La détection multivariée des points de changement surveille les séquences de vecteurs dont la distribution s'écarte d'un modèle préchangement à un moment inconnu. Les vecteurs peuvent représenter des mesures de la qualité des produits, des réseaux de capteurs, des appareils portables, des taux de cas de maladies infectieuses ou des rendements financiers, parmi de nombreux autres cas d'utilisation. Les objectifs sont (a) de limiter les fausses alarmes et (b) de détecter rapidement les changements réels. Nous décrivons une large classe de détecteurs qui peuvent être interprétés comme des paris contre un modèle préchangement. Ils offrent de solides garanties en matière de taux de fausses alarmes et minimisent le délai moyen de détection. Dans le cadre d'un modèle composite, ils atteignent leur efficacité en apprenant les paramètres en ligne ou en intégrant un a priori. La structure de dépendance entre les flux joue un rôle clé. Nous construisons des détecteurs optimaux en multipliant des composants indépendants et en formant des portefeuilles universels à partir de composants arbitrairement dépendants. Nous analysons leurs caractéristiques de fonctionnement à l'aide de la théorie et de simulations.