Skip to main content
Trading15 min read

Mathématiques du risque de portefeuille expliquées : VaR, CVaR et pourquoi l'estimation de la covariance est importante

Les mathématiques derrière RiskRadar — Value at Risk, Conditional VaR, shrinkage de Ledoit-Wolf et simulation Monte Carlo expliquées pour les ingénieurs qui ne sont pas des quants.

Part ofFintech & Trading Systems->
By Jason TeixeiraMarch 22, 2026
PythonRisk ManagementTradingMathematicsPortfolioscipy
Share:
On this page

Quand j'ai construit RiskRadar, j'avais besoin d'implémenter des calculs de risque de niveau institutionnel. La plupart des tutoriels sur la gestion des risques soit simplifient à l'excès (« calculez juste l'écart-type »), soit supposent un niveau de mathématiques de doctorat.

Voici le juste milieu — les mathématiques dont vous avez réellement besoin pour implémenter le risque de portefeuille, expliquées pour les ingénieurs.

Value at Risk (VaR) : Quel est le Pire Scénario Possible ?

La VaR répond à la question : « Quelle est la perte maximale que je pourrais subir en un jour, avec un niveau de confiance de 95 % ? »

Si la VaR à 95 % sur 1 jour de votre portefeuille est de 10 000 $, cela signifie que : 95 % des jours, vos pertes ne dépasseront pas 10 000 $. Les 5 % restants des jours... elles pourraient les dépasser.

Trois méthodes pour calculer la VaR :

VaR Historique (la plus simple)

Classez vos rendements quotidiens historiques. Le 5e percentile correspond à votre VaR à 95 %.

Reader route

article -> proof -> offer

ReadClusterProofScope

cluster

Fintech & Trading Systems

intent

Trading

route

next step

What to do with this

Turn the note into a build path.

If this topic maps to a real business problem, keep reading the cluster, study the academy path, or route the work into a scoped engagement.

Jason Teixeira
Written by
Jason Teixeira
Founder, Sage Ideas Studio · Principal Engineer
livebuild 81e8c8e2026-07-28 06:02Z
// solo studio// no analytics resold// every commit human-reviewed