Le Prix CRM-SSC 2026 est décerné à Stanislav Volgushev (Université de Toronto)

Le Prix CRM-SSC 2026 est décerné à Stanislav Volgushev (Université de Toronto) pour des contributions originales et profondes aux méthodes et à la théorie de l’inférence statistique pour des structures de données complexes, notamment la régression quantile, la dépendance multivariée et les processus de copule, les méthodes de rééchantillonnage, ainsi que la théorie des valeurs extrêmes.

Le professeur Volgushev est né à Moscou en 1983 et a déménagé avec ses parents en Allemagne à l’âge de 6 ans. Il a étudié les mathématiques à l’Université Ruhr de Bochum et a obtenu son diplôme (équivalent d’un MSc) en 2007, ainsi que son doctorat en 2010, tous deux sous la direction de Holger Dette. Il a rejoint l’Université Cornell en tant que professeur adjoint en 2015 et a déménagé à Toronto en 2016.

Le professeur Volgushev compte un total de 48 publications, dont plusieurs parues dans les principales revues de la discipline, notamment les Annals of Statistics (AoS), le Journal of the Royal Statistical Society (JRSSB) et le Journal of the American Statistical Association (JASA). Dans le cadre de son doctorat, il a travaillé sur la régression quantile, et il a poursuivi cette ligne de recherche tout au long de sa carrière. L’une de ses contributions majeures sur ce thème, largement citée dans la littérature, est son article de 2019 paru dans AoS (en collaboration avec Guang Cheng et Shi-Kang Chao), dans lequel il propose la première approche de régression quantile pour des ensembles de données très volumineux utilisant l’approche « diviser pour régner ». Il y établit non seulement des garanties pour le succès de ces procédures, mais il met également en évidence des situations où elles échouent de manière démontrable. Il a aussi apporté des contributions significatives à la régression quantile pour les données de panel avec Jiaying Gu. Dans sa publication de 2020 dans le Journal of Econometrics (avec Jiaying Gu et Antonio Galvao), il a établi de nouveaux résultats sur la distribution limite de la régression quantile lorsque de nombreux effets spécifiques individuels sont estimés simultanément. Il a également travaillé sur plusieurs autres aspects de la modélisation de la dépendance. Ses travaux sur la différentiabilité de Hadamard de l’application de copule (Bücher, Volgushev, JMVA, 2013), la convergence dans des métriques faibles sous des hypothèses de régularité modérées (Bücher, Segers, Volgushev, AoS 2014), et la convergence faible par rapport à des métriques pondérées plus fortes (Berghaus, Bücher, Volgushev, Bernoulli 2017) fournissent des outils clés pour l’analyse des procédures basées sur les rangs. Une autre ligne de ses travaux, menée avec Marc Hain, Holger Dette et Tobias Key, combine la puissance des copules avec des méthodes du domaine fréquentiel en séries temporelles. De nombreuses contributions récentes du professeur Volgushev portent sur l’analyse des valeurs extrêmes, abordant plusieurs questions, notamment la dichotomie entre indépendance et dépendance asymptotiques (Lalancette, Engelke, Volgushev, AoS 2021), l’apprentissage de structures en arbre (Engelke, Volgushev, JRSSB 2022) et l’apprentissage de modèles graphiques flexibles pour les extrêmes (Engelke, Lalancette, Volgushev, AoS 2026).

Le professeur Volgushev apprécie grandement travailler et apprendre aux côtés des étudiants qu’il encadre. Depuis son arrivée à l’Université de Toronto, quatre doctorants ont complété leur doctorat sous sa (co-)direction, et il supervise actuellement quatre doctorants ainsi qu’un chercheur postdoctoral. Il a contribué au Département des sciences statistiques en tant que directeur adjoint des études supérieures, et à la profession au sens large en tant que rédacteur associé pour plusieurs revues, notamment Bernoulli, l’Electronic Journal of Statistics, le Canadian Journal of Statistics et Extremes.