Nouvelle réglementation internationale du risque de marché : rôles de la VaR et de la CVaR dans la validation des modèles
Bibliographic record
Abstract
Dans cette note, nous modélisons les nouveaux aspects quantitatifs de la gestion du risque de marché des banques que Bâle a décidé en 2016 et mis en vigueur en janvier 2019. Le risque de marché est mesuré par la valeur à risque conditionnelle, ou CVaR, à un degré de confiance de 97,5 %. Le backtest réglementaire reste, en grande partie, basé sur la VaR à 99 %. De plus, à titre de procédures statistiques supplémentaires comme suggéré par Bâle, des backtests complémentaires sur la VaR et la CVaR doivent être effectués. Nous appliquons ces tests sur différentes distributions paramétriques et utilisons des mesures non paramétriques de la CVaR, dont la CVaR- et la CVaR+ comme compléments de validation des distributions utilisées. Nos données sont relatives à une période de turbulences extrêmes des marchés. Avec huit distributions paramétriques mises à l’épreuve par ces données, nos résultats montrent que l’information obtenue sur leurs performances empiriques est très liée aux conclusions des backtests des modèles.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.014 | 0.043 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.001 | 0.004 |
| Insufficient payload (model declined to judge) | 0.005 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".