Chapitre 1

Mesures de risque
Version du 13/12/2006.
Ce chapitre sinspire fortement de louvrage [2].
1.1 Introduction
1.1.1 Le cadre reglementaire : Bale II
Voir cours.
1.1.2 Pas de risque dans un marche complet
Voir cours.
1.1.3 Que faire dans un marche incomplet
Voir cours.
1.2 Mesures de risque
Soit (, F) un espace mesurable. Soit X une fonction mesurable ` a valeurs reelles denie sur .
Pour un scenario , la position X() sinterpr`ete comme une perte (si X() < 0, alors X()
sinterpr`ete comme un gain).
On note L

lensemble des positions X telles que X

= sup

|X()| est ni. Soit une

fonction denie sur X L

` a valeurs dans R. Pour une position X, (X) sinterpr`ete comme le

montant des fonds propres exiges associe ` a cette position.
Exemple 1.2.1. On peut considerer :

max
(X) = sup

X(),
(X) = sup
PP
E
P
[X], o` u P est un ensemble de probabilites sur (, F),
Value at risk : VaR

(X) le quantile dordre de X pour une probabilite P sur (, F) donnee.

Denition 1.2.2. On dit que est une mesure de risque monetaire si :

est croissante : X Y (X) (Y ).
invariante par translation : (X +m) = (X) +m pour tout m R.
Lemme 1.2.3. Toute mesure de risque monetaire verie : |(X) (Y )| X Y

.
1
2 CHAPITRE 1. MESURES DE RISQUE
Demonstration. X Y +X Y

(X) (Y ) +X Y

.
Denition 1.2.4. On dit que est convexe si pour tout [0, 1] (X + (1 )Y ) (X) + (1
)(Y ).
Denition 1.2.5. On dit que est positivement homog`ene si (X) = (X) pour tout 0. Une
mesure de risque monetaire convexe positivement homog`ene est dite coherente.
Lemme 1.2.6. Si est une mesure de risque monetaire positivement homog`ene, alors elle est convexe
si et seulement si elle est sous additive ((X +Y ) (X) +(Y )).
Demonstration.

Elementaire.
1.3 Exemples
La mesure de risque
max
est coherente. Cest la mesure de risque coherente la plus conservatrice
(si est une mesure de risque coherente alors (X)
max
(X)).
La mesure de risque (X) = sup
PP
E
P
[X], o` u P est un ensemble de probabilites sur (, F), est
coherente.
La mesure de risque VaR

(X) est une mesure de risque monetaire positivement homog`ene. En

general elle nest pas convexe (et donc elle nest pas en general sous-additive).
Exercice 1.3.1. Soit X un espace gaussien (i.e. pour tout n 1, X
1
, . . . , X
n
X, alors (X
1
, . . . , X
n
)
est un vecteur gaussien). Montrer que VaR

est une mesure de risque coherente si 1/2.

1.4 Positions acceptables
Une position X est acceptable si (X) 0 (elle ne necessite pas de fond propre). On pose A

=
{X X; (X) 0}.
Proposition 1.4.1. Soit une mesure de risque monetaire.
1. A

= ; sup{m R; m A

} < ; si X A

alors Y X implique Y A

.
2. { [0, 1]; X + (1 )Y A

} est un ferme de [0, 1] (eventuellement vide).

3. (X) = inf{m R; Xm A

} ((X) est le plus petit capital m tel que Xm soit acceptable).

4. convexe implique A

convexe.
5. positivement homog`ene implique A

est un c one positif.

6. coherente implique A

est un c one positif convexe.

Demonstration. Voir cours.
On peut denir une mesure de risque ` a partir dun ensemble de positions acceptables. Soit A X.
On pose pour X X :
A
(X) = inf{m R; X m A}.
Lemme 1.4.2. On a
A
= .
Demonstration.

Evident.
Remarquons que
X A
A
(X) 0. (1.1)
Proposition 1.4.3. Supposons que A satisfait 1. de la proposition 1.4.1. Alors on a :
1.
A
est une mesure de risque monetaire.
2. A est convexe implique
A
est convexe.
1.5. REPR

ESENTATION DES MESURES DE RISQUE 3

3. A est un c one positif implique
A
est positivement homog`ene.
4. A est un c one convexe positif implique
A
est coherente.
5. A A
A
avec egalite si 2. de la proposition 1.4.1 est verie.
Demonstration. Voir cours.
Exemple 1.4.4. On a
A
max
= {X; X 0}.
A
VaR

= {X; P(X 0) }.
Soit P une famille de probabilites sur (, F) et c : P R telle que inf
PP
c(P) > .
Soit A = {X; E
P
[X] c(P)}, alors
A
est une mesure de risque monetaire convexe, et on a

A
(X) = sup
PP
(E
P
[X] c(P)). La mesure de risque est coherente si c(P) = 0 pour tout P P.

1.5 Representation des mesures de risque

1.5.1 Mesures sur (, F)
On note M
1,f
lensemble des mesures sur (, F) positives niment additives de masse totale 1 et
M
1
le sous ensemble de M
1,f
des mesures qui sont -additives. Lensemble M
1
est lensemble des
probabilites sur (, F).
En general M
1,f
nest pas egal ` a M
1
.
Soit F =

iI

i
1
Ai
o` u I est ni et
i
R et A
i
F pour i I. Pour M
1,f
, on pose
(F) =

iI

i
(A
i
). Remarquons que (F) ne depend pas du choix de I ni et de
i
et A
i
pour
i I. On a |(F)| F

. Lapplication F (F) est lineaire, continue et denie sur lensemble des

fonctions prenant un nombre ni de valeurs dierentes. Il existe une unique extension lineaire continue
de sur L

. Ceci permet de denir lesperance par rapport ` a une mesure positive niment additive
de masse totale 1. Elle sera note E

(comme lesperance usuelle).

1.5.2 Formule de representation
Theor`eme 1.5.1. Soit J denie sur X L

` a valeurs dans R telle que J est croissante (X

Y J(X) J(Y )), concave, positivement homog`ene et invariante par translation. Alors il existe
P
f
M
1,f
tel que J(X) = inf
QP
f
E
Q
[X]. De plus P
f
peut etre choisi convexe et tel que linmum
soit atteint.
Demonstration. Voir cours.
Corollaire 1.5.2. Soit une mesure coherente. Alors il existe P
f
M
1,f
tel que
(X) = sup
QP
f
E
Q
[X].
De plus P
f
peut etre choisi convexe et tel que le supremum soit atteint.
Demonstration. Appliquer le theor`eme 1.5.1 avec J(X) = (X).
On admet le resultat delicat suivant.
Theor`eme 1.5.3. Soit une mesure de risque monetaire convexe. Alors il existe une fonction de
penalite c
min
denie sur M
1,f
` a valeurs dans R {+} telle que
(X) = max
QM
1,f
[E
Q
[X] c
min
(Q)] ,
et c
min
(Q) = sup
XA
E
Q
[X] pour Q M
1,f
.
4 CHAPITRE 1. MESURES DE RISQUE
Remarque 1.5.4. Toute fonction de penalite c telle que (X) = max
QM
1,f
[E
Q
[X] c(Q)] verie
c(Q) c
min
(Q).
Corollaire 1.5.5. Pour une mesure de risque coherente, c
min
prend ses valeurs dans {0, }.
Demonstration. Soit > 0. On a
c
min
(Q) = sup
XA
E
Q
[X] = sup
XA
E
Q
[X] = c
min
(Q).
Proposition 1.5.6. Soit (
i
, i I) est une famille de mesures de risque monetaires convexes de
fonction de penalite respective c
i
. Si sup
iI

i
(0) < , alors (X) = sup
iI

i
(X) denit une mesure
de risque monetaire convexe avec fonction de penalite c(Q) = inf
iI
c
i
(Q).
Demonstration.

Elementaire.
1.5.3 Passer des mesures niment additives aux mesures -additives
Le lemme suivant est admis.
Lemme 1.5.7. Soit une mesure de risque monetaire convexe.
1. On suppose (X) = sup
PM1
[E
P
[X] c(P)]. Si X
n
X (i.e. X
n
X et X
n
X
n+1
pour
n 1), alors on a (X
n
) (X).
2. Si pour tout X
n
X on a (X
n
) (X) alors toute fonction de penalite associee ` a verie
c(Q) < Q M
1
.
Soit P une probabilite denie sur (, F). On dit quune probabilite P est absolument continue par
rapport ` a P si et seulement si P(A) = 0 implique P(A) = 0. (Ceci est equivalent ` a dire quil existe
Z L
1
(P), tel que Z 0 E
P
[Z] = 1 et pour tout X L

, E
P
[X] = E
P
[ZX]. La variable Z est la
derivee de Radon-Nikodym de P par rapport ` a P, on la note Z =
dP
dP
.)
Lemme 1.5.8. Supposons que X = Y P-p.s. implique (X) = (Y ). Alors, on a c(P) = pour toute
probabilite P qui nest pas absolument continue par rapport ` a P.
Demonstration. Supposons que la probabilite P ne soit pas absolument continue par rapport ` a P. Il
existe A F tel que P(A) = 0 et P(A) > 0. Soit X A

. On consid`ere X
n
= X + n1
A
. On a
(X
n
) = (X) et donc c(P) c
min
(P) E
P
[X] +nP(A).
Les theor`emes suivants sont admis. Soit M
1
(P) lensemble des probabilites absolument continues
par rapport ` a P.
Theor`eme 1.5.9. Soit une mesure de risque monetaire convexe denie sur X = L

(P) (i.e. X = Y
P-p.s. implique (X) = (Y )). Les assertions suivantes sont equivalentes.
1. peut etre represente par une fonction de penalite sur M
1
(P).
2. peut etre represente par la restriction de la fonction de penalite minimale sur M
1
(P) : (X) =
sup
PM1(P)
[E
P
[X] c
min
(P)].
3. est continue par dessous : si X
n
X, alors on a (X
n
) (X).
4. a la propriete de Fatou : si X
n
X P-p.s. et si la suite (X
n
, n 1) est bornee, alors
(X) liminf
n
(X
n
).
5. A

est faiblement-* ferme dans L

(P) : si X
n
A

(P), pour tout n 1 et X L

(P)
tel que pour tout Y L
1
(P) on a lim
n
E[X
n
Y ] = E[XY ] , alors X A

.
1.6. RETOUR SUR LA VAR

5
Theor`eme 1.5.10. Une mesure de risque monetaire coherente, , denie sur X = L

(P) peut etre

representee par (X) = sup
PP
E
P
[X] avec P M
1
(P) si et seulement si les conditions equivalentes
du theor`eme precedent sont satisfaites. On peut remplacer P par lensemble maximal P
max
= {P
M
1
(P); c
min
(P) = 0}.
Une mesure de risque monetaire coherente, , est pertinente (i.e. (1
A
) > (0) pour tout A tel que
P(A) > 0) si et seulement si pour tout P P
max
on a P est absolument continue par rapport ` a P.
Exemple 1.5.11. On pose P

=
_
P M
1
(P);
dP
dP

_
pour ]0, 1[. Les mesures de risques
suivantes denies sur L

(P) sont coherentes :

Average Var : AVaR

(X) = sup{E
P
[X]; P P
1
}.
Worst conditional expectation : WCE

(X) = sup{E
P
[X|A]; A F, P(A) 1 }.

1.6 Retour sur la VaR

On a vu que la VaR

est une mesure de risque monetaire positivement homog`ene qui nest en

general pas convexe. On cherche une mesure de risque monetaire convexe ou coherente la plus
proche de VaR

. On note E pour E
P
. Soit X L

(P). On note F sa fonction de repartition et F

1
linverse generalise continu ` a gauche de F (voir paragraphe 1.7).
Proposition 1.6.1. Soit ]0, 1[. On a
VaR

(X) = min{(X); coherente continue par dessous telle que VaR

};
Demonstration. Soit x = VaR

(X) = F
1
(). On a P(X x) = F(F
1
()) . Soit A tel que
P(A) > 1 . On a P(A, X x) > 0. On denit P
A
() = P(|A, X x). On a E
PA
[X] x.
Dautre part denie par (Y ) = sup
PP
E
P
[X], o` u P = {P
A
; P(A) > 1 } est coherente. On a
(X) x.
On verie que VaR

. Soit > 0 et Y L

(P). On pose A = {Y VaR

(Y ) } de
sorte que P(A) > 1 . On a (Y ) E
PA
[Y ] VaR

(Y ) . Le choix de etant arbitraire, on a

(Y ) VaR

(Y ).
On denit la valeur en risque moyenne (Average Value At Risk)
AVaR

(X) =
1
1
_
1

VaR
r
(X) dr =
1
1
_
1

F
1
(r) dr.
La valeur en risque moyenne est parfois appelee valeur en risque conditionnelle (Conditional Value
at Risk) ou perte moyenne (Expected shortfall).
Proposition 1.6.2. On note x = VaR

(X) = F
1
(), z
+
= max(z, 0). On a
AVaR

(X) =
1
1
E[(X x)
+
] +x
=
1
1
E[(X y)
+
] +y pour tout y t.q. F(y) = si {z; F(z) = } = (i.e. F(x) = )
=
1
1
inf
sR
_
E[(X s)
+
] + (1 )s
_
.
6 CHAPITRE 1. MESURES DE RISQUE
Demonstration. Soit U une variable aleatoire de loi uniforme. On rappelle que F
1
(U) a meme loi
que X. On a
E[(X s)
+
] + (1 )s = E[(F
1
(U) s)
+
] + (1 )s
=
_
1
0
(F
1
(r) s)1
{F
1
(r)>s}
dr + (1 )s
=
_
1
0
(F
1
(r) s)1
{r>F(s)}
dr + (1 )s
=
_
1

F
1
(r) dr +
_

F(s)
F
1
(r) dr s
_
1
F(s)
dr +s
_
1

dr
=
_
1

F
1
(r) dr +
_

F(s)
(F
1
(r) s) dr,
o` u lon a utilise {F
1
(r) > s} = {r > F(s)} pour la troisi`eme egalite. On pose I =
_

F(s)
(F
1
(r)
s) dr.
Si > F(s), on a r > F(s) (i.e. F
1
(r) > s) pour r ]F(s), [ et donc I > 0.
Si F(s), on a r F(s) (i.e. F
1
(r) s) pour r ], F(s)[ et donc I 0.
Si s = F
1
(), on a F(s) et pour tout r [, F(s)], F
1
(r) = s, soit I = 0.
On en deduit que inf
sR
(E[(X s)
+
] + (1 )s) est atteint pour s = F
1
(). Pour tout y tel
que F(y) = le minimum est egalement atteint.
Theor`eme 1.6.3. Soit (0, 1). AVaR

est une mesure de risque coherente. Elle concide avec la

denition de lexemple 1.5.11 : AVaR

= sup{E
P
[X]; P P
1
}, o` u P

=
_
P M
1
(P);
dP
dP

_
.
Demonstration. Soit
1
1
Z 0 tel que E[Z] = 1. On montre dans un premier temps que
AVaR

(X) E
P
[X] o` u dP/dP = Z. On a, avec x = F
1
(),
AVaR

(X) E
P
[X] =
1
1
_
E[(X x)1
{Xx}
] + (1 )x (1 )E[ZX]

=
1
1
E
_
(X x)1
{Xx}
+ (x X)(1 )Z

=
1
1
E
_
(X x)(1
{Xx}
(1 )Z)

. (1.2)
Comme (X x)(1
{Xx}
(1 )Z) 0, on en deduit que AVaR

(X) E
P
[X].
On montre maintenant legalite. Si P(X = x) = 0, on a P(X > x) = 1 . Si P(X = x) > 0, on a
P(X x) > P(X < x) et
1 P(X = x) P(X > x) < 1 .
On en deduit quil existe c [0, 1] tel que P(X > x)+cP(X = x) = 1. On pose Z

=
1
1
1
{X>x}
+
c
1
1
{X=x}
de sorte que 0 Z

1
1
et E[Z

] = 1. On a, en utilisant (1.2), que AVaR

(X)
E[Z

X] = 0. Ceci assure que AVaR

(X) = sup{E
P
[X]; P P
1
}.
Cette derni`ere expression assure que AVaR

est une mesure de risque coherente.

Remarque 1.6.4. On peut montrer que AVaR

est continue par dessus (X

n
X AVaR

(X
n
)
AVaR

(X)).
1.7. RAPPELS SUR LES FONCTIONS DE R

EPARTITION ET LES QUANTILES 7

On rappelle la denition de la mesure de risque de la pire esperance conditionnelle WCE

(Worst conditional expectation), voir exemple 1.5.11) :

WCE

(X) = sup{E[X|A]; A F P(A) 1 }.

Proposition 1.6.5. On a
AVaR

(X) WCE

(X) E[X|X VaR

(X)] VaR

(X).
Les deux premi`eres inegalites sont des egalites si P(X VaR

(X)) = 1 .
Demonstration. La mesure WCE

(X) est le supremum de E

P
[X] pour P tel que
dP
dP
=
1
P(A)
1
A

1
1
. On en deduit la premi`ere inegalite.
Soit x = F
1
() = VaR

(X). Soit > 0. On a P(X x ) > 1 et donc WCE

(X)
E[X|X VaR

(X) ]. On obtient la deuxi`eme inegalite en faisant tendre vers 0. La derni`ere

inegalite est evidente.
De plus on a en utilisant la proposition 1.6.2
AVaR

(X) =
1
1
E[X1
{Xx}
] +
1
1
x[(1 ) P(X x)].
Si P(X x) = 1 , on en deduit que les deux premi`eres inegalites du theor`eme sont des egalites.
Denition 1.6.6. On dit que (, F, P) est sans atome si pour tout A F tel que P(A) > 0 il existe
B F tel que B A et 0 < P(B) < P(A).
On admet le resultat suivant.
Proposition 1.6.7. Si (, F, P) est sans atome, alors AVaR

= WCE

.
Denition 1.6.8. On dit quune mesure de risque est invariante pour la loi si d`es que X et Y ont
meme loi alors (X) = (Y ).
Exercice 1.6.9. Montrer que en general la mesure de risque VaR nest pas convexe ni continue par
dessous.
On admet le resultat suivant.
Proposition 1.6.10. On suppose (, F, P) est sans atome. AVaR

est la plus petite mesure de risque

convexe, invariante pour la loi et continue par dessous qui domine VaR

.
1.7 Rappels sur les fonctions de repartition et les quantiles
Denition 1.1. Soit X une variable aleatoire reelle. On appelle fonction de repartition de X la
fonction F : R [0, 1] denie par
x R, F(x) = P(X x).
Le proposition suivante regroupe des proprietes classiques de la fonction de repartition que nous
ne demontrerons pas.
8 CHAPITRE 1. MESURES DE RISQUE
Proposition 1.2. La fonction de repartition F dune variable aleatoire reelle X est croissante, conti-
nue ` a droite et verie
lim
x
F(x) = 0 et lim
x+
F(x) = 1.
Ensuite, la fonction de repartition caracterise la loi : si X et Y sont deux variables aleatoires reelles
qui ont meme fonction de repartition, alors
f : R R mesurable bornee , E[f(X)] = E[f(Y )].
Enn, une suite (X
n
, n N

) de variables aleatoires reelles converge en loi vers X si et seulement si,

pour tout point de continuite x R de la fonction de repartition F de X, on a
F
n
(x)
n
F(x),
o` u F
n
designe la fonction de repartition de X
n
.
Soit x R et (X
n
, n N

) une suite de variables aleatoires reelles independantes et de meme loi.

Dapr`es la loi forte des grands nombres, on a p.s.
lim
n
1
n
n

k=1
1
{X
k
x}
= P(X
1
x).
Le theor`eme suivant assure en fait que cette convergence est uniforme en x.
Theor`eme 1.3 (Glivenko-Cantelli). Soit (X
n
, n N

) une suite de variables aleatoires reelles

independantes et de meme loi. On a p.s.
lim
n
sup
xR
|F
n
(x) P(X
1
x)| = 0,
o` u F
n
, denie par
F
n
(x) =
1
n
n

k=1
1
{X
k
x}
=
1
n
Card {k {1, . . . , n} : X
k
x},
est la fonction de repartition empirique de lechantillon X
1
, . . . , X
n
.
Pour la demonstration de ce resultat, nous renvoyons par exemple ` a [1].
Denition 1.4.
Soit X une variable aleatoire reelle de fonction de repartition F. Pour p ]0, 1], on appelle
quantile ou fractile dordre p de X le nombre x
p
= inf{x R, F(x) p} o` u par convention
inf = +.
Lapplication continue ` a gauche p ]0, 1[ x
p
R sappelle linverse generalise de F. On la
note F
1
: p ]0, 1[, F
1
(p) = x
p
.
Le resultat suivant est ` a la base de la methode dinversion de la fonction de repartition destinee ` a
simuler des variables aleatoires reelles de fonction de repartition F.
Proposition 1.5. Soit F une fonction de repartition et F
1
son inverse generalise. Alors on a pour
p ]0, 1[, F(F
1
(p) p et lequivalence
F(x) p x F
1
(p). (1.3)
En outre, si F est continue, alors
p ]0, 1[, F(F
1
(p)) = p. (1.4)
Soit X une variable aleatoire reelle de fonction de repartition F et U est une variable aleatoire de loi
uniforme sur [0, 1]. Alors, la variable F
1
(U) a meme loi que X. Et si F est continue, alors F(X)
suit la loi uniforme sur [0, 1].
1.7. RAPPELS SUR LES FONCTIONS DE R

EPARTITION ET LES QUANTILES 9

Si la fonction F est inversible de R dans ]0, 1[, alors elle est continue sur R et legalite (1.4)
entrane que linverse generalise et linverse concident. Linteret de linverse generalise est quil reste
deni meme lorsque F nest pas inversible soit parce que cette fonction est discontinue soit parce
quelle est constante sur des intervalles non vides.
Demonstration. Soit p ]0, 1[. Nous allons dabord verier (1.3). Par denition de x
p
= F
1
(p), il est
clair que si F(x) p alors x F
1
(p). En outre, pour tout n N

, il existe y
n
F
1
(p) +
1
n
tel que
F(y
n
) p. Par croissance de F, on a F
_
F
1
(p) +
1
n
_
p pour tout n N

. Par continuite ` a droite

de F, on en deduit que
p ]0, 1[, F(F
1
(p)) p. (1.5)
Avec la croissance de F, cela implique que si x F
1
(p), alors F(x) p, ce qui ach`eve la demonstra-
tion de (1.3).
Lequivalence (1.3) implique que pour tout x < F
1
(p), on a F(x) < p. Avec (1.5), on en deduit
que si F est continue au point F
1
(p) alors F(F
1
(p)) = p, ce qui entrane (1.4).
Enn, si X a pour fonction de repartition F et U est une variable aleatoire uniforme sur [0, 1], on
a dapr`es (1.3)
x R, P(F
1
(U) x) = P(U F(x)) = F(x).
Les variables X et F
1
(U) ont meme fonction de repartition. Elles ont donc meme loi. Par consequent,
F(X) a meme loi que F(F
1
(U)), variable aleatoire qui est egale ` a U avec probabilite 1 lorsque F est
continue dapr`es (1.4).
10 CHAPITRE 1. MESURES DE RISQUE
Bibliographie
[1] A. A. Borovkov. Mathematical statistics. Gordon and Breach Science Publishers, Amsterdam,
1998.
[2] H. F ollmer and A. Schied. Stochastic nance. An introduction in discrete time, volume 27 de de
Gruyter Studies in Mathematics. 2004.
11