Cette thèse s’intéresse à la gestion du risque financier, étudié à travers le prisme de deux environnements que sont le crédit et l’investissement.La première thématique abordée concerne la gestion du risque lié aux migrations des notations de crédit. Un rating ou une notation de crédit évalue la capacité d’une entité à respecter ses engagements envers ses créanciers. Ces notations sont constamment réévaluées et peuvent évoluer au cours du temps, notamment en fonction du cycle économique.Dans un premier temps, nous nous intéressons au rôle des notations de crédit dans la réglementation et aux risques que leurs migrations génèrent pour les finances des banques. À travers un état de l'art des méthodes existantes d’estimation Point-In-Time (PIT) des migrations de ratings et l'introduction d'une nouvelle méthode, cette partie cherche dans un second temps, à apporter un éclairage sur le lien qui existe entre la dynamique des migrations de rating et le risque systématique, étroitement lié à la santé de l'économie. En particulier, l'approche proposée considère que la dynamique des migrations de rating est régie par une chaîne de Markov latente non observée, représentant les états de l’économie. Cette approche permet de modéliser l'effet du cycle économique sans utiliser de variables macro-économiques et donc d’éviter toutes confusions ou ambiguïtés dans le choix de ces variables. S’appuyant sur la théorie de filtrage de processus ponctuels, nous expliquons comment l'état actuel du facteur caché peut être efficacement déduit à partir des observations historiques de notation. Nous adaptons l’algorithme classique de Baum-Welch à notre contexte afin d'estimer les paramètres du facteur latent. Une fois calibré, notre méthode permet de détecter en temps réel les changements économiques affectant la dynamique des migrations de notation. Deux versions sont proposées : une version discrète et une version continue. Nous démontrons et comparons l'efficacité des deux approches sur des données fictives et sur une base de données de notation de crédit d'entreprises.La deuxième partie de cette thèse s’intéresse à la gestion du compromis entre rendement attendu et risque estimé dans le processus d'investissement. En particulier, nous étudions les moyens d'allouer la richesse au sein d'un portefeuille composé d'un panier d'actifs risqués. Nous décrivons les méthodes statiques et dynamiques et tentons de comprendre les motivations qui poussent les investisseurs à choisir une approche plutôt qu'une autre. L’approche mean-variance de Markowitz est le classique paradigme en allocation de portefeuille. Elle offre une stratégie de répartition de richesse pour laquelle le rendement attendu est maximal pour un niveau de risque donné. Lorsque l’objectif de l’investisseur est à un horizon de temps lointain, la stratégie classique mean-variance uni-période, ne peut pas se projeter au-delà de la prochaine période et ne peut pas rivaliser avec la stratégie optimale dynamique obtenue à partir de la version multi-période du problème. Les méthodes existantes, basées sur la programmation dynamique, ne sont pas totalement adaptées pour résoudre le problème multi-périodes mean-variance en présence de coûts de transactions. Elles reposent sur des approximations importantes ou s’avèrent avoir une trop grande complexité pour être applicable. En réponse à cette problématique, cette thèse propose une nouvelle approche qui consiste à représenter la valeur du portefeuille par sa décomposition en chaos de Wiener. Cette méthode est numériquement raisonnable et peut prendre en compte les coûts de transactions. Nous comparons cette approche avec l’approche statique mean-variance et tentons de raviver le débat autour du consensus idéal à trouver entre simplicité et performance.