Slides Copules PDF

COPULES.
Alexandre Popier
Universit du Maine, Le Mans
Semestre1, 2011-2012
A. Popier (Le Mans) Copules. Semestre1, 2011-2012 1 / 41
PLAN DU COURS
1
COPULES 2-DIMENSIONNELLES
Fonctions de rpartition bivaries
Copules et thorme de Sklar
Exemples
2
MESURER LA DPENDANCE
3
COPULES MULTI-DIMENSIONNELLES
4
GNRER DES VARIABLES CORRLES
SIMULER UN VECTEUR ALATOIRE ?
HYPOTHSES : si composantes indpendantes
Simuler N v.a. (X
n,i
)
1nN
i.i.d. de mme loi que X
i
.
Poser X
n
= (X
n,1
, . . . , X
n,d
).
PROBLME : comment crer de la dpendance (non triviale) ?
EXEMPLES :
en nance : instants de dfaut (prts, CDS, CDO, etc.) ;
en assurance ou actuariat : dates de sinistre, de catastrophes ;
en thorie des rseaux, de la abilit;
PLAN
1
Exemples
2
3
4
DFINITIONS.
DFINITION
Soit (X, Y) un vecteur alatoire valeurs dans R
2
.
La loi de (X, Y) est caractrise par
F(x, y) = P(X x, Y y), (x, y) R
2
.
F est la fonction de rpartition bivarie de (X, Y).
Lois marginales ou marginales de (X, Y) : lois de X et de Y prises
sparment. Dcrites par :
F
1
(x) = P(X x) = lim
y+
F(x, y) = F(x, +),
F
2
(y) = P(Y y) = lim
x+
F(x, y) = F(+, y).
EXEMPLES.
Indpendance : F(x, y) = F
1
(x)F
2
(y).
F(x, y) = min(F
1
(x), F
2
(y)) : variables comonotones (ou
parfaitement positivement corrles) :
X = F
1
1
(F
2
(Y)).
X est une fonction croissante de Y (et vice-versa).
F(x, y) = max(F
1
(x) + F
2
(y) 1, 0) : variables contra-monotones
(ou parfaitement ngativement corrles) :
X = F
1
1
(1 F
2
(Y)).
X est une fonction dcroissante de Y (et vice-versa).
PROPRITS.
PROPOSITION
Soit F fonction de rpartition bivarie.
1
F est continue droite : lim
xx
0
,yy
0
F(x, y) = F(x
0
, y
0
).
2
lim
x
F(x, y) = lim
y
F(x, y) = 0.
3
lim
x+,y+
F(x, y) = 1.
4
F est 2-croissante : pour tout (a
1
, a
2
), (b
1
, b
2
) avec
a
1
b
1
+et a
2
b
2
+,
F(b
1
, b
2
) F(a
1
, b
2
) F(b
1
, a
2
) + F(a
1
, a
2
) 0.
PROPOSITION
Une fonction de deux variables vriant les quatre proprits
prcdentes est une fonction de rpartition bivarie.
REMARQUES SUR LA CROISSANCE DE F.
F croissante par rapport x et par rapport y nimplique pas F
2-croissante.
F 2-croissante nimplique pas F croissante par rapport x et par
rapport y.
Mais F 2-croissante et lim
x
F(x, y) = lim
y
F(x, y) = 0 implique
F croissante par rapport x et par rapport y.
Si F est de classe C
2
, tre 2-croissante quivaut

2
F
xy
0.
BORNES DE FRCHET-HOEFFDING.
THORME
Pour tout (x, y) R
2
,
max(F
1
(x) + F
2
(y) 1, 0) F(x, y) min(F
1
(x), F
2
(y)).
COPULE : DFINITION.
DFINITION
On appelle copule (de dimension 2 ou 2-dimensionnelle) toute fonction
de rpartition bivarie C ayant pour marginales la loi uniforme sur
[0, 1].
Autrement dit, C vrie les quatre proprits dune fonction de
rpartition bivarie avec en plus :
C(x, y) = 0 si x 0 ou y 0,
C(x, y) = 1 si x 1 et y 1,
C(x, y) = x si y 1,
C(x, y) = y si x 1.
REMARQUE
Il suft de dnir C sur [0, 1]
2
!
THORME DE SKLAR.
THORME
1
Si C est une copule, si F
1
et F
2
sont deux fonctions de rpartition,
alors F(x, y) = C(F
1
(x), F
2
(y)) est une fonction de rpartition
bivarie, ayant F
1
et F
2
pour marginales.
2
Soit F une fonction de rpartition bivarie de marginales F
1
et F
2
.
Il existe une copule C telle que pour tout (x, y) R
2
:
F(x, y) = C(F
1
(x), F
2
(y)).
Si de plus F
1
et F
2
sont continues, C est unique.
COMMENTAIRES.
La loi dun vecteur alatoire (X, Y), cest deux fonctions de
rpartition, qui capturent les marginales, et une copule qui mesure
la dpendance.
En pratique, on connat bien les marginales et mal la
dpendance.
Difcult : choisir la copule qui capture le mieux les structures de
dpendance entre les donnes.
PROPRITS DES COPULES.
1
Toute copule C satisfait : (u, v) [0, 1]
2
W(u, v) = max(u + v 1, 0) C(u, v) min(u, v) = M(u, v).
2
M et W sont deux copules extrmes :
M : composantes fonctions croissantes lune de lautre,
W : composantes fonctions dcroissantes lune de lautre.
3
C
(u, v) = uv : composantes indpendantes.

4
Si u
1
, u
2
, v
1
, v
2
sont dans [0, 1],
[C(u
1
, v
1
) C(u
2
, v
2
)[ [u
2
u
1
[ +[v
2
v
1
[.
INVARIANCE PAR TRANSFORMATIONS CROISSANTES.
PROPOSITION
Si C
X,Y
est la copule de (X, Y), toute transformation croissante de
(X, Y) a la mme copule.
CONSQUENCES :
Si f et g , C
f (X),g(Y)
(u, v) = C
X,Y
(u, v) ;
Si f et g , C
f (X),g(Y)
(u, v) = u C
X,Y
(u, 1 v) ;
Si f et g , C
f (X),g(Y)
(u, v) = u + v 1 + C
X,Y
(1 u, 1 v).
DFINITION
Si (U
1
, U
2
) C, alors copules associes (1 U
1
, U
2
), (U
1
, 1 U
2
) et
(1 U
1
, 1 U
2
).
Pour la dernire, on parle de copule de survie.
PREMIERS EXEMPLES.
, M et W.
FAMILLE DE FRCHET (1958) deux paramtres (, ) [0, 1]

2
avec + 1 :
C
,
(u, v) = M(u, v) + W(u, v) + (1 )C
(u, v).
A une structure de dpendance peu riche...
FAMILLE DE FARLIE-GUMBEL-MORGENSTERN (1960) un

paramtre [1, 1] :
C
(u, v) = uv(1 + (1 u)(1 v)).

Prieger (2002) : slection dans des plans dassurance-sant.
Dpendance faible entre les composantes.
COPULES ET DENSITS.
INDPENDANCE : densit constante : 1
[0,1]
2.
COPULES ET DENSITS.
COPULE M :
COPULES ET DENSITS.
COPULE W :
COPULES ARCHIMDIENNNES.
DFINITION
Soit strictement dcroissante et convexe de [0, 1] dans [0, +].
C(u, v) =
1
((u) + (v)).
COPULE DE CLAYTON pour [1, +[0 :
(x) =
u
, C
(u, v) =
_
u
+ v
1
_
1/
.
C
M si +et C
si 0.
Pas de dpendance ngative : risques positivement corrls.
Utilisation : syndrme du cur bris, risque de dfaut et
rcession.
DFINITION
C(u, v) =
1
((u) + (v)).
COPULE DE GUMBEL pour [1, +[ :
(x) = (lnu)
, C
(u, v) = exp
_
_
(lnu)
+ (lnv)
_
1/
_
.
C
M si +et C
si 1.
Pas de dpendance ngative : risques positivement corrls.
DFINITION
C(u, v) =
1
((u) + (v)).
COPULE DE FRANK pour R 0 :
(x) = ln
_
e
u
1
e
1
_
, C
(u, v) =
1
ln
_
1 +
(e
u
1)(e
v
1)
e
1
_
.
C
si 0, C
M si +et C
W si .
Trs populaire : atteint toutes les extrmes, dpendance faible par
rapport aux gaussiennes.
Invariance : (u, v) (1 u, 1 v) et (u, v, ) (1 u, v, ).
DFINITION
C(u, v) =
1
((u) + (v)).
AUTRES EXEMPLES.
Indpendance : (u) = ln(u).
Ali-Mikhail-Haq : (u) = ln
_
1 (1 u)
u
_
, [1, 1].
Fang-Fang-Rosen : (u) = ln
_
1 (1 u
1/k
)
u
1/k
_
, [1, 1],
k > 0.
COPULE MINMAX.
LEMME
Soit X
1
, . . . , X
n
i.i.d. de loi F, et X
(1)
, . . . , X
(n)
les statistiques dordre
associes. Loi de X
(r )
:
F
r
(x) =
n
i =r
C
i
n
F
i
(x)(1 F(x))
ni
.
Loi du Max et du min :
F
M
(x) = F
n
(x), F
m
(x) = 1 (1 F(x))
n
.
Loi du couple (min,Max)
F
(m,M)
(x, y) =
n
i =1
C
i
n
F
i
(x)(F(y) F(x))
ni
1
x<y
+ F
n
(y)1
xy
.
COPULE MINMAX.
En rsolvant : C
(m,M)
(F
m
(x), F
M
(y)) = F
(m,M)
(x, y),
DFINITION
COPULE MINMAX :
C
(m,M)
(u, v) =
_
_
_
v
_
v
1
n
+ (1 u)
1
n
1
_
n
, si 1 (1 u)
1
n
< v
1
n
,
v, si 1 (1 u)
1
n
v
1
n
.
RELATION AVEC CLAYTON
Pour = 1/n :
v C
(m,M)
(1 u, v) = C
Clayton
(u, v).
COPULES GAUSSIENNES.
NOTATIONS :
: fonction de rpartition de la loi normale A(0, 1) ;
: distribution du vecteur gaussien (X, Y) centr de matrice de

covariance
_
1
1
_
:
(x, y) =
_
x
_
y
1
2
_
(1
2
)
exp
_
(s
2
+ t
2
2st )
2(1
2
)
_
dsdt .
DFINITION
Copule gaussienne de paramtre ] 1, 1[ :
C
(u, v) =
(
1
(u),
1
(v)).
De loin la plus populaire (=Black-Scholes des copules !).
C
W si 1, C
si 0 et C
M si 1.
t -COPULES.
DFINITION
Loi t
n
de degr , de matrice de dispersion , note t
n
(, ), et dnie
par densit :
t
n
(, )(X) =

_
+n
2
_
2
_ _
()
n
[ det [
_
1 +
X
t
1
X
+n
2
.
t
: fonction de rpartition de la loi t

1
de degr avec = 1;
T
n
(, ) : fonction de rpartition multivarie de t
n
(, ) ;
X de loi t
n
(, ) si X =
WZ avec Z A(0, ), /W
2
,
W HZ. W est une inverse gamma de paramtres (/2, /2)
t -COPULES.
DFINITION
t -copule de corrlation ] 1, 1[ et de degr de libert :
C
,
(u, v) =
_
t
1
(u)
_
t
1
(v)
_
+2
2
_
2
_
2
_
_
(1
2
)
_
1 +
(s
2
+ t
2
2st )
(1
2
)
_
+2
2
dsdt .
Ici =
_
1
1
_
.
Trs proches des gaussiennes,
corrlations trs fortes pour les mouvements de mme signe.
PLAN
1
Exemples
2
3
4
MESURE DE DPENDANCE.
COEFFICIENTS DES COPULES : quoi correspondent-ils ?
MESURE DE DPENDANCE : doit vrier
1
Symtrie : (X, Y) = (Y, X).
2
Normalisation : 1 (X, Y) 1.
3
Extrmes :
(X, Y) = 1 (X, Y) comonotone (copule M) ;
(X, Y) = 1 (X, Y) contre-monotone (copule W).
4
T : transformation monotone
(T(X), Y) =
_
(X, Y) pour T croissante ;
(X, Y) pour T dcroissante.
COEFFICIENT DE CORRLATION.
DFINITION
Coefcient de corrlation appel aussi Pearsons r :
(X, Y) =
Cov (X, Y)
Y
.
nexiste pas toujours.
mesure de dpendance linaire.
Proprits 1-2-3 : ok.
Proprit 4 : invariance par transformations linaires (pas pour
des transformations monotones gnrales).
PROPOSITION
Si X HY, (X, Y) = 0. Rciproque fausse (sauf si (X, Y) gaussien).
V.A. CORRLES PAR COPULES GAUSSIENNES.
EN FONCTION DE :
RANK CORRELATION ( CORRLATION DE RANG).
DFINITION
Spearmans :
S
(X, Y) = (F
1
(X), F
2
(Y)).
Kendalls :
K
(X, Y) = P((X
1
X
2
)(Y
1
Y
2
) > 0) P((X
1
X
2
)(Y
1
Y
2
) < 0)
avec (X
1
, Y
1
), (X
2
, Y
2
) i.i.d.
PROPOSITION
S
(X, Y) = 12
_
1
0
_
1
0
(C(u, v) uv)dudv,
K
(X, Y) = 4
_
1
0
_
1
0
C(u, v)dC(u, v) 1.
Et
S
=
K
= 1 C = M,
S
=
K
= 1 C = W.
LIEN ENTRE CORRLATIONS ET PARAMTRES.
REMARQUE GNRALE.
Il ny a pas de lien simple entre les paramtres des copules et les
mesures de corrlation !
Farlie-Gumbel-Morgenstern ( [1, 1]) :

K
= (2/9),
S
= /3.
Gaussienne ( [1, 1]) :
K
=
2
Arcsin () et
S
=
6
Arcsin (/2).
t -copule ( [1, 1], R
+
) :
K
=
2
Arcsin ().
REMARQUE GNRALE.
Archimdienne :
K
= 1 + 4
_
1
0
(t )
(t )
dt .
Clayton ( R
+
) :
K
=

+2
;
Gumbel ( [1, +[) :
K
= 1
1
;
Frank ( R) :
K
= 1 4
1D
1
()
,
S
= 1 12
D
1
()D
2
()
, avec
D
k
(x) =
k
x
_
x
0
s
k
e
s
1
ds (fonctions de Debye).
REMARQUE GNRALE.
MinMax :
=
1
2n 1
,
= 3
12n
C
n
2n
n
i =0
(1)
i
2n i
C
n+k
2n
+ 12(1)
n
(n!)
3
(3n)!
.
DPENDANCE DES QUEUES DE DISTRIBUTION.
DFINITION
Soit X et Y v.a. avec fonction de rpartition F
X
et F
Y
. Coefcients de
dpendance gauche et droite (upper and lower dependency) :
L
= lim
u0
P
_
Y F
1
Y
(u)[X F
1
X
(u)
_
,
U
= lim
u1
P
_
Y > F
1
Y
(u)[X > F
1
X
(u)
_
.
Si
L
,= 0 (resp.
U
,= 0), les queues de distribution de X et Y sont
asymptotiquement dpendantes gauche (resp. droite).
PROPOSITION
L
= lim
u0
C(u, u)
u
,
U
= lim
u1
1 + C(u, u) 2u
1 u
.
EXEMPLES.
COPULES EXTRMES : pour M,

L
=
U
= 1, pour W,
L
=
U
= 0.
FARLIE-GUMBEL-MORGENSTERN :
L
=
U
= 0.
GAUSSIENNES :
L
=
U
= 0.
t -COPULES :
L
=
U
= 2 2t
+1
_
( + 1)(1 )
1 +
_
.
CLAYTON :
U
= 0,
L
= (1/2)
1/
.
GUMBEL :
L
= 0,
U
= 2 2
1/
.
MINMAX : en exercice.
PLAN
1
Exemples
2
3
4
DFINITIONS.
DFINITION
Soit X = (X
1
, . . . , X
n
) vecteur alatoire valeurs dans R
n
.
La loi de X est caractrise par
F(x) = P(X
i
x
i
, i = 1, . . . , n), x = (x
1
, . . . , x
n
) R
n
.
F est la fonction de rpartition multivarie de X.
Lois marginales ou marginales de X : lois des X
i
prises
sparment. Dcrites par :
F
i
(x
i
) = P(X
i
x
i
) = lim
x
j
+, j =i
F(x)
= F(+, . . . , +, x
i
, +, . . . , +).
PROPRITS.
F est continue droite.
lim
x
i
+
F(x
1
, x
2
, . . . , x
n
) = 0 pour tout i = 1, . . . , n.
lim
x
i
+, i
F(x
1
, . . . , x
n
) = 1.
F is n-croissante : si a
k
b
k
pour tout k, et si
H = [a
1
, b
1
] . . . [a
n
, b
n
], alors
V
F
(H) =
sgn (c)F(c) 0,
la somme tant prise sur les sommets de H, avec
sgn (c) =
_
1 si c
k
= a
k
pour un nombre pair de sommets;
1 si c
k
= a
k
pour un nombre impair de sommets.
BORNES DE FRCHET-HOEFFDING.
THORME
Si F est une fonction de rpartition multivarie de marginales F
i
, alors
pour tout x R
n
,
max
_
n
i =1
F
i
(x
i
) n + 1, 0
_
= W(x) F(x)
M(x) = min(F
1
(x
1
), . . . , F
n
(x
n
)).
ATTENTION !
M est toujours une fonction de rpartition multivarie. W ne lest a
priori que si n = 2.
COPULE : DFINITION.
DFINITION
On appelle copule (de dimension n ou n-dimensionnelle) toute fonction
de rpartition multivarie C ayant pour marginales la loi uniforme sur
[0, 1].
Autrement dit, C vrie les quatre proprits dune fonction de
rpartition multivarie avec en plus :
C(x) = 0 si x
i
0 pour au moins un i ,
C(x) = 1 si x
i
1 pour tout i ,
C
i
(x
i
) = x
i
pour tout i .
REMARQUE
Il suft de dnir C sur [0, 1]
n
!
THORME DE SKLAR.
THORME
1
Si C est une copule n-dimensionnelle, si F
i
sont n fonctions de
rpartition, alors F(x) = C(F
1
(x
1
), . . . , F
n
(x
n
)) est une fonction de
rpartition multivarie, ayant F
i
pour marginales.
2
Soit F une fonction de rpartition multivarie de marginales F
i
. Il
existe une copule C telle que pour tout x R
n
:
F(x) = C(F
1
(x
1
), . . . , F
n
(x
n
)).
Si de plus les F
i
sont continues, C est unique.
REMARQUE
En gnral C nest unique que sur le produit des images des F
i
.
PROPRITS DES COPULES.
1
Toute copule C satisfait : u = (u
1
, . . . , u
n
) [0, 1]
n
W(u) = max
_
n
i =1
u
i
+ n 1, 0
_
C(u) min
i
(u
i
) = M(u).
2
W nest pas une copule si n 3. M en est toujours une.
3
C
(u) =
i
u
i
: composantes indpendantes.
4
Si X est distribue suivant F et si C est de classe C
n
, alors la
densit de X est :
f (x
1
, . . . , x
n
) =

n
C
u
1
. . . u
n
(F
1
(x
1
), . . . , F
n
(x
n
))
n
i =1
f
i
(x
i
).
EXEMPLES.
COPULES ARCHIMDIENNNES : soit strictement dcroissante et

convexe de [0, 1] dans [0, +].
C(u) =
1
((u
1
) + (u
2
) + . . . + (u
n
)).
Exemples : Clayton, Frank, Gumbel, etc.
COPULES GAUSSIENNES :
: fonction de rpartition de la loi normale A(0, 1) ;
: distribution dun vecteur gaussien centr de matrice de

covariance .
C
(u) =
(
1
(u
1
), . . . ,
1
(u
n
)).
t -COPULES :
t
: fonction de rpartition de la loi t

1
(, 1) ;
T
n
(, ) fonction de rpartition de la loi t
n
(, )
: matrice de covariance ;
C
,
(u) = T
n
(, )(t
1
(u
1
), . . . , t
1
(u
n
)).
PLAN
1
Exemples
2
3
4
PRINCIPE.
1
Choisir une copule C de dimension n et des marginales
F
1
, . . . , F
n
.
2
Gnrer U
1
, . . . , U
n
, toutes uniformes sur [0, 1], via la copule C.
Les v.a. U
i
sont donc corrles.
3
Poser X
i
= F
1
i
(U
i
).
Chaque X
i
a la loi marginale souhaite, et les (X
i
)
1i n
sont
corrls.
REMARQUE.
Les coefcients de corrlation linaires des X
i
peuvent tre trs
diffrents de ceux de la copule C. En revanche le
S
et le
K
ne
dpendent que de C.
MATLAB
La Statistics Toolbox connat cinq types de copules : gaussienne, t ,
Clayton, Gumbel, Frank.
COPULES GAUSSIENNES ET t -COPULES.
V.A. GAUSSIENNES CORRLES : R
nn
matrice de covariance.
1
Calculer A racine de : = AA
T
.
2
Gnrer n v.a. i.i.d. Z
i
, i = 1, . . . , n de loi A(0, 1). Z = (Z
1
, . . . , Z
n
).
3
Poser X = AZ
T
.
LEMME
X est un vecteur gaussien, de dimension n, centr et de matrice de
covariance .
COPULES GAUSSIENNES : U
i
= A(X
i
) avec A fonction de rpartition de
la loi A(0, 1) (normcdf en Matlab).
COPULES GAUSSIENNES ET t -COPULES.
V.A. GAUSSIENNES CORRLES : R
nn
matrice de covariance.
1
Calculer A racine de : = AA
T
.
2
Gnrer n v.a. i.i.d. Z
i
, i = 1, . . . , n de loi A(0, 1). Z = (Z
1
, . . . , Z
n
).
3
Poser X = AZ
T
.
LEMME
X est un vecteur gaussien, de dimension n, centr et de matrice de
covariance .
t -COPULES :
1
Gnrer une v.a.r. S de loi
2
.
2
Poser Y =
_
S
X.
3
Calculer U
i
= T (Y
i
), avec T fonction de rpartition de la loi t de
Student (tcdf en Matlab).
COPULES ARCHIMDIENNES.
MTHODE
1
Gnrer R et S uniformes sur [0, 1] et indpendantes.
2
Rsoudre
S = T
(T)
(T)
, inconnue T.
3
Poser U =
1
(R(T)), V =
1
((1 R)(T)).
PROPOSITION
U et V sont uniformes sur [0, 1] et leur copule est archimdienne
donne par .
EXEMPLE
(u) = (u
1
1)
, > 0.
EXTENSION EN DIMENSION n.
MTHODE
1
Simuler n v.a. i.i.d. V
1
, . . . , V
n
uniformes sur [0, 1].
2
Pour k = 1, 2, . . . , n 1, poser S
k
= V
1/k
k
.
3
Trouver la solution (dinconnue T) de : V
n
= F(T).
4
Poser U
1
=
1
(S
1
. . . S
n1
(T)), U
n
=
1
((1 S
n1
)(T)) et
pour k = 2, . . . , n 1 :
U
k
=
1
_
_
(1 S
k1
)
n1
j =k
S
j
(T)
_
_
.
Avec
1(n)
drive n-ime de
1
et
F(t ) =
1
(n 1)!
_
t
0
1(n)
(x)[(x)]
n1
(x)dx.

Slides Copules PDF

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Slides Copules PDF

Transféré par

Droits d'auteur :

Formats disponibles

COPULES.

(u, v) = uv : composantes indpendantes.

FAMILLE DE FRCHET (1958) deux paramtres (, ) [0, 1]

FAMILLE DE FARLIE-GUMBEL-MORGENSTERN (1960) un

(u, v) = uv(1 + (1 u)(1 v)).

: distribution du vecteur gaussien (X, Y) centr de matrice de

: fonction de rpartition de la loi t

Farlie-Gumbel-Morgenstern ( [1, 1]) :

Gaussienne ( [1, 1]) :

t -copule ( [1, 1], R

COPULES EXTRMES : pour M,

COPULES ARCHIMDIENNNES : soit strictement dcroissante et

: distribution dun vecteur gaussien centr de matrice de

: fonction de rpartition de la loi t

Vous aimerez peut-être aussi