Modèles de volatilité

1er novembre 2026 • Équipe analytique Yariarjarhacraimave

Modèles à volatilité stochastique en cadre bayésien complet : lire les paramètres cachés sans se raconter d'histoires

Les modèles à volatilité constante ont eu leur heure. Aujourd'hui, la volatilité est traitée comme une variable latente qui évolue dans le temps, invisible dans les données mais inférable par ses effets sur les rendements observés. L'inférence bayésienne complète sur ces modèles — avec propagation de l'incertitude paramétrique dans la distribution prédictive — change la lecture que l'on fait des queues de distribution sur un horizon pluriannuel. Cet article examine comment ce cadre fonctionne, ce qu'il révèle et ce qu'il ne peut pas résoudre.

Lire l'article

Validation de modèles

9 novembre 2026 • Équipe analytique Yariarjarhacraimave

Calibration des distributions prédictives bayésiennes : comment vérifier qu'un modèle de rendements dit ce qu'il prétend dire

Une distribution prédictive bien construite n'est pas nécessairement une distribution bien calibrée. La calibration — la correspondance entre les probabilités annoncées et les fréquences observées — est le test empirique qui distingue un modèle honnête d'un modèle qui produit des courbes esthétiques sans vraiment couvrir l'incertitude réelle. Cet article examine comment évaluer la calibration d'une densité prédictive bayésienne sur des rendements d'actifs, quels diagnostics sont indispensables et ce que l'on apprend lorsque la calibration échoue sur un horizon pluriannuel.

Lire l'article

Méthodes bayésiennes

12 octobre 2026 • Équipe analytique Yariarjarhacraimave

Pourquoi une distribution prédictive complète vaut mieux qu'un intervalle de confiance classique

On vous a appris à lire un intervalle de confiance. Mais un intervalle masque la forme de la distribution — ses asymétries, ses queues épaisses, ses régions de faible probabilité que personne ne veut regarder en face. Voici pourquoi la densité prédictive complète, construite par inférence bayésienne, change la façon dont on lit le risque sur un horizon de plusieurs années. Nous examinerons un cas concret, les hypothèses qu'il révèle et ce qu'un intervalle seul aurait dissimulé.

Lire l'article

Sélection de modèles

3 novembre 2026 • Équipe analytique Yariarjarhacraimave

Incertitude de modèle en analyse bayésienne : pourquoi choisir un seul modèle est une erreur coûteuse

Choisir un modèle unique et l'appliquer sans questionnement, c'était la norme il y a vingt ans. Aujourd'hui, l'inférence bayésienne permet de pondérer plusieurs modèles concurrents par leur vraisemblance respective, de propager l'incertitude structurelle dans la distribution prédictive et d'obtenir une honnêteté analytique que le modèle unique ne peut pas offrir. Cet article examine pourquoi l'incertitude de modèle est souvent la source dominante d'erreur sur un horizon pluriannuel, et comment la traiter sérieusement.

Lire l'article

Inférence bayésienne

9 novembre 2026 • Équipe analytique Yariarjarhacraimave

Priors informatifs ou non-informatifs : comment le choix initial façonne toute la distribution prédictive des rendements

On suppose souvent que le prior bayésien est une formalité — un point de départ que les données effaceront rapidement. Ce n'est pas toujours vrai. Sur des horizons pluriannuels, avec des données financières limitées et des paramètres difficiles à identifier, le prior continue de peser sur la distribution prédictive bien après l'estimation. Cet article examine comment distinguer un prior honnête d'un prior commode, et ce que ce choix implique pour vos conclusions analytiques.

Lire l'article

Méthodes numériques

4 novembre 2026 • Équipe analytique Yariarjarhacraimave

Méthodes MCMC appliquées aux modèles de rendements à paramètres latents : ce que l'algorithme révèle et ce qu'il dissimule

Les méthodes MCMC sont devenues l'épine dorsale de l'estimation bayésienne pour les modèles à paramètres latents. Mais derrière l'élégance de l'algorithme se cachent des diagnostics que beaucoup ignorent : convergence insuffisante, mélange lent, autocorrélation des chaînes. Cet article examine comment lire les signaux d'alerte, pourquoi ils importent pour la qualité de la distribution prédictive finale, et ce qu'un praticien sérieux vérifie avant de faire confiance à ses résultats sur un horizon pluriannuel.

Lire l'article