Quel est votre appétit pour le risque ?

La gestion des risques évalue l’exposition au risque en fonction de l’appétence (ou tolérance) au risque de l’investisseur. Laquelle des activités suivantes entreprendriez-vous si vos préférences étaient averses au risque ?

Cet exercice fait partie du cours

<cours>Gestion quantitative des risques en Python</cours>

Exercice interactif pratique

Transformez la théorie en action avec l’un de nos exercices interactifs

Commencer l’exercice

Cet exercice fait partie du cours

<cours>Gestion quantitative des risques en Python</cours>

AvancéNiveau de compétence

4.8+

Commencer le cours gratuitement

La gestion des risques commence par la compréhension du risque et du rendement. Nous réviserons comment ces deux notions sont liées, identifierons les facteurs de risque et les utiliserons pour nous (re)familiariser avec la théorie moderne du portefeuille appliquée à la crise financière mondiale de 2007-2008.

Exercise 1: Bienvenue !Exercise 2: Rendements du portefeuille pendant la crise Exercise 3: Covariance des actifs et volatilité du portefeuille Exercise 4: Facteurs de risque et crise financière Exercise 5: Introduction au rééchantillonnage des fréquences Exercise 6: Visualiser la corrélation des facteurs de risque Exercise 7: Modèle factoriel aux moindres carrés Exercise 8: Théorie moderne du portefeuille Exercise 9: S’exercer avec PyPortfolioOpt : rendements Exercise 10: S’exercer avec PyPortfolioOpt : covariance Exercise 11: Décomposer la crise financière Exercise 12: La frontière efficiente et la crise financière

Il est temps d’enrichir votre boîte à outils d’optimisation de portefeuille avec des mesures de risque comme la Value at Risk (VaR) et la Conditional Value at Risk (CVaR). Pour cela, vous utiliserez des bibliothèques Python spécialisées, notamment pandas, scipy et pypfopt. Vous verrez aussi comment atténuer l’exposition au risque en utilisant le modèle de Black-Scholes pour couvrir un portefeuille d’options.

Exercise 1: Mesurer le risque Exercise 2: VaR pour la loi Normale Exercise 3: Comparer le CVaR et le VaR Exercise 4: Quelle mesure de risque est « meilleure » ?Exercise 5: Exposition au risque et perte Exercise 6: Quel est votre appétit pour le risque ?

Exercice actuel

Exercise 7: VaR et exposition au risque Exercise 8: CVaR et exposition au risque Exercise 9: Gestion du risque avec la VaR et la CVaR Exercise 10: VaR à partir d’une loi ajustée Exercise 11: Minimiser la CVaR Exercise 12: Gestion du risque CVaR et la crise Exercise 13: Couverture de portefeuille : compenser le risque Exercise 14: Valorisation d’options Black‑Scholes Exercise 15: Valorisation d’options et actif sous-jacent Exercise 16: Utiliser des options pour se couvrir

Dans ce chapitre, vous estimerez des mesures de risque à l’aide d’estimations paramétriques et de données historiques réelles. Vous découvrirez ensuite comment la simulation de Monte Carlo peut vous aider à anticiper l’incertitude. Enfin, vous apprendrez comment la crise financière mondiale a révélé que l’aléa lui‑même évoluait, en comprenant les ruptures structurelles et la manière de les identifier.

Exercise 1: Estimation paramétrique Exercise 2: Estimation des paramètres : Normale Exercise 3: Estimation des paramètres : loi Normale asymétrique Exercise 4: Simulation historique et par Monte Carlo Exercise 5: Simulation historique Exercise 6: Simulation de Monte Carlo Exercise 7: Ruptures structurelles Exercise 8: Rupture structurelle pendant la crise : I Exercise 9: Rupture structurelle pendant la crise : II Exercise 10: Rupture structurelle de crise : III Exercise 11: Volatilité et valeurs extrêmes Exercise 12: Volatilité et ruptures structurelles Exercise 13: Valeurs extrêmes et backtesting

Il est temps d’explorer des outils plus généraux de gestion des risques. Ces techniques avancées sont cruciales pour comprendre les événements extrêmes, comme les pertes subies pendant la crise financière, ainsi que des distributions de pertes complexes pouvant défier les approches d’estimation classiques. Vous découvrirez également comment mettre en œuvre des réseaux de neurones pour approximer les distributions de pertes et réaliser une optimisation de portefeuille en temps réel.

Exercise 1: Théorie des valeurs extrêmes Exercise 2: Maxima par blocs Exercise 3: Événements extrêmes pendant la crise Exercise 4: Estimation du risque avec la GEV Exercise 5: Estimation de densité à noyau Exercise 6: KDE d’une distribution de pertes Exercise 7: Quelle distribution ?Exercise 8: CVaR et choix de la couverture des pertes Exercise 9: Gestion des risques avec les réseaux de neurones Exercise 10: Réseaux de neurones à une couche Exercise 11: Prédiction de prix d’actif Exercise 12: Gestion des risques en temps réel Exercise 13: Conclusion et prochaines étapes