Les prix des options, des futures et des instruments de taux contiennent des informations implicites sur ce que le marché considère comme plausible pour différents horizons. Urlyddoutento part de ce constat pour construire une méthodologie qui relie ces signaux dispersés à des scénarios structurés, utilisables par des équipes de recherche et de risques. La première étape consiste à reconstruire des surfaces de volatilité et des courbes de terme à partir de données de marché contrôlées. Ces surfaces servent de base à l’inférence de distributions implicites, en combinant des approches paramétriques classiques et des techniques d’IA capables de capter des déformations de forme difficiles à modéliser directement. Les modèles sont regroupés dans un cadre interne appelé Cadre d’Anticipations Implicites Structurées, qui définit les hypothèses communes, les contraintes de robustesse et les métriques de stabilité à suivre dans le temps. Chaque brique du cadre fait l’objet d’une documentation destinée aux fonctions de validation de modèles et aux comités de risques. Sur cette base, Urlyddoutento dérive des scénarios implicites, des diagnostics de régime et des indicateurs de cohérence entre les différents segments de dérivés. Les scénarios sont ensuite organisés par horizon et par classe d’actifs, afin de correspondre aux calendriers de décision des institutions. Les résultats sont présentés avec des fourchettes, des exemples historiques et des signaux de changement, plutôt qu’avec des points uniques difficiles à interpréter. Enfin, la méthodologie inclut une boucle de surveillance et de recalibrage, appuyée sur des tests historiques et des analyses de sensibilité. Past performance doesn't guarantee future results, mais la comparaison avec des épisodes marquants permet de mieux comprendre comment les modèles réagissent à des environnements variés. Cette transparence vise à faciliter l’intégration des anticipations implicites dans les cadres existants, sans créer de dépendance à un signal unique.