Les régulateurs imposent des exigences de plus en plus strictes aux banques et aux compagnies d'assurance pour le suivi de leurs principaux paramètres de risque. Par exemple, la revue fondamentale du trading book (FRTB) exige désormais dans le cadre de l'approche par modèle interne, le calcul de l'Expected Shortfall (ES) et de l'ES stressée sur plusieurs horizons de liquidité pour chaque catégorie de risque. Ce calcul consistait en un calcul de Value at Risk (VaR) et de VaR stressée sur un seul horizon de liquidité sous Bâle III. Ces exigences multiplient par plus de dix les besoins de calcul pour évaluer le capital réglementaire de risque de marché et complexifient la gestion des portefeuilles contenant des produits structurés. Par conséquent, l'exploration de nouvelles approches plus efficaces que les simulations de Monte Carlo (MC) devient un objectif crucial pour l'industrie.

Dans ce rapport, nous utilisons les réseaux de neurones comme approximateurs universels, pour répliquer une fonction de valorisation (modèle) sur un espace de paramètres d'intérêt donné. Nous nous intéressons d’abord au cas de valorisation des options financières en utilisant le modèle de Black-Scholes et un modèle de volatilité stochastique (Heston). Nous prouvons la méthodologie construite d’abord sur des options européennes vanilles et la généraliserons ensuite à des instruments plus complexes. Nous présentons ensuite deux approches pour aborder différemment la calibration des modèles de valorisation couramment utilisés, en prenant l'exemple des modèles Black- Scholes et Heston. Ces deux approches capitalisent sur le réseau de neurones entraîné (deep calibration). 

Nous présentons enfin différentes applications de ces approches en particulier pour la gestion des risques et en soulignons l’intérêt. Nous consacrons les deux derniers chapitres à l'évaluation d'une potentielle application du deep pricing à la valorisation des variables annuités (VA).