, nous introduisons une modélisation fondée sur les modèles de cointégration non linéaire et de causalité non linéaire dans lesquels, les variables et le terme d’erreur du modèle à correction d’erreur obéissent à la dynamique de processus auto-régressifs à changement de régime de type TAR et M-TAR pour capter l’effet de contagion. Une extension de cette modélisation au cadre de prévision probabiliste conditionnelle a été faite par la suite à travers les réseaux de croyance Bayésienne pour renforcer le pouvoir prédictif. Ensuite, nous montrons comment une institution financière peut couvrir son portefeuille contre ce type de risque par de nouvelles approches. Nous proposons pour cela, une stratégie de couverture purement statique dans une perspective règlementaire à l’aide de modèles génératifs de type Vines-copula, une stratégie de couverture semi-statique fondée sur la budgétisation des risques et une stratégie de couverture dynamique à partir des processus de diffusion à sauts mutualisés. Ces nouvelles modélisations sont testées empiriquement sur un ensemble d’indices boursiers.

  • Titre traduit

    Modeling, forecasting and hedging financial contagion


  • Résumé

    This Ph.D thesis focuses on modeling, forecasting and hedging financial contagion. After an overview of the theoretical foundations and spread mechanism relating to financial contagion, we introduce modeling based on nonlinear cointegration and non-linear causality models in which the variables and the error term in the correction model error obey at the dynamics of autoregressive regime change process of type TAR and M-TAR to catch the contagion effect. An extension of this model to conditional probabilistic forecasting framework was done through Bayesian belief networks, to enhance the predictive power. Then we show how a financial institution can hedge its portfolio against this risk by new specifications. Therefore, we offer a purely static hedging strategy in a regulatory perspective using generative models Vines-copula, a semi-static hedging strategy based on risk budgeting and dynamic hedging strategy based on mutually exciting jumps diffusion process. These new models are tested empirically on set of market indices.

Consulter en bibliothèque

La version de soutenance existe

Où se trouve cette thèse\u00a0?

  • Bibliothèque : Bibliothèque interuniversitaire. Section Droit, Science politique, Economique et Gestion.
Voir dans le Sudoc, catalogue collectif des bibliothèques de l'enseignement supérieur et de la recherche.