Gestion quantitative des risques en Python

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.

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.

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.