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

Design of Data Adaptive Risk Measures For Early Detection of Financial Critical Events

• Auteur / Autrice : Georgios Tzagkarakis
• Direction : Joanne Hamet, Frantz Maurer
• Type : Thèse de doctorat
• Discipline(s) : Sciences de gestion
• Date : Soutenance le 06/12/2022
• Etablissement(s) : Bordeaux
• Ecole(s) doctorale(s) : École doctorale Entreprise, économie, société (Talence, Gironde ; 1991-....)
• Partenaire(s) de recherche : Laboratoire : Institut de recherche en gestion des organisations. Entreprises familiales et financières
• Jury : Examinateurs / Examinatrices : Serge Darolles
• Jury : Rapporteurs / Rapporteuses : Hélyette Geman, Fabrice Riva

Mots clés

Mots clés contrôlés

Risque financier

Finances

Analyse financière

Mots clés libres

Traitement statistique du signal

Traitement du signal graphes

Transformations temps-fréquence

Représentations parcimonieuses

Quantification du risque

Risque extrême

Risque systémique

Indicateurs prédictifs

Statistical signal processing

Graph signal processing

Time-frequency transformations

Sparse representations

Risk quantification

Tail risk

Systemic risk

Predictive indicators

Résumé

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.

In 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.