Accéder au contenu principal

Cours

Gestion quantitative des risques avec R

DébutantNiveau de compétence

Actualisé 01/2026

Travailler avec des séries de rendements des facteurs de risque, étudier leurs propriétés empiriques et estimer la valeur à risque.

Commencer le cours gratuitement

RApplied Finance

5 h

18 vidéos

55 Exercices

4,350 XP

15,948

Certificat de formation

Apprécié par des utilisateurs provenant de milliers d'entreprises

Former une équipe ?

Essayez pour les entreprises

Description du cours

Dans la gestion quantitative des risques (QRM), vous allez construire des modèles pour comprendre les risques des portefeuilles financiers. C’est une tâche essentielle dans les secteurs bancaire, de l’assurance et de la gestion d’actifs. La première étape de la construction d’un modèle consiste à collecter des données sur les facteurs de risque sous-jacents qui affectent la valeur du portefeuille et à analyser leur comportement. Dans ce cours, vous apprendrez à manipuler des séries de rendements de facteurs de risque, à étudier leurs propriétés empiriques, également appelées « faits stylisés » — notamment leur non-normalité typique et leur volatilité —, et à estimer la value-at-risk d’un portefeuille.

Prérequis

Manipulating Time Series Data in R

1

Explorer les données de facteurs de risque de marché

Dans ce chapitre, vous apprendrez à construire des séries de rendements, à les agréger sur des périodes plus longues et à les représenter de différentes façons. Vous étudierez des exemples avec le package qrmdata.

Bienvenue dans le cours !

Explorer des séries temporelles de facteurs de risque : indices actions

Explorer des séries temporelles de facteurs de risque : actions individuelles

Explorer les données de facteurs de risque : taux de change

Rendements des facteurs de risque

Explorer des séries de rendements

Différentes façons de tracer des facteurs de risque et des séries de rendements

Agrégation des rendements logarithmiques

Agrégation de séries de log-rendements

Test sur l’agrégation des log-rendements

Explorer d’autres types de facteurs de risque

Données sur les matières premières

Données de taux d’intérêt

Commencer le chapitre

2

Les rendements réels sont plus risqués que la normale

Dans ce chapitre, vous découvrirez des tests graphiques et numériques de normalité, les appliquerez à différents jeux de données et étudierez l’alternative du modèle Student t.

La loi normale

Méthodes graphiques pour évaluer la normalité

Tester la normalité

Graphiques Q-Q pour évaluer la normalité

Asymétrie, kurtosis et test de Jarque-Bera

Tests numériques de normalité

Tester la normalité sur des horizons plus longs

Rendements qui se chevauchent

Révision des connaissances sur les lois normales et les rendements

La loi de Student t

Ajuster une loi t aux données

Tester la normalité des rendements de change

Tester la normalité des rendements de taux d’intérêt

Tester la normalité des rendements de l’or

Commencer le chapitre

3

Les rendements réels sont volatils et corrélés

Dans ce chapitre, vous verrez ce qu’est la volatilité et comment la détecter à l’aide de graphiques d’activité. Vous apprendrez à appliquer les tests de Ljung-Box pour la corrélation sérielle et à estimer les corrélations croisées.

Caractéristiques des séries de rendements volatiles

Repérer une série temporelle volatile

Estimer les autocorrélations

Utiliser les graphiques acf pour révéler la volatilité

Le test de Ljung-Box

Appliquer des tests de Ljung-Box aux données de rendement

Appliquer des tests de Ljung-Box à des rendements sur des intervalles plus longs

Observer les extrêmes dans des séries de rendements volatiles

Valeurs extrêmes dans des séries temporelles volatiles

Corrélations croisées entre séries de rendements de facteurs de risque

Les faits stylisés des séries de rendements

Volatilité et corrélation des rendements de change

Volatilité et corrélation des données de taux d’intérêt

Revoir vos connaissances sur la volatilité et la corrélation

Commencer le chapitre

4

Estimer la Value-at-Risk (VaR) d’un portefeuille

Dans ce chapitre, le concept de value-at-risk et des méthodes simples d’estimation de la VaR par simulation historique sont présentés.

Value-at-Risk et perte extrême attendue

Calcul de la VaR et de l’ES pour une loi normale

Portefeuille d’actions internationales

Analyse des facteurs de risque pour un portefeuille d’actions internationales

Simulation historique

Estimer la VaR et l’ES

Portefeuille d’options et modèle de Black‑Scholes

Calculer le prix Black-Scholes d’une option

Actions et facteurs de risque de volatilité implicite

Simulation historique pour l’exemple d’option

Simulation historique des pertes pour un portefeuille d’options

Estimation de la VaR et de l’ES pour un portefeuille d’options

Calcul du VaR pour des pertes hebdomadaires

Récapitulatif

Commencer le chapitre

Gestion quantitative des risques avec R

Cours
terminé

Obtenez un certificat de réussite

Ajoutez cette certification à votre profil LinkedIn, à votre CV ou à votre portfolio
Partagez-la sur les réseaux sociaux et dans votre évaluation de performanceS'inscrire maintenant

Rejoignez plus de 19 millions d'utilisateurs et commencez Gestion quantitative des risques avec R dès aujourd'hui !

Apprenez où que vous soyez avec l'application DataCamp

Progressez où que vous soyez grâce à nos cours conçus pour mobile et à nos défis quotidiens de 5 minutes.