Vous êtes sur la page 1sur 14

Risques de Modles

Une question plurielle

Dimensions dun modle

Thories sous-jacentes Choix de technologie, dveloppement, codage Processus de vrification Intgration dans un rseau de systmes Processus de calibrage Contrle de qualit des donnes Formalisation des rsultats Excution des rsultats Gouvernance du processus dans son ensemble

Qualits recherches dun modle

Intention Pertinence Efficacit Parcimonie Robustesse lgance

Risques de modles

Inputs

Donnes autres entres

Modle

Thorie Dveloppement Implmentation Calibrage Validation


Interaction Efficacit Impact

Outputs

Garbage in Garbage out

Inputs

latence, rvisions, marginalisme parpillements des sources de donnes Auto calibrage des utilisateurs, reverse ingnierie Liar loans Recalibrage des anticipations dexperts Libor

Exemples

Objectif du modle

Modles de valeur de march


Donnes de march Cohrence interne des marchs Possibilit darbitrage? Donnes comptables, conomiques, Thorie explicative Distinction du signal et du bruit?

Modles de valeur fondamentale


Mthodes

Modles dinterpolation

Courbes des taux Surfaces de volatilit Pricings toutes choses gales par ailleurs Facteurs de risque Anticipation de performance exceptionnelle Situation atypiques, extrmes Prise en compte de lilliquidit

Modles dextrapolation

Thories sous-jacentes

Tout nest pas dmontrable, calculable, et notre savoir est limit. Toute connaissance est provisoire; doit tre vrifie par des tests Les thories peuvent tre considres comme des lois lorsquil y a consensus mais cela ne change pas leur nature Un modle de trading sappuie rarement sur une loi consensuelle contrairement un modle de pricing Linteraction entre modles de trading et de pricing met en jeu un modle de liquidit, donc de crdit, donc La puissance de calcul ne rsout rien et a plutt tendance amplifier la complexit

Implmentation des modles

Le programme doit reflter fidlement la thorie, quelle que soit sa validit Les tests dhypothses sur le programme sont dlicats dfinir Les tests ne peut que trouver des limites un modle; jamais dmontrer sa validit ou son implmentation correcte. Les test ngatifs sont donc les plus utiles en thorie mais rarement en pratique On ne peut dmontrer quun programme est sans bug La puissance de calcul ne rsout rien et a plutt tendance amplifier la complexit

Ecosystme et mta-modle
Alpha models

Risk appetite models


Best solution for sure

Filtering models

Data
Risk models

Trading cost models

Optimization models

but to what problem exactly?

Qualitative models

Meta-modles

Assemblage de modles

Sur-optimization, Meta-modles agnostiques (addition de signaux) Redondance et instabilit, Risque cocktail, interactions non-linaires Risque derreurs de manipulation Risque dinputs biaiss, de reverse engineering Sur-optimization, overfitting, fine-tuning Adaptation graduelle des utilisateurs valuation et gouvernance potentiellement perturbes

Modles mixtes quanti-quali


volution dynamique des modles


Quel que soit le brouillard scientifique, la finance a toujours une boussole


Mthode scientifique
Voici les donnes. Quel modle peut on construire?

Mthode crationniste
Voici les conclusions. Quel modle peut on construire?

Gouvernance des modles

Cadre rglementaire

Fed, Model Validation Council Office of the Comptroller of the Currency (US Treasury) BRI, Ble III Quelle intention? Quelles convictions? Quelles mthodes? Ressources indpendantes Mthodes de validation, contrle, suivi de lvolution et surtout utilisation (entres et sorties) Processus daudit et de reporting

Cadre conceptuel et philosophique


Cadre oprationnel

Afin de poursuivre
Paris Model Validation Seminar
Archives

http://www.iae-paris.com/archives_seminar