Réunir des chercheuses et chercheurs qui se penchent sur les nombreux aspects de la gestion du risque afin de trouver des solutions innovantes aux problèmes urgents dans ce domaine. L’objectif est de promouvoir des activités de recherche rigoureuses et pertinentes menant à l’acquisition de nouvelles connaissances et perspectives sur la gestion du risque. Cette fondation servirait à formuler des recommandations à présenter aux parties concernées telles que les autorités de réglementation, les organisations sectorielles et les entreprises au Canada, de même que les responsables gouvernementaux.
Composer avec un monde en constante évolution
L’un des défis les plus importants des entreprises dans la dernière décennie a été la gestion de l’incertitude dans une économie instable et imprévisible. Alors que les crises précédentes, comme l’effondrement du système financier mondial en 2008, ont fondamentalement changé le fonctionnement de nombreuses entreprises, la pandémie actuelle a transformé nos vies et a forcé l’ensemble des entreprises et des individus à s’adapter à une nouvelle réalité. C’est lors de ces périodes d’incertitude que les gens prennent conscience de la fragilité du système actuel et de la rareté des ressources. Le manque de capital a forcé la faillite de banques, tandis que le manque d’équipement médical a entraîné des décès.
Gérer l’incertitude
On peut résumer les difficultés que représente la gestion de l’incertitude avec l’acronyme VUCA. D’abord introduit par le United States Army War College, cet acronyme signifie « volatilité » (volatility), c’est-à-dire la rapidité et le caractère imprévisible du changement; « incertitude » (uncertainty), soit le connu inconnu; « complexité » (complexity) – un grand nombre d’éléments et de variables interconnectés; et « ambiguïté » (ambiguity), ou l’inconnu inconnu. Les entreprises doivent dorénavant résoudre ces difficultés et apprendre à les gérer.
L’intelligence des risques
L’intelligence des risques a évolué; des outils ont été créés pour identifier, mesurer et atténuer les risques découlant de diverses sources d’incertitude. D’importants progrès ont également été réalisés quant à a fiabilité de l’évaluation des risques grâce à l’analytique avancée. C’est d’ailleurs ce qui a mis en évidence les lacunes des accords de Bâle II, un ancien cadre de réglementation international, et de la gestion des risques en matière de marché, de crédit et de fonctionnement des grandes banques mondiales. Ces avancées ont révélé, par exemple, que les règlements proposés ne considéraient pas le caractère endogène du risque, et que la valeur à risque (VAR), l’indicateur du risque standard dans l’industrie, peut en réalité déstabiliser l’économie et provoquer des krachs.
Des solutions fondées sur des données et des analyses révélatrices
Les entreprises sont souvent paralysées lorsqu’elles réalisent la profondeur et la complexité de l’incertitude à laquelle elles font face. Pour composer avec cette réalité, il faut maîtriser les principes fondamentaux de la gestion du risque, comme la diversification et les opérations de couverture, et développer une approche systématique pouvant intégrer efficacement les facteurs d’incertitude à un processus décisionnel en temps réel. C’est ce qui a mené à l’adoption du cadre de la gestion du risque d’entreprise. La réussite de ces cadres repose en grande partie sur notre capacité actuelle à modéliser les problèmes complexes associés à la prise de décisions. À titre d’exemple, les modèles de gestion du portefeuille financier ont permis d’optimiser le rapport risque-rendement de certains portefeuilles, et les modèles de chaînes d’approvisionnement permettent d’adapter ces dernières pour minimiser le risque de perturbation. Bon nombre de ces modèles ont vu le jour grâce aux progrès théoriques et algorithmiques de la dernière décennie en optimisation, statistique et économétrie financière. Les technologies émergentes comme l’IA et l’apprentissage machine ouvrent également la porte à de nouveaux outils qui permettront de parfaire l’intelligence des risques.
Publications pertinentes
BANERJEE, P. et S. DUTTA. (2022).
« The Effect of Political Risk on Investment Decisions », Economic Letters.
MARZBAN, S., E. DELAGE E. et J. Y. LI. (2022).
« Equal risk pricing and hedging of financial derivatives with convex risk measures », Quantitative Finance, vol. 22, no 1, p. 47-73.
RACICOT, F. E. et R. THÉORET. (2022)
« Tracking market and non-traditional sources of risks in procyclical and countercyclical hedge fund strategies under extreme scenarios: a nonlinear VAR approach ». Financial Innovation, vol. 8, no 24, p. 1-56.
GREGORIOU, G. N., F. E. RACICOT et R. THÉORET. (2021).
« The response of hedge fund tail risk to macroeconomic shocks: A nonlinear VAR approach », Economic Modelling, vol. 94, p. 843-872.
LI, J. Y. (2021).
« Inverse optimization of convex risk functions », Management Science, vol. 67, no 11, p 6629-7289.
QI, Q(C). et J. MCCONNELL. (2021).
« Does CEO Succession Planning Create Shareholder Value? », Journal of Finance and Quantitative Analysis.
SUN, F., S. DUTTA., P. ZHU et W. REN. (2021).
« Female insiders’ ethics and trading profitability », International Review of Financial Analysis, vol. 74, p. 1-18.
BOWEN, R., S. DUTTA, S. TANG et P. ZHU. (2018).
« Inside the “Black Box” of Private In-House Meetings », Review of Accounting Studies, vol. 23, no 2, p. 487-527.
DELAGE, E. et J. Y. LI. (2018).
« Minimizing risk exposure when the choice of a risk measure is ambiguous », Management Science, vol. 64, no 1, p. 327-344, mai.
LI, J. Y. (2018).
« Closed-form solutions for worst-case law invariant risk measures with application to robust portfolio optimization », Operations Research, vol. 66, no 6, p. 1457-1759.
RACICOT, F. E., W. F. RENTZ et R. THÉORET. (2018).
« Testing the new Fama and French factors with illiquidity: A panel data investigation », Finance, vol. 39, no 3, p. 45-102.
RACICOT, F. E. et R. THÉORET. (2016).
« Macroeconomic shocks, forward-looking dynamics, and the behavior of hedge funds », Journal of Banking & Finance, vol. 62, p. 41-61.
RACICOT, F. E. (2015).
« Engineering robust instruments for GMM estimation of panel data regression models with errors in variables: a note », Applied Economics, vol. 47, no 10, p. 981-989.
Coordonnateur du sous-pôle Intelligence des risques et solutions résilientes
Jonathan Yu-Meng Li, Ph.D.
