Impact des cygnes noirs sur le calcul de la valeur à risque
Bibliographic record
Abstract
Les crises constituent des situations qui entraînent des surprises qui échappent souvent au contrôle des décideurs. Ainsi, des outils sont créés afin de gérer les risques autour des activités financières. Au cours de ces dernières décennies, la Valeur à Risque est un des outils utilisés pour calculer le risque encouru par une entreprise ou dans un portefeuille. Cependant, ce dernier ne tient pas compte des événements des queues de la distribution. Les krachs, les bulles font partie des événements qui affectent la richesse des investisseurs. Parmi ces événements, il y en a qui ne sont pas prévisibles, certains pensent même qu’ils sont improbables. Ces derniers qui sont si rares entraînent des conséquences désastreuses quand ils sont des événements à portée négative. Lorsqu’ils sont rares, imprévisibles et avec des conséquences énormes ils sont appelés des cygnes noirs. De ce fait, cette étude se propose d’analyser l’impact des cygnes noirs sur le calcul de la Valeur à Risque sur le marché boursier de Toronto. Dans ce travail, la crise de 2007 qui a conduit à la récession de 2008-2009 est considérée comme événement cygne noir. Ainsi, le calcul de la Valeur à Risque se fait sous des hypothèses classiques et en présence des cygnes noirs. Pour étudier l’impact des cygnes noirs sur la richesse des actionnaires la méthode de l’étude d’événements est utilisée. Cette étude porte sur la période du 13 mars 2001 au 31 décembre 2018. Cette étude pourrait contribuer à faire avancer la connaissance par la façon d’appliquer les tests non paramétriques sur la période d’estimation en utilisant les rendements anormaux journaliers. Les résultats montrent que les quantiles sont sous-estimés sous les hypothèses normales. Lorsqu’il y a les cygnes noirs, la VaR est un outil déficient puisqu’elle ne tient pas compte des événements des queues de la distribution. En outre, la crise de 2007 a un impact sur la richesse des investisseurs puisqu’elle a finalement gagné toute l’économie et conduit à une baisse des investissements. \n_____________________________________________________________________________ \nMOTS-CLÉS DE L’AUTEUR : Valeur à Risque, cygne noir, queue épaisse, volatilité, leptokurtosis, étude d’événements
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 | 0.001 | 0.007 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.004 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.008 | 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".