Les futures normes de solvabilité pour l'industrie de l'assurance, Solvabilité 2, ont pour buts d'améliorer la gestion des risques au travers de l'identification de différentes classes et modules de risque, et en autorisant les compagnies à utiliser des modèles internes pour estimer leur capital réglementaire. La formule standard définit ce capital comme étant égal à une VaR à 99.5% sur un horizon d'un an pour chaque module de risque. Puis, à chaque niveau de consolidation intermédiaire, les différentes VaR sont agrégées au travers d'une matrice de corrélation. Plusieurs problèmes apparaissent avec cette méthode : - Le régulateur utilise le terme de "VaR" sans communiquer de distributions marginales ni globale. Cette mesure de risque multi-variée n'est pertinente que si chaque risque suit une distribution normale. - L'horizon temporel à un an ne correspond pas à celui des engagements d'une compagnie d'assurance, et pose des problèmes d'es lors qu'il faut déterminer la fréquence de mises à jour des modèles internes. - La structure de dépendance proposée par la formule standard ne correspond pas à celle habituellement mise en place par les compagnies et est difficilement utilisable dans un modèle interne. La première partie présentera en détail les points clés de la réforme et donnera des axes de réflexion sur son application dans la gestion des risques. Dans une deuxième partie, il sera montré que cette mesure de risque multi-variée ne satisfait pas aux principaux axiomes d'une mesure de risque. De plus, elle ne permet pas de comparer les exigences de capital entre compagnies, puisqu'elle n'est pas universelle. La troisième partie démontrera que pour évaluer un capital à un point intermédiaire avant l'échéance, une mesure de risque doit pouvoir s'ajuster à différentes périodes, et donc être multi-périodique. Enfin, la quatrième partie mettra l'accent sur une alternative à la matrice de corrélation pour modéliser la dépendance, à savoir les copules.

Les futures normes de solvabilité pour l’industrie de l’assurance, Solvabilité 2, ont pour buts d’améliorer la gestion des risques au travers de l’identification de différentes classes et modules de risque, et en autorisant les compagnies à utiliser des modèles internes pour estimer leur capital réglementaire. La formule standard définit ce capital comme étant égal à une VaR à 99.5% sur un horizon d’un an pour chaque module de risque. Puis, à chaque niveau de consolidation intermédiaire, les différentes VaR sont agrégées au travers d’une matrice de corrélation. Plusieurs problèmes apparaissent avec cette méthode : – Le régulateur utilise le terme de “VaR” sans communiquer de distributions marginales ni globale. Cette mesure de risque multi-variée n’est pertinente que si chaque risque suit une distribution normale. – L’horizon temporel à un an ne correspond pas à celui des engagements d’une compagnie d’assurance, et pose des problèmes d`es lors qu’il faut déterminer la fréquence de mises à jour des modèles internes. – La structure de dépendance proposée par la formule standard ne correspond pas à celle habituellement mise en place par les compagnies et est difficilement utilisable dans un modèle interne. La première partie présentera en détail les points clés de la réforme et donnera des axes de réflexion sur son application dans la gestion des risques. Dans une deuxième partie, il sera montré que cette mesure de risque multi-variée ne satisfait pas aux principaux axiomes d’une mesure de risque. De plus, elle ne permet pas de comparer les exigences de capital entre compagnies, puisqu’elle n’est pas universelle. La troisième partie démontrera que pour évaluer un capital à un point intermédiaire avant l’échéance, une mesure de risque doit pouvoir s’ajuster à différentes périodes, et donc être multi-périodique. Enfin, la quatrième partie mettra l’accent sur une alternative à la matrice de corrélation pour modéliser la dépendance, à savoir les copules. / The new rules of solvency for the insurance industry, Solvency II, aim to improve the risk management in the insurance industry by identifying different classes / modules of risk, and by allowing insurance companies to use an internal model to estimate their capital. The standard formula sets the capital requirement at a VaR of 99.5% level for a one year horizon for each sub risk module. Then at each consolidation level, the different VaR are aggregated through a correlation matrix. Some problems may appear with this method : – The regulator uses “VaR” term while he provides neither marginal distributions nor the global one. This multivariate risk measure is relevant only if each risk follows a normal distribution. – This short term horizon does not match the time horizon of the liabilities of an insurance company and leads to some problems in updating the capital requirement during the year. – The dependance structure given in the standard formula does not correspond to a practical one, and cannot be used in an internal model. The first part will present a detailed discussion about the reform and give some example of its application from risk management’s point of view. In the second part, it will be establish that this multivariate risk measure does not satisfy the main axioms that a risk measure should fulfill. With this approach, there is not uniqueness among the insurance companies, so the solvency capital requirement cannot be compared across the industry. The third part will demonstrate that a risk measure which adjusts to different periods should be used to evaluate the capital at a point in time, a multiperiod risk measure. At last, the fourth part will emphasize on an alternative to the correlation matrix to aggregate risks, the copula.

Le risque de crédit présent dans tous les contrats financiers constitue la principale source de pertes pour les banques et les institutions financières au Liban. Le secteur bancaire libanais connaît en matière de crédit une évolution sans précédent conséquence de trois mutations principales : Un rôle sans cesse croissant des marchés financiers dans le système financier international; l'émergence au sein des banques de nouvelles techniques quantitatives de management des risques de crédit; une réglementation bancaire en cours de changement / The Credit Risk which existed in all financial contracts constitutes the principal resource of loss for the banks and financial institutions in Lebanon. During the last years, the measure and the risk management have grown an importance in the banking industry, causing a development of new tools especially for the Corporate. The banking authorities, who are realizing this evolution, have decided to reform the regulation of the Capital Adequacy. Thus, the reform of Basle II proposes new allocation of assets based on better evaluation of risk. Basle II incites the banks to be provided by performing internal system of scoring of all their customers (Retail and Corporate).For this purpose, the Lebanese banking sector has shown, in matters of credit, an unprecedented evolution, consequence of three principal changes:a growing role of financial market in the international financial system; an emergence in the middle of banks of new quantitative techniques of Management of Credit Risk; a banking regulation in progress of change.This thesis have for objective to present all the different risk, take stock of their management in the midst of Lebanese banks and to provide a lighting on the new track of development viewed for these banks in order to come from the high risk.

Dans cette thèse, nous nous intéressons à l'estimation de modèles conditionnellement hétéroscédastiques (CH) sous différentes hypothèses. Dans une première partie, en modifiant l'hypothèse d'identification usuelle du modèle, nous définissions un estimateur de quasi-maximum de vraisemblance (QMV) non gaussien et nous montrons que, sous certaines conditions, cet estimateur est plus efficace que l'estimateur du quasi maximum de vraisemblance gaussien. Nous étudions dans une deuxième partie l'inférence d'un modèle CH dans le cas où le processus des innovations est distribué selon une loi alpha stable. Nous établissons la consistance et la normalité asymptotique de l'estimateur du maximum de vraisemblance. La loi alpha stable n'apparaissant que comme loi limite, nous étudions ensuite le comportement de ce même estimateur dans le cas où la loi du processus des innovations n'est plus une loi alpha stable mais est dans le domaine d'attraction d'une telle loi. Dans la dernière partie, nous étudions l'estimation d'un modèle GARCH lorsque le processus générateur de données est un modèle CH dont les coefficients sont sujets à des changements de régimes markoviens. Nous montrons que cet estimateur, dans un cadre mal spécifié, converge vers une pseudo vraie valeur et nous établissons sa loi asymptotique. Nous étudions cet estimateur lorsque le processus observé est stationnaire mais nous détaillons également ses propriétés asymptotiques lorsque ce processus est non stationnaire et explosif. Par des simulations, nous étudions les capacités prédictives du modèle GARCH mal spécifié. Nous déterminons ainsi la robustesse de ce modèle et de l'estimateur du QMV à une erreur de spécification de la volatilité. / In this thesis, we focus on the inference of conditionally heteroskedastic models under different assumptions. This thesis consists of three parts and an introductory chapter. In the first part, we use an alternate identification assumption of the model and we define a non Gaussian quasi maximum likelihood estimator. We show that, under certain conditions, this estimator is more efficient than the Gaussian quasi maximum likelihood estimator. In a second part, we study the inference of a conditionally heteroskedastic model when the process of the innovations is distributed as an alpha stable law. We establish the consistency and the asymptotic normality of the maximum likelihood estimator. Since the alpha stable laws appear in general as a limit, we then focus of the behavior of this same estimator when the law of the innovation process is not stable but in the domain of attraction of a stable law. In the last part of this thesis, we study the estimation of a GARCH model when the data generating process is a conditionally heteroskedastic model whose coefficients are subject to Markov switching regimes. We show that, in a missspecified framework, this estimator converges toward a pseudo true value and we establish its asymptotic properties when this process is non stationary and explosive. Through simulations, we investigate the predictive ability of the missspecified GARCH model. Thus we determinate the robustness of the model and of the estimator of the quasi maximum likelihood to the missspecification of the volatility

Dans cette thèse, nous nous intéressons à l'estimation de modèles conditionnellement hétéroscédastiques (CH) sous différentes hypothèses. Dans une première partie, en modifiant l'hypothèse d'identification usuelle du modèle, nous définissions un estimateur de quasi-maximum de vraisemblance (QMV) non gaussien et nous montrons que, sous certaines conditions, cet estimateur est plus efficace que l'estimateur du quasi maximum de vraisemblance gaussien. Nous étudions dans une deuxième partie l'inférence d'un modèle CH dans le cas où le processus des innovations est distribué selon une loi alpha stable. Nous établissons la consistance et la normalité asymptotique de l'estimateur du maximum de vraisemblance. La loi alpha stable n'apparaissant que comme loi limite, nous étudions ensuite le comportement de ce même estimateur dans le cas où la loi du processus des innovations n'est plus une loi alpha stable mais est dans le domaine d'attraction d'une telle loi. Dans la dernière partie, nous étudions l'estimation d'un modèle GARCH lorsque le processus générateur de données est un modèle CH dont les coefficients sont sujets à des changements de régimes markoviens. Nous montrons que cet estimateur, dans un cadre mal spécifié, converge vers une pseudo vraie valeur et nous établissons sa loi asymptotique. Nous étudions cet estimateur lorsque le processus observé est stationnaire mais nous détaillons également ses propriétés asymptotiques lorsque ce processus est non stationnaire et explosif. Par des simulations, nous étudions les capacités prédictives du modèle GARCH mal spécifié. Nous déterminons ainsi la robustesse de ce modèle et de l'estimateur du QMV à une erreur de spécification de la volatilité.

Cette thèse de doctorat fait quelques liens entre la théorie de l'intégration non-additive et les notions d'ordre stochastique et de mesure du risque utilisées en finance et en assurance. Nous faisons un usage extensif des fonctions d'ensembles monotones normalisées, appelées également capacités, ou encore probabilités non-additives, ainsi que des intégrales qui leur sont associées, appelées intégrales de Choquet. Dans le premier chapitre, nous établissons une généralisation des inégalités de Hardy-Littlewood au cas d'une capacité. Nous y faisons également quelques compléments sur les fonctions quantiles par rapport à une capacité. Dans le deuxième chapitre, nous généralisons la notion de dominance stochastique croissante convexe au cas d'une capacité, et nous résolvons un problème d'optimisation dont la contrainte est donnée en termes de cette relation généralisée. Dans le troisième chapitre, nous nous intéressons à la généralisation de la notion de dominance stochastique croissante. Nous étudions également les classes de mesures du risque satisfaisant aux propriétés d'additivité comonotone et de consistance par rapport à l'une des relations de dominance stochastique "généralisées" précédemment considérées. Nous caractérisons ces mesures du risque en termes d'intégrales de Choquet par rapport à une "distorsion" de la capacité initiale. Le quatrième chapitre est consacré à des mesures du risque admettant une représentation "robuste" en termes de maxima (sur un ensemble de fonctions de distorsion) d'intégrales de Choquet par rapport à des capacités distordues.

Cette thèse développe des méthodes d'optimisation pour la gestion de la Supply Chain et a pour thème central la flexibilité définie comme la capacité à fournir un service ou un produit au consommateur dans un environnement incertain. La recherche a été menée dans le cadre d'un partenariat entre Argon Consulting, une société indépendante de conseil en Supply Chain et l'École des Ponts ParisTech. Dans cette thèse, nous développons trois sujets rencontrés par Argon Consulting et ses clients et qui correspondent à trois différents niveaux de décision (long terme, moyen terme et court terme).Lorsque les entreprises élargissent leur portefeuille de produits, elles doivent décider dans quelles usines produire chaque article. Il s'agit d'une décision à long terme, car une fois qu'elle est prise, elle ne peut être facilement modifiée. Plus qu'un problème d'affectation où un article est produit par une seule usine, ce problème consiste à décider si certains articles doivent être produits par plusieurs usines et par lesquelles. Cette interrogation est motivée par la grande incertitude de la demande. En effet, pour satisfaire la demande, l'affectation doit pouvoir équilibrer la charge de travail entre les usines. Nous appelons ce problème le multi-sourcing de la production. Comme il ne s'agit pas d'un problème récurrent, il est essentiel de tenir compte du risque au moment de décider le niveau de multi-sourcing. Nous proposons un modèle générique qui inclut les contraintes techniques du problème et une contrainte d'aversion au risque basée sur des mesures de risque issues de la théorie financière. Nous développons un algorithme et une heuristique basés sur les outils standards de la Recherche Opérationnelle et de l'Optimisation Stochastique pour résoudre le problème du multi-sourcing et nous testons leur efficacité sur des données réelles.Avant de planifier la production, certains indicateurs macroscopiques doivent être décidés à horizon moyen terme tels la quantité de matières premières à commander ou la taille des lots produits. Certaines entreprises utilisent des modèles de stock en temps continu, mais ces modèles reposent souvent sur un compromis entre les coûts de stock et les coûts de lancement. Ces derniers sont des coûts fixes payés au lancement de la production et sont difficiles à estimer en pratique. En revanche, à horizon moyen terme, la flexibilité des moyens de production est déjà fixée et les entreprises estiment facilement le nombre maximal de lancements. Poussés par cette observation, nous proposons des extensions de certains modèles classiques de stock en temps continu, sans coût de lancement et avec une limite sur le nombre d'installations. Nous avons utilisé les outils standard de l'Optimisation Continue pour calculer les indicateurs macroscopiques optimaux.Enfin, la planification de la production est une décision à court terme qui consiste à décider quels articles doivent être produits par la ligne de production pendant la période en cours. Ce problème appartient à la classe bien étudiée des problèmes de Lot-Sizing. Comme pour les décisions à moyen terme, ces problèmes reposent souvent sur un compromis entre les coûts de stock et les coûts de lancement. Fondant notre modèle sur ces considérations industrielles, nous gardons le même point de vue (aucun coût de lancement et une borne supérieure sur le nombre de lancement) et proposons un nouveau modèle.Bien qu'il s'agisse de décisions à court terme, les décisions de production doivent tenir compte de la demande future, qui demeure incertaine. Nous résolvons notre problème de planification de la production à l'aide d'outils standard de Recherche Opérationnelle et d'Optimisation Stochastique, nous testons l'efficacité sur des données réelles et nous la comparons aux heuristiques utilisées par les clients d'Argon Consulting / This thesis develops optimization methods for Supply Chain Management and is focused on the flexibility defined as the ability to deliver a service or a product to a costumer in an uncertain environment. The research was conducted throughout a partnership between Argon Consulting, which is an independent consulting firm in Supply Chain Operations and the École des Ponts ParisTech. In this thesis, we explore three topics that are encountered by Argon Consulting and its clients and that correspond to three different levels of decision (long-term, mid-term and short-term).When companies expand their product portfolio, they must decide in which plants to produce each item. This is a long-term decision since once it is decided, it cannot be easily changed. More than a assignment problem where one item is produced by a single plant, this problem consists in deciding if some items should be produced on several plants and by which plants. This is motivated by a highly uncertain demand. So, in order to satisfy the demand, the assignment must be able to balance the workload between plants. We call this problem the multi-sourcing of production. Since it is not a repeated problem, it is essential to take into account the risk when making the multi-sourcing decision. We propose a generic model that includes the technical constraints of the assignment and a risk-averse constraint based on risk measures from financial theory. We develop an algorithm and a heuristic based on standard tools from Operations Research and Stochastic Optimization to solve the multi-sourcing problem and we test their efficiency on real datasets.Before planning the production, some macroscopic indicators must be decided at mid-term level such as the quantity of raw materials to order or the size of produced lots. Continuous-time inventory models are used by some companies but these models often rely on a trade-off between holding costs and setups costs. These latters are fixed costs paid when production is launched and are hard to estimate in practice. On the other hand, at mid-term level, flexibility of the means of production is already fixed and companies easily estimate the maximal number of setups. Motivated by this observation, we propose extensions of some classical continuous-time inventory models with no setup costs and with a bound on the number of setups. We used standard tools from Continuous Optimization to compute the optimal macroscopic indicators.Finally, planning the production is a short-term decision consisting in deciding which items must be produced by the assembly line during the current period. This problem belongs to the well-studied class of Lot-Sizing Problems. As for mid-term decisions, these problems often rely on a trade-off between holding and setup costs. Basing our model on industrial considerations, we keep the same point of view (no setup cost and a bound on the number of setups) and propose a new model. Although these are short-term decisions, production decisions must take future demand into account, which remains uncertain. We solve our production planning problem using standard tools from Operations Research and Stochastic Optimization, test the efficiency on real datasets, and compare it to heuristics used by Argon Consulting's clients

Der Risikobegriff bezieht sich auf die Wahrscheinlichkeit eines Schadens aufgrund einer Gefährdungsexposition, in der Finanzwelt meist finanzielle Verluste. Viele Risiken der globalen Finanzwirtschaft sind unbekannt. „Wir wissen es, wenn wir es sehen“, um Potter Stewart (1964) zu paraphrasieren. Der Financial Risk Meter (FRM) soll Aufschluss über die Entstehung systemischer Risiken geben. Durch Verwendung von Quantilregressionstechniken ist der FRM nicht nur ein Maß für finanzielle Risiken. Er bietet durch seine Netzwerktopologie einen tiefen Einblick in die Spill-over-Effekte, die sich als systemische Risikoereignisse manifestieren können. Das FRM-Framework wird in verschiedenen Märkten und Regionen entwickelt. Die FRM-Daten werden für Risiko-Prognose sowie für Portfoliooptimierung genutzt. In Kapitel 1 wird der FRM vorgestellt und auf die Aktienmärkte in den USA und Europa, sowie auch auf die Zinsmärkte und Credit-Default-Swaps angewendet. Der FRM wird dann verwendet, um wirtschaftliche Rezessionen zu prognostizieren. In Kapitel 2 wird der FRM auf den Markt der Kryptowährungen angewendet, um das erste Risikomaß für diese neue Anlageklasse zu generieren. Die errechneten FRM-Daten zu Abhängigkeiten, Spillover-Effekten und Netzwerkaufbau werden dann verwendet, um Tail-Risk-optimierte Portfolios zu erstellen. Der Portfoliooptimierungsansatz wird in Kapitel 3 weitergeführt, in dem der FRM auf die sogenannten Emerging Markets (EM)-Finanzinstitute angewendet wird, mit zwei Zielen. Einerseits gibt der FRM für EM spezifische Spillover-Abhängigkeiten bei Tail-Risk-Ereignissen innerhalb von Sektoren von Finanzinstituten an, zeigt aber auch Abhängigkeiten zwischen den Ländern. Die FRM-Daten werden dann wieder mit Portfoliomanagementansätzen kombiniert. In Kapitel 4 entwickelt den FRM for China ist, eines der ersten systemischen Risikomaße in der Region, zeigt aber auch Methoden zur Erkennung von Spill-Over-Kanälen in Nachbarländer und zwischen Sektoren. / The concept of risk deals with the exposure to danger, in the world of finance the danger of financial losses. In a globalised financial economy, many risks are unknown. "We know it when we see it", to paraphrase Justice Potter Stewart (1964). The Financial Risk Meter (FRM) sheds light on the emergence of systemic risk. Using of quantile regression techniques, it is a meter for financial risk, and its network topology offers insight into the spill-over effects risking systemic risk events. In this thesis, the FRM framework in various markets and regions is developed and the FRM data is used for risk now- and forecasting, and for portfolio optimization approaches. In Chapter 1 the FRM is presented and applied to equity markets in the US and Europe, but also interest rate and credit-default swap markets. The FRM is then used to now-cast and predict economic recessions. In Chapter 2 the FRM is applied to cryptocurrencies, to generate the first risk meter in this nascent asset class. The generated FRM data concerning dependencies, spill-over effects and network set-up are then used to create tail-risk optimised portfolios. In Chapter 3 the FRM is applied to the global market Emerging Market (EM) financial institutions. The FRM for EM gives specific spill-over dependencies in tail-risk events within sectors of financial institutions, but also shows inter-country dependencies between the EM regions. The FRM data is then combined with portfolio management approaches to create tail-risk sensitive portfolios of EM Financial institutions with aim to minimize risk clusters in a portfolio context. In Chapter 4 the Financial Risk Meter for China is developed as the first systemic risk meter in the region, but also derives methods to detect spill-over channels to neighbouring countries within and between financial industry sectors.