Notre approche

Qui sommes-nous

Autrefois, l'analyse des rendements se contentait de moyennes et d'écarts-types. Aujourd'hui, nous construisons des distributions prédictives complètes, là où l'incertitude réelle réside.

Une mission ancrée dans la rigueur

Nous avons fondé Yariarjarhacraimave avec une conviction simple : les modèles qui ignorent l'incertitude paramétrique ne rendent pas service à ceux qui prennent des décisions sur un horizon de trois à cinq ans. Chaque distribution que nous construisons intègre explicitement ce que l'on ne sait pas encore, pas seulement ce que les données semblent confirmer.

Notre mission n'est pas de simplifier la complexité jusqu'à la rendre méconnaissable. Elle est de la rendre lisible, de vous donner les outils conceptuels pour lire une densité prédictive et en tirer des conclusions honnêtes, sans illusions confortables ni fausses précisions.

Nous développons des cadres analytiques fondés sur les méthodes bayésiennes pour construire des densités prédictives complètes sur les rendements d'actifs, en tenant compte de l'incertitude des paramètres et des modèles.

Nos analyses ne produisent pas un chiffre unique. Elles produisent une distribution entière — avec ses queues, ses asymétries, ses régions de forte ou faible probabilité — pour que vous compreniez la forme réelle du risque.

Ce que nous faisons

Les sujets que nous explorons couvrent l'ensemble du spectre de l'analyse bayésienne appliquée aux rendements d'actifs financiers.

Chaque thème est abordé avec la même rigueur : poser d'abord les hypothèses, puis examiner ce qu'elles impliquent réellement.

Construction de densités prédictives bayésiennes pour les rendements d'actifs sur horizon pluriannuel.
Quantification de l'incertitude paramétrique dans les modèles de rendements et ses effets sur les queues de distribution.
Sélection et pondération de modèles concurrents via des critères bayésiens comme le facteur de Bayes.
Propagation de l'incertitude de modèle dans les prévisions de rendements à moyen terme.
Priors informatifs et non-informatifs : comment le choix du prior façonne la distribution prédictive.
Méthodes MCMC appliquées à l'estimation de modèles de rendements à paramètres latents.
Modèles à volatilité stochastique dans un cadre bayésien complet avec inférence sur les paramètres cachés.
Analyse des queues épaisses et modélisation des événements extrêmes via des lois a priori adaptées.
Comparaison entre approches fréquentistes et bayésiennes dans l'estimation du risque sur horizon stratégique.
Agrégation de prévisions issues de modèles hétérogènes par combinaison bayésienne pondérée par la vraisemblance.
Utilisation des distributions prédictives pour évaluer des scénarios de stress sur un portefeuille multi-actifs.
Inférence bayésienne séquentielle et mise à jour des croyances à mesure que de nouvelles données arrivent.
Régression bayésienne sur facteurs de risque avec prise en compte de la colinéarité et de l'incertitude structurelle.
Calibration des modèles prédictifs : comment évaluer si une distribution couvre bien les réalisations futures.
Limites et biais des approches bayésiennes : ce que les données ne peuvent pas résoudre par elles-mêmes.
Interprétation des intervalles de crédibilité bayésiens et distinction avec les intervalles de confiance classiques.

Nous ne prétendons pas qu'un modèle est toujours supérieur à un autre. Nous examinons leurs hypothèses respectives, leurs forces et leurs zones d'ombre, avec la même rigueur critique.

Comparer sans simplifier

Là où d'autres choisissent un modèle et l'appliquent, nous pesons plusieurs candidats simultanément, en laissant les données distribuer le poids de la preuve de façon explicite et traçable.

Avant d'adopter un modèle prédictif, il vaut la peine de s'interroger sur ce qu'il suppose implicitement.

Voici les questions que nous posons systématiquement, et que vous devriez poser à tout cadre analytique que vous envisagez d'utiliser.

Ce modèle produit-il une distribution complète ou seulement un point central et un écart-type ?
L'incertitude sur les paramètres est-elle propagée dans la prévision finale ou absorbée silencieusement ?
Quels priors ont été choisis, et leur influence diminue-t-elle vraiment à mesure que les données s'accumulent ?
Le modèle est-il comparé à des alternatives, ou adopté par défaut faute de challenger explicite ?
Les queues de la distribution prédictive reflètent-elles les événements historiques rares observés dans les données ?
Sur quel horizon temporel le modèle a-t-il été calibré, et correspond-il à votre horizon de décision réel ?
La structure du modèle est-elle stable dans le temps, ou ses paramètres dérivent-ils de façon non contrôlée ?
Comment le modèle se comporte-t-il lorsqu'on lui fournit peu de données — produit-il des distributions larges honnêtes ?
Les intervalles de crédibilité produits sont-ils bien calibrés sur des données hors-échantillon récentes ?
Quelle est la sensibilité des conclusions aux hypothèses structurelles du modèle sous-jacent ?
Le modèle distingue-t-il clairement ce qu'il estime de ce qu'il suppose par construction ?

Nous croyons que l'honnêteté analytique commence par afficher l'incertitude, pas par la dissimuler derrière une prévision ponctuelle rassurante.

Ce en quoi nous croyons

Nous croyons que la rigueur bayésienne n'est pas un ornement académique : elle change les décisions que l'on prend sur un horizon de plusieurs années.

Nous croyons que comparer des modèles concurrents est plus utile que d'en choisir un seul et de l'habiller de confiance.

Les performances passées ne constituent pas un indicateur fiable des résultats futurs. Toute analyse doit être considérée dans ce contexte.

Juger une source sérieusement

Une source fiable montre ses hypothèses, décrit ses limites et ne prétend pas que son modèle capture tout ce que les données contiennent. Si elle omet l'incertitude, c'est une raison de creuser davantage.

Nous vous encourageons à examiner nos propres cadres avec le même regard critique. La transparence sur la méthode est le seul signal de rigueur que nous pouvons vous offrir sans vous demander de nous faire confiance à l'aveugle.

Notre contenu analytique s'adresse à des profils différents selon leur niveau de familiarité avec les méthodes bayésiennes.

Débutants analytiques

Vous découvrez l'inférence bayésienne et cherchez à comprendre pourquoi une distribution complète dit plus qu'une moyenne. Nos cadres introductifs posent les bases sans raccourcis trompeurs.

Praticiens confirmés

Vous travaillez déjà avec des modèles probabilistes et souhaitez approfondir la gestion de l'incertitude de modèle, la sélection bayésienne et la calibration des distributions prédictives sur actifs réels.

Décideurs stratégiques

Vous n'estimez pas les modèles vous-même, mais vous en lisez les sorties pour des décisions à horizon pluriannuel. Nous vous aidons à poser les bonnes questions aux bons endroits.