Contrats ANR

L'utilisation de l'intelligence artificielle et de l'apprentissage automatique (Machine Learning ou ML) par les banques et les Fintechs est l'un des changements technologiques les plus importants du secteur financier observés au cours des dernières décennies. Ces nouvelles technologies apparaissent très prometteuses pour de nombreuses activités financières mais elles soulèvent également de nouveaux défis.

Dans ce contexte, le projet MLEforRisk vise à mieux comprendre l'utilité de la combinaison de l'économétrie et du ML pour la mesure des risques financiers. Ce projet a pour ambition de fournir une étude rigoureuse des avantages et des limites de ces deux approches dans le domaine de la gestion des risques qui constitue l’activité centrale de l’industrie financière. MLEforRisk est un projet multidisciplinaire dans les domaines de la finance et de l'économétrie financière qui réunit des chercheurs débutants et confirmés en gestion, économie, mathématiques appliquées et data science appartenant aux équipes du CREST (ENSAE), de l’AMSE (Université Aix-Marseille), de DRM (Université Paris Dauphine) et LEO (Université d’Orléans).

Le projet s’articule autour de cinq objectifs méthodologiques en rapport avec la modélisation des risques de crédit, de marché et de liquidité. Dans le contexte du risque de crédit, l’objectif est de développer des approches hybrides de modélisation du risque de crédit en combinant économétrie et ML afin de dépasser l’arbitrage entre interprétabilité et performances prédictives. Parallèlement, l'utilisation du ML dans le domaine du crédit suscite un débat sur les potentiels biais de discrimination que ces algorithmes pourraient générer en désavantageant systématiquement certains groupes d’emprunteurs. Notre objectif est de développer des méthodes statistiques permettant de tester l’équité algorithmique des modèles de risque de crédit et de réduire l’importance de ces biais.

Dans le domaine du risque de marché, le projet vise à combiner les techniques de ML et des modélisations économétriques avancées dans le but d’améliorer la prévision des mesures de risque conditionnel associées à la détention d’un portefeuille d’actifs. Notre objectif est de proposer de nouvelles approches hybrides pour la modélisation de la matrice de variance conditionnelle des rendements ou de son inverse, appelée matrice de précision. Ces méthodes d’estimation seront conçues dans la perspective de portefeuilles de grande dimension pour lesquels le nombre d’actifs peut dépasser très largement le nombre d’observations temporelles disponibles pour estimer ces moments.

Enfin pour ce qui concerne le risque de liquidité, nous partons du constat que le développement des indices de marché alternatifs et l'investissement factoriel modifient sensiblement la dynamique des volumes échangés sur les marchés en accroissant notamment les dépendances et les effets de réseaux. Notre objectif est de prendre en compte ces effets afin d’améliorer la mesure du risque de liquidité tout en limitant la dimension des modèles économétriques grâce à des techniques de ML.

Le projet MLEforRisk vise à constituer un réseau de recherche et de formation doctorale pour les jeunes chercheurs spécialisés en économétrie financière. Il vise en outre à promouvoir une recherche reproductible. L'ensemble des codes et des données produits dans le cadre du projet certifiés par cascad, la première agence de certification pour le code et les données scientifiques.