Ouvrir cette fenêtre en pleine page
  • Imprimer
  • Partager
    • Courriel
    • Twitter
    • Facebook
    • del.icio.us
    • Viadeo
    • LinkedIn

Indicateurs de risques bancaires, apprentissage machine et inégalités de concentration unilatérales

(Document en Français)

Accès au(x) document(s)

Modalités de diffusion de la thèse :
  • Thèse soumise à l'embargo de l'auteur jusqu'au 13/01/2026 (accès réservé aux membres de l'enseignement supérieur français)
  • Accéder au(x) document(s) :
    • Accéder au document depuis theses.fr
    Ce document est protégé en vertu du Code de la Propriété Intellectuelle.

Informations sur les contributeurs

Auteur
Mercadier Mathieu
Date de soutenance
13-01-2020

Directeur(s) de thèse
Tarazi Amine
Président du jury
Armand Paul
Rapporteurs
Oberoi Jaideep
Membres du jury
Oberoi Jaideep

Laboratoire
LAPE - Laboratoire d'Analyse et de Prospective Economiques - UR 13335
Ecole doctorale
École doctorale Sciences de la Société, Territoires, Sciences Économiques et de Gestion (Limoges ; 2018-2022)
Etablissement de soutenance
Limoges

Informations générales

Discipline
Sciences économiques
Classification
Economie

Mots-clés libres
Risques bancaires, Risque systémique, K-moyennes, Unimodalité, Modèle Structurel, Forêts d'arbres décisionnels
Mots-clés
Banques
Résumé :

Cette thèse de doctorat comprend trois essais portant sur la mise en œuvre, et le cas échéant l'amélioration, de mesures de risques financiers et l'évaluation des risques bancaires, basée sur des méthodes issues de l'apprentissage machine. Le premier chapitre élabore une formule élémentaire, appelée E2C, d'estimation des primes de risque de crédit inspirée de CreditGrades, et en améliore la précision avec un algorithme de forêts d'arbres décisionnels. Nos résultats soulignent le rôle prépondérant tenu par cet estimateur et l'apport additionnel de la notation financière et de la taille de l'entreprise considérée. Le deuxième chapitre infère une version unilatérale de l'inégalité bornant la probabilité d'une variable aléatoire distribuée unimodalement. Nos résultats montrent que l'hypothèse d'unimodalité des rendements d'actions est généralement admissible, nous permettant ainsi d'affiner les bornes de mesures de risques individuels, de commenter les implications pour des multiplicateurs de risques extrêmes, et d'en déduire des versions simplifiées des bornes de mesures de risques systémiques. Le troisième chapitre fournit un outil d'aide à la décision regroupant les banques cotées par niveau de risque en s'appuyant sur une version ajustée de l'algorithme des k-moyennes. Ce processus entièrement automatisé s'appuie sur un très large univers d'indicateurs de risques individuels et systémiques synthétisés en un sous-ensemble de facteurs représentatifs. Les résultats obtenus sont agrégés par pays et région, offrant la possibilité d'étudier des zones de fragilité. Ils soulignent l'importance d'accorder une attention particulière à l'impact ambigu de la taille des banques sur les mesures de risques systémiques.

Informations techniques

Type de contenu
Text
Format
PDF

Informations complémentaires

Entrepôt d'origine
not initialized
Identifiant
2020LIMO0001
Numéro national
2020LIMO0001

Pour citer cette thèse

Mercadier Mathieu, Indicateurs de risques bancaires, apprentissage machine et inégalités de concentration unilatérales, thèse de doctorat, Limoges, Université de Limoges, 2020. Disponible sur https://aurore.unilim.fr/ori-oai-search/notice/view/2020LIMO0001