Modélisation des risques en présence de valeurs extrêmes : Une approche Gini - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2020

Risk modeling in the presence of extreme values : A Gini approach

Modélisation des risques en présence de valeurs extrêmes : Une approche Gini

Résumé

This thesis proposes a new approach to the treatment of available financial information by robust data analysis tools, using the Gini index. It aims at keeping all the information available, even rare events, for the modeling of returns and risk. A bad appreciation of risk by the agent distorts his expectations. Decision-making is based on the assessment of risks and forecasts that agents are able to make in the immediate future. The expected return on investment by the agent will depend on several sources of risk according to the arbitrage pricing theory. Yitzhaki and Schechtman (2013) have laid the foundations for a new econometrics based on the Gini index. They propose to use the coGini operator rather than the covariance to study samples whose underlying statistic distribution may be a statistic distribution different from the normal distribution.This thesis has two main contributions. The first deals with traditional data analysis methods : PCA, LDA and scoring. These methods are adapted to extreme values by using the coGini operator (or covariance in the Gini sense): Gini-PCA and Gini-LDA. The second concerns the analysis of the returns / risk couple. Applications are made in financial theory, in particular the pricing of financial assets by the arbitrage pricing theory and the performance analysis of investment strategies. Beyond finance, the tools developed in this thesis can be applied to any risk assessment (climate risk, governance risk, risk related to the evaluation of rare events such as earthquakes, coronavirus, etc.).
Cette thèse propose une nouvelle approche du traitement des informations financières disponibles par des outils d'analyse des données robustes, à l'aide de l'indice de Gini. Elle vise à garder toute l'information disponible, même les évènements rares pour la modélisation des rendements et du risque. Une mauvaise appréciation du risque par l’agent fausse ses anticipations.La prise de décision relève de l’évaluation des risques et des prévisions que les agents sont capables de réaliser dans un futur immédiat. Le rendement anticipé de l’investissement par l’agent sera fonction de plusieurs sources de risques selon le modèle d’évaluation par arbitrage. Yitzhaki et Schechtman (2013) ont posé les bases d’une économétrie nouvelle basée sur l’indice de Gini. Ils proposent d’utiliser l’opérateur coGini plutôt que la covariance afin d’étudier des échantillons dont la loi de distribution sous-jacente peut être une loi de distribution autre que la loi normale.Cette thèse comporte deux apports principaux. Le premier porte sur les méthodes d’analyse des données traditionnelles : ACP, AFD et scoring. Ces méthodes sont adaptées aux valeurs extrêmes par l'utilisation de l'opérateur coGini (ou covariance au sens de gini) : ACP-Gini et AFD-Gini. Le second porte sur l’analyse du couple risques / rendements. Des applications sont faites en théorie financière notamment le pricing des actifs financiers par le modèle d’évaluation par arbitrage et l'analyse des performances des stratégies d'investissement. Au-delà de la finance, les outils développés dans cette thèse peuvent s'appliquer à toute évaluation de risque (risque climatique, risque de gouvernance, risque lié à l'évaluation d'évènements rares tels que les séismes, le coronavirus, etc.).
Fichier principal
Vignette du fichier
82689_OURAGA_2020_archivage.pdf (4.05 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)

Dates et versions

tel-03184784 , version 1 (29-03-2021)

Identifiants

  • HAL Id : tel-03184784 , version 1

Citer

Téa Ouraga. Modélisation des risques en présence de valeurs extrêmes : Une approche Gini. Economies et finances. Université de Nîmes, 2020. Français. ⟨NNT : 2020NIME0007⟩. ⟨tel-03184784⟩

Collections

STAR UNIMES
242 Consultations
427 Téléchargements

Partager

Gmail Facebook X LinkedIn More