BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//CERN//INDICO//EN
BEGIN:VEVENT
SUMMARY:Optimisation de portefeuille sous contrainte de risque de type CVa
 R
DTSTART:20260505T113000Z
DTEND:20260505T133000Z
DTSTAMP:20260501T211700Z
UID:indico-event-16491@indico.math.cnrs.fr
DESCRIPTION:Speakers: William Thevenot\n\nLe jury sera composé de :\n- M.
  Alexandre Brouste\, Université du Mans\, rapporteur\,\n- M. Nabil Kazi-T
 ani\, Université de Lorraine\, rapporteur\,\n- M. Ludovic Goudenège\, Un
 iversité Paris-Saclay\, examinateur\,\n- Mme. Ying Jiao\, Université Cla
 ude Bernard Lyon 1\, examinatrice\,\n- Mme. Véronique Maume-Deschamps\, U
 niversité Claude Bernard Lyon 1\, co-directrice de thèse\,\nEn invité\,
 \n- M. Jérôme Lelong\, Université Grenoble Alpes\, co-directeur de thè
 se.\nRésumé :\nCette thèse étudie des problèmes d’optimisation de p
 ortefeuille sous contrainte de risque extrême\, avec des applications dir
 ectes au secteur de l’assurance et de la réassurance. Dans un contexte 
 réglementaire marqué par Solvabilité II\, les organismes doivent pilote
 r leurs engagements de manière à maximiser la performance espérée tout
  en respectant des exigences strictes en capital. Afin de mieux prendre en
  compte le risque de queue\, nous privilégions la Conditional Value at Ri
 sk (CVaR) et sa variante déviationnelle (Deviation-CVaR)\, qui permettent
  de dissocier la performance moyenne de la composante de risque extrême. 
 La thèse développe trois formulations complémentaires du problème d’
 optimisation.La première considère un cadre statique\, représentatif de
 s décisions de souscription\, et propose une approche fondée sur la Samp
 le Average Approximation pour résoudre un programme sous contrainte de CV
 aR\, puis son extension en DCVaR. Des résultats de convergence et d’uni
 cité sont établis\, et l’approche est validée numériquement.La deuxi
 ème formulation adopte un cadre dynamique en temps continu. L’incohére
 nce temporelle de la CVaR est traitée par une approche martingale en marc
 hé complet\, conduisant à une caractérisation semi-analytique des solut
 ions optimales sous contrainte de DCVaR et à l’analyse de la frontière
  efficiente risque–rendement.La troisième formulation s’inscrit dans 
 un cadre dynamique en temps discret sans hypothèse paramétrique sur la d
 ynamique des actifs. Un problème sous contrainte explicite de DCVaR est r
 ésolu par des méthodes d’apprentissage profond\, en particulier à l
 ’aide de réseaux de neurones récurrents\, permettant d’approximer de
 s stratégies de pré-engagement dans des environnements de risque complex
 es.Enfin\, une dernière partie adopte une perspective opérationnelle en 
 (ré)assurance. Elle traite de l’allocation de capital\, en comparant no
 tamment les approches d’Euler et de Shapley\, et discute les conditions 
 de mise en œuvre pratique de l’optimisation mean–DCVaR pour le pilota
 ge d’activité\, en intégrant contraintes de gestion\, coûts de transi
 tion et considérations multicritères.\n\nhttps://indico.math.cnrs.fr/eve
 nt/16491/
LOCATION:Bât. Braconnier - Salle 112
URL:https://indico.math.cnrs.fr/event/16491/
END:VEVENT
END:VCALENDAR