Slionlombienel
Analyse de dépendance conditionnée à des périodes de stress
Analyse de risque
19 novembre 2026 • Équipe Slionlombienel

Conditionnement par périodes de stress : isoler la dépendance extrême quand les marchés basculent

Imaginez que vous estimez la dépendance entre deux actifs sur dix ans de données et que vous obtenez un chiffre modéré et rassurant. Maintenant isolez les seuls trimestres où les marchés ont subi des chocs documentés. La dépendance estimée sur cette sous-période est souvent radicalement différente. Ce phénomène n'est pas une anomalie statistique : c'est une information que la moyenne globale efface. Le conditionnement par périodes de stress est la méthode qui permet de la récupérer.

Lire l'article
Visualisation d'estimateurs non paramétriques de dépendance de queue
Estimation statistique
3 décembre 2026 • Équipe Slionlombienel

Indices de dépendance de queue : interpréter les estimateurs non paramétriques sur données financières réelles

Les estimateurs non paramétriques des indices de dépendance de queue présentent un avantage décisif : ils ne supposent aucune forme distributionnelle particulière. Mais cette liberté a un coût. Leur variance d'estimation est souvent élevée, leur comportement sur petits échantillons est délicat à interpréter, et plusieurs estimateurs coexistent dans la littérature sans qu'un consensus clair désigne le meilleur dans toutes les situations. Voici un cadre pour les lire, les comparer et les utiliser avec discernement sur des données financières.

Lire l'article
Graphique d'Expected Shortfall et risque de queue conjoint
Mesures de risque
17 décembre 2026 • Équipe Slionlombienel

Expected Shortfall et dépendance de queue : ce que votre mesure de risque ne vous dit pas encore

L'Expected Shortfall est aujourd'hui la mesure de risque de référence dans de nombreux cadres réglementaires et analytiques. Elle corrige une faiblesse bien documentée de la Value-at-Risk en intégrant la sévérité des pertes au-delà du quantile critique. Mais elle présente une limite que l'on discute moins : calculée actif par actif, elle ne capture pas la structure de dépendance entre actifs dans les queues de distribution. Comprendre ce que l'Expected Shortfall mesure réellement — et ce qu'elle ne mesure pas — est une étape nécessaire pour toute analyse de risque sur un horizon pluriannuel.

Lire l'article
Visualisation réseau de risque de liquidité et contrepartie extrême
Risques avancés
7 janvier 2027 • Équipe Slionlombienel

Théorie des valeurs extrêmes multivariées : applications pratiques aux risques de liquidité et de contrepartie sur un horizon pluriannuel

La théorie des valeurs extrêmes est souvent présentée dans un cadre univarié : on modélise la queue d'un seul actif, d'un seul indice, d'une seule série de pertes. Mais les risques de liquidité et de contrepartie sont fondamentalement multivariés — ils se manifestent par la co-occurrence d'événements extrêmes entre plusieurs entités ou marchés simultanément. Étendre la théorie des valeurs extrêmes à ce cadre multivarié est techniquement exigeant, mais c'est cette extension qui rend l'outil réellement utile pour une analyse de risque sur un horizon de trois à cinq ans.

Lire l'article
Visualisation d'une distribution postérieure bayésienne pour paramètres de queue
Méthodes bayésiennes
21 janvier 2027 • Équipe Slionlombienel

Approches bayésiennes pour l'estimation robuste des paramètres de dépendance de queue sur données financières limitées

L'estimation fréquentiste des paramètres de dépendance de queue souffre d'une limite structurelle difficile à contourner : les observations dans les queues sont rares par définition, et les estimateurs classiques produisent des intervalles de confiance larges qui reflètent honnêtement cette rareté. Les approches bayésiennes offrent une alternative complémentaire — pas supérieure par nature, mais différente dans sa manière de traiter l'incertitude. En incorporant une distribution a priori sur les paramètres, elles permettent de stabiliser les estimations là où les données sont structurellement insuffisantes, à condition de choisir et de justifier cet a priori avec soin.

Lire l'article
Graphique illustrant la rupture de corrélation en période de crise
Théorie fondamentale
15 octobre 2026 • Équipe Slionlombienel

Pourquoi la corrélation linéaire échoue précisément quand vous en avez le plus besoin

La corrélation de Pearson est omniprésente dans l'analyse de risque financier. Elle est simple à calculer, facile à interpréter et largement acceptée. Pourtant, elle présente une faiblesse structurelle difficile à ignorer : elle mesure les co-mouvements linéaires en moyenne, et non les co-mouvements dans les queues de distribution. Autrement dit, elle décrit bien ce qui se passe en temps normal, mais devient peu fiable précisément lors des épisodes où la cohésion entre actifs importe le plus.

Lire l'article
Visualisation d'une structure de dépendance copule multivariée
Méthodes avancées
28 octobre 2026 • Équipe Slionlombienel

Modèles copule en pratique : choisir la structure de dépendance adaptée à vos données

Les modèles copule permettent de séparer la modélisation des marges individuelles de celle de la structure de dépendance entre actifs. En théorie, c'est une séparation élégante. En pratique, le choix de la famille copule conditionne fortement la qualité de l'estimation en queue, et ce choix est rarement aussi simple que les manuels ne le laissent entendre. Voici un cadre pour l'aborder avec méthode plutôt qu'avec intuition.

Lire l'article
Graphique de sélection de seuil pour estimation de queue
Valeurs extrêmes
12 novembre 2026 • Équipe Slionlombienel

Estimation par seuil Peak-over-Threshold : calibrer le bon seuil sans sacrifier la robustesse statistique

L'approche Peak-over-Threshold est l'un des outils les plus puissants issus de la théorie des valeurs extrêmes. Elle permet de modéliser les excès au-delà d'un seuil par une distribution de Pareto généralisée, offrant ainsi une fenêtre directe sur le comportement des queues. Mais sa qualité repose entièrement sur un paramètre que la théorie ne fixe pas automatiquement : le seuil lui-même. Trop bas, on pollue l'estimation avec des observations ordinaires. Trop haut, on manque de données pour une inférence fiable. Voici comment aborder ce compromis avec méthode.

Lire l'article
Cookies et données
Nous utilisons des cookies pour analyser la navigation et améliorer le site.
Politique de cookies