Dans un contexte d'ouverture à la concurrence et d'émergence des marchés de l'énergie, la production d'électricité est affectée par de nouvelles sources d'aléas : le risque de marché. Nous étudions la possibilité d'introduire des contraintes de risque financier dans le processus d'optimisation de la production de l'électricité. Nous distinguons l'approche "ingénieur" (prise en compte du risque par des mesures de risque) de l'approche "économiste" (prise en compte du risque par des fonctions d'utilité), au Chapitre 1. Ces deux points de vue sont rapprochés dans le Chapitre 2. Une application numérique relativement simple est présentée pour illustrer le lien qui existe entre la Conditional Value-at-Risk et l'aversion aux pertes. Le résultat d'équivalence obtenu dans le Chapitre 2 est étendu à un cadre d'optimisation dynamique dans le Chapitre 3. Une application numérique de cette approche et une programmation dynamique sous contrainte de risque sont faites au Chapitre 4 pour résoudre un problème de gestion de production de l'électricité sous une contrainte de Condition al Value-at-Risk.

Les réseaux asymétriques sont des réseaux ne présentant pas la même capacité en terme de bande passante sur le lien ascendant et sur le lien descendant. Si de plus nous avons un trafic bidirectionnel sur de tels réseau, paquets de données et paquets d'acquittement se partagent les ressources. Cette cohabitation de paquets pose d'énormes problèmes au protocole TCP. Afin d'y remédier, une multitude de solutions ont été proposées dans la littérature.<br /> Dans cette thèse, nous analysons les problèmes qu'une telle situation engendre, puis nous décrivons quelques unes des solutions les plus prometteuses. Nous démontrons aussi par une étude de cas leur inéfficacité.<br /> Nous proposons ensuite deux nouveaux ordonnanceurs ayant pour but commun de maximiser l'utilisation d'un lien asymétrique et satisfaire ainsi l'utilisateur de tels liens. Nous proposons ACQ de l'anglais Adaptive Class-based Queuing. ACQ manipule des agrégats de trafics, classés dans deux catégories et dont l'ordonanncement s'adapte au trafic qui passe afin d'avoir toujours une utilisation maximale du lien asymétrique. Nous proposons aussi VAQ de l'anglais Virtual Ack-based Queueing. VAQ suit une approche à granularité fine, c'est-à-dire qu'il manipule directement des paquets de données et d'acquittement en ayant toujours pour objectif de maximiser l'utilisation du lien asymétrique. Nous mettons en évidence dans cette thèse l'augmentation importante de l'utilisation des liens asymétriques obtenue avec ACQ et VAQ. Nous montrons d'autre part la robustesse de ACQ et de VAQ face à des changements dans les paramètres et la topologie du réseau ainsi que leur impact favorable sur d'autres critères de la qualité de service.

Cette thèse envisage un ensemble de méthodes permettant aux algorithmes d'apprentissage statistique de mieux traiter la nature séquentielle des problèmes de gestion de portefeuilles financiers. Nous débutons par une considération du problème général de la composition d'algorithmes d'apprentissage devant gérer des tâches séquentielles, en particulier celui de la mise-à-jour efficace des ensembles d'apprentissage dans un cadre de validation séquentielle. Nous énumérons les desiderata que des primitives de composition doivent satisfaire, et faisons ressortir la difficulté de les atteindre de façon rigoureuse et efficace. Nous poursuivons en présentant un ensemble d'algorithmes qui atteignent ces objectifs et présentons une étude de cas d'un système complexe de prise de décision financière utilisant ces techniques. Nous décrivons ensuite une méthode générale permettant de transformer un problème de décision séquentielle non-Markovien en un problème d'apprentissage supervisé en employant un algorithme de recherche basé sur les K meilleurs chemins. Nous traitons d'une application en gestion de portefeuille où nous entraînons un algorithme d'apprentissage à optimiser directement un ratio de Sharpe (ou autre critère non-additif incorporant une aversion au risque). Nous illustrons l'approche par une étude expérimentale approfondie, proposant une architecture de réseaux de neurones spécialisée à la gestion de portefeuille et la comparant à plusieurs alternatives. Finalement, nous introduisons une représentation fonctionnelle de séries chronologiques permettant à des prévisions d'être effectuées sur un horizon variable, tout en utilisant un ensemble informationnel révélé de manière progressive. L'approche est basée sur l'utilisation des processus Gaussiens, lesquels fournissent une matrice de covariance complète entre tous les points pour lesquels une prévision est demandée. Cette information est utilisée à bon escient par un algorithme qui transige activement des écarts de cours (price spreads) entre des contrats à terme sur commodités. L'approche proposée produit, hors échantillon, un rendement ajusté pour le risque significatif, après frais de transactions, sur un portefeuille de 30 actifs. / This thesis considers a number of approaches to make machine learning algorithms better suited to the sequential nature of financial portfolio management tasks. We start by considering the problem of the general composition of learning algorithms that must handle temporal learning tasks, in particular that of creating and efficiently updating the training sets in a sequential simulation framework. We enumerate the desiderata that composition primitives should satisfy, and underscore the difficulty of rigorously and efficiently reaching them. We follow by introducing a set of algorithms that accomplish the desired objectives, presenting a case-study of a real-world complex learning system for financial decision-making that uses those techniques. We then describe a general method to transform a non-Markovian sequential decision problem into a supervised learning problem using a K-best paths search algorithm. We consider an application in financial portfolio management where we train a learning algorithm to directly optimize a Sharpe Ratio (or other risk-averse non-additive) utility function. We illustrate the approach by demonstrating extensive experimental results using a neural network architecture specialized for portfolio management and compare against well-known alternatives. Finally, we introduce a functional representation of time series which allows forecasts to be performed over an unspecified horizon with progressively-revealed information sets. By virtue of using Gaussian processes, a complete covariance matrix between forecasts at several time-steps is available. This information is put to use in an application to actively trade price spreads between commodity futures contracts. The approach delivers impressive out-of-sample risk-adjusted returns after transaction costs on a portfolio of 30 spreads.

No description available.

L'approche traditionnelle des produits dérivés consiste, sous certaines hypothèses bien définies, à construire des stratégies de couverture à risque strictement nul. Cependant,dans le cas général ces stratégies de couverture "parfaites" n'existent pas,et la théorie doit plutôt s'appuyer sur une idée de minimisation du risque. Dans ce cas, la couverture optimale dépend de la quantité du risque à minimiser. Dans lecadre des options, on considère dans ce travail une nouvelle mesure du risque vial'approche de l'utilité espérée qui tient compte, à la fois, du moment d'ordre quatre,qui est plus sensible aux grandes fluctuations que la variance, et de l'aversion aurisque de l'émetteur d'une option vis-à-vis au risque. Comparée à la couverture endelta, à l'optimisation de la variance et l'optimisation du moment d'ordre quatre,la stratégie de couverture, via l'approche de l'utilité espérée, permet de diminuer lasensibilité de la couverture par rapport au cours du sous-jacent. Ceci est de natureà réduire les coûts des transactions associées / The traditional approach of derivatives involves, under certain clearly defined hypothesis, to construct hedging strategies for strictly zero risk. However, in the general case these perfect hedging strategies do not exist, and the theory must be rather based on the idea of risk minimization. In this case, the optimal hedging strategy depends on the amount of risk to be minimized. Under the options approach, we consider here a new measure of risk via the expected utility approach that takes into account both, the moment of order four, which is more sensitive to fluctuations than large variance, and risk aversion of the investor of an option towards risk. Compared to delta hedging, optimization of the variance and maximizing the moment of order four, the hedging strategy, via the expected utilitiy approach, reduces the sensitivy of the hedging approach reported in the underlying asset price. This is likely to reduce the associated transaction costs.