Soutenance de thèse de David SAMAMA

Cette thèse explore l'impact du choix de modèle d'évaluation des options dans les transactions de grès à grès sur la gestion des risques financiers. Trois domaines clés sont explorés : la couverture des positions, les exigences de marge initiale conformes à la réglementation, et les coûts associés à leur maintien jusqu'à l’échéance. Cette recherche s'appuie sur des simulations Monte-Carlo, implémentant des portefeuilles de réplication pour examiner les erreurs de couverture associées à chaque modèle. Elle utilise également la marge SIMM pour évaluer les variations de provisions selon le modèle choisi, et elle déploie des réseaux de neurones pour évaluer leurs performances en fonction du modèle sélectionné. L'étude révèle que la couverture est plus efficace avec un modèle à volatilité stochastique qu'avec un modèle incluant des sauts qui induit une asymétrie dans les erreurs. La marge est moins volatile en utilisant le modèle à volatilité stochastique ce qui pourrait atténuer les effets de procyclicité. En outre, l'utilisation de réseaux de neurones pour le calcul de la marge se révèle précis et efficace, pour tous les modèles mais semble plus adapté au modèle à volatilité stochastique. En minimisant les erreurs de couverture et en optimisant les exigences de marge, les institutions financières peuvent réduire leur exposition aux risques financiers et améliorer leur conformité réglementaire. De plus, l'utilisation de réseaux de neurones offre une opportunité d'automatisation et d'efficacité accrue dans le calcul des marges, renforçant ainsi la compétitivité des banques sur les marchés OTC. En somme, cette thèse fournit un guide pour les institutions financières cherchant à optimiser leur gestion des risques et à prendre des décisions stratégiques éclairées dans un environnement financier en constante évolution.

This thesis explores the impact of option pricing model choice in sandstone-to-stone transactions on financial risk management. Three key areas are explored: hedging of positions, initial margin requirements in line with regulations, and the costs associated with maintaining them to maturity. The research is based on Monte-Carlo simulations, implementing replication portfolios to examine the hedging errors associated with each model. It also uses SIMM margining to evaluate variations in provisions according to the model chosen, and deploys neural networks to evaluate their performance as a function of the model selected. The study reveals that hedging is more effective with a stochastic volatility model than with a model including jumps, which induces asymmetry in errors. The margin is less volatile using the stochastic volatility model, which could attenuate the effects of procyclicality. In addition, the use of neural networks to calculate the margin is accurate and efficient for all models, but seems better suited to the stochastic volatility model. By minimizing hedging errors and optimizing margin requirements, financial institutions can reduce their exposure to financial risks and improve their regulatory compliance. In addition, the use of neural networks offers an opportunity for automation and increased efficiency in margin calculation, thereby strengthening banks' competitiveness in OTC markets. In sum, this thesis provides a guide for financial institutions seeking to optimize their risk management and make informed strategic decisions in an ever-changing financial environment.