Vous êtes sur la page 1sur 6

Examen du cours de “Mesures de risque en finance”

Mercredi 7 Décembre 2011 (9h00-11h00)

Aucun document autorisé.

Important : Merci de rédiger les parties I et II sur des feuilles distinctes.

PARTIE I
Exercice (Mesures de risque).
On considère (Ω, F, P) un espace de probabilité tel qu’il existe une variable aléatoire réelle U
de loi uniforme sous P. On considère X = L∞ (Ω, F, P), l’ensemble des variables aléatoires à
valeurs bornées muni de la norme kXk∞ = inf{M > 0, P(|X| ≤ M ) = 1}. On notera M1 (]0, 1[)
(resp. M1 (]0, 1])) l’ensemble des mesures de probabilités sur ]0, 1[ (resp. ]0, 1]).
1. Rappeler les définitions de la Value at Risk de niveau λ ∈]0, 1[ (V aRλ (X)) et de l’Average
Value at Risk (AV aRλ (X)) de niveau λ ∈]0, 1]. Est-ce que ces mesures de risques sont
convexes et positivement homogènes ?
Pour η ∈ M1 (]0, 1[), ν ∈ M1 (]0, 1]), on définit pour X ∈ X
Z 1
ρη (X) = V aRλ (X)η(dλ), (1)
0
Z 1
ρ̂ν (X) = AV aRλ (X)ν(dλ), (2)
0

2. Montrer que ρη et ρ̂ν sont des mesures de risque monétaires positivement homogènes. Mon-
trer que ρ̂ν (X) = ρη (X), pour une certaine mesure η que l’on exprimera en fonction de ν.
En déduire que ρη est une mesure de risque convexe s’il existe ν ∈ M1 (]0, 1]) telle que :
Z 1 
1
η(dx) = ν(dz) dx. (3)
x z

L’objectif de cet exercice est de prouver la réciproque de ce résultat et d’obtenir ainsi que (3)
est une condition nécessaire et suffisante pour que ρη soit une mesure de risque convexe. Dans
la suite de l’exercice, on suppose que ρη est convexe pour une mesure de probabilité
η ∈ M1 (]0, 1[) donnée, et on cherche à montrer l’existence de ν ∈ M1 (]0, 1]) satisfaisant (3).
Pour X, Y ∈ X , on dit que X est dominé par Y (on note X ≺ Y ) si

E[f (X)] ≤ E[f (Y )]

pour toute fonction f : R → R croissante et concave. Cette relation est appelée dominance
stochastique du second ordre.
3. Vérifier que pour X, Z ∈ X , X ≺ E[X|Z].
4. Montrer que pour X ∈ X , λ ∈]0, 1], AV aRλ (X) = λ1 E[(q − X)+ ] − q, où q est un quantile
d’ordre λ de X. Montrer ensuite que
1
AV aRλ (X) = inf (E[(r − X)+ ] − λr).
λ r∈R
(On pourra se contenter de faire la preuve lorsque X admet une densité.)

1
5. Déduire de la question précédente la propriété suivante :
X ≺ Y =⇒ ∀λ ∈]0, 1], AV aRλ (X) ≥ AV aRλ (Y ).

On rappelle qu’une mesure de risque ρ : X → R est dite continue par au-dessus si pour toute suite
(Xn ) ∈ X N convergeant p.s. vers X ∈ X telle que P(Xn ≥ Xn+1 ) = 1, on a limn→+∞ ρ(Xn ) =
ρ(X).
6. Rappeler le résultat de représentation vu en cours pour une mesure de risque ρ convexe,
invariante en loi et continue par au-dessus. En déduire qu’elle satisfait la propriété suivante :
X ≺ Y =⇒ ρ(X) ≥ ρ(Y ).

7. Vérifier que ρη est invariante en loi et continue par au-dessus.


8. Soient 0 < p ≤ q ≤ 1, 0 < α < 1. Soit U une variable aléatoire uniforme sur [0, 1] et B une
variable aléatoire de Bernoulli indépendante de paramètre α. On pose
X = −B1U ≤p − (1 − B)1U ≤q .
Vérifier que X a même loi que −1U ≤αp+(1−α)q , puis que E[X|U ] = −α1U ≤p − (1 − α)1U ≤q .
Calculer avec précaution ρη (X) et ρη (E[X|U ]), et exprimer ces valeurs à l’aide de la foncton
p ∈]0, 1[7→ η(]0, p[).
9. En déduire que p ∈]0, 1[7→ η([p, 1[) est convexe, puis montrer qu’il existe ν ∈ M1 (]0, 1])
satisfaisant (3).

PARTIE II

Questions de cours
1)Rappeler la définition d’une copule.

2)Énoncer le théorème de Sklar et le démontrer dans le cas de fonctions de répartitions marginales


continues inversibles.

3) Les 2 graphes suivants correspondent à des simulations de couples de variables aléatoires iid.
Dans les 2 cas, les lois marginales sont les mêmes mais dans l’un des cas on utilise une copule
gaussienne et dans l’autre une copule de Gumbel. Identifier le graphe correspondant à la copule
gaussienne et celui correspondant à la copule de Gumbel.

2
Exercice II-1
La loi géométrique de paramètre p est définie par :

k ∈ N∗ , P (X = k) = p(1 − p)k−1 , p ∈ (0, 1).

Montrer que la loi géométrique n’appartient pas au domaine d’attraction d’une loi max stable.

Exercice II-2
Notations
Pour une distribution de fonction de répartition G, on note µG son espérance et xG la limite de
son support à droite.
Pour un échantillon X1 , . . . , Xn , on note Sn = ni=1 Xi , X(1) le plus petit des Xi , X(2) le deuxième
P
plus petit Xi . . . Enfin, on note

G← (α) = inf{x, G(x) ≥ α}, Mn = max(X1 , . . . , Xn ),

et Z 1
1
DG (p) = G← (y)dy.
µG 1−p

Résultats utiles
On rappelle les résultats suivants qui pourront être utilisés :

- Soit hn une suite de fonctions croissantes telles que

lim hn (x) = h(x)


n

en tout point de continuité de h, alors

lim h← ←
n (x) = h (x)
n

en tout point de continuité de h← .

- Lemme de Pratt : soient (hn ) et (Hn ) des suites de fonctions réelles intégrables et h et H des
fonctions mesurables telles que

hn → h presque partout, Hn → H presque partout


Z Z
|hn | ≤ Hn pour tout n, Hn (x)dx → H(x)dx < +∞,

alors Z Z
hn (x)dx → h(x)dx.

3
Questions
Soient X1 , . . . , Xn iid de fonction de répartition F continue avec µF < ∞. Pour simplifier on
supposera sans restriction que tous les Xi sont différents.
Le but de cet exercice est d’étudier l’importance des [pn] plus grand Xi dans Sn . Ainsi, on
s’intéresse pour p ∈ (0, 1) à :

X(n) + · · · + X(n−[pn]+1)
Tn (p) = .
Sn
1) Soit un une suite déterministe croissante.

1a) Montrer que si un ≥ xF pour un certain n, alors

P [Mn > un ] = P [Xn > un ] = 0.

1b) Supposons un < xF et un tend vers xF . Montrer que

Mn > un pour une infinité de n

implique
Xn > un pour une infinité de n.
1c) Supposons un < xF et un tend vers b < xF . En utilisant le lemme de Borel-Cantelli, montrer
que
Xn > un pour une infinité de n.
1d) En déduire
 i  i
P Mn > un pour une infinité de n = P Xn > un pour une infinité de n .

2) Rappeler la définition de Fn la fonction de répartition empirique des Xi . Pour i ∈ N, i ≤ n,


exprimer F ← (i/n) en fonction des Xi et en déduire

X(n) + · · · + X(n−[pn]+1) [np] 1 


= µFn DFn − .
n n n
3) Montrer que Mn /n tend vers 0 presque sûrement, et en déduire que DFn (p) et Tn (p) ont la
même limite au sens presque sûr (si elle existe).

4) En déduire que presque sûrement :

Tn (p) → DF (p).

4
Corrigé de la Partie I :
1. On a V aRλ (X) = inf{m ∈ R, P(X + m < 0) ≤ λ} : c’est une mesure de risque monétaire

positivement homogène qui n’est pas convexe. AV aRλ (X) = λ1 0 V aRα (X)dα, c’est une
mesure de risque monétaire cohérente (i.e. convexe et positivement homogène).
2. Pour X, Y ∈ X , X ≤ Y , on a (A)V aRλ (X) ≥ (A)V aRλ (Y ), ce qui en intégrant donne la pro-
priété de monotonie de ρη (ρ̂ν ). De même, pour m ∈ R, (A)V aRλ (X + m) = (A)V aRλ (X) −
m, et donc ρη (X + m) = ρη (X) − m (ρ̂ν (X + m) = ρ̂ν (X) − m) puisque η(]0, 1]) = 1
(ν(]0, 1]) = 1). De la même façon comme pour α > 0, (A)V aRλ (αX) = α × (A)V aRλ (X),
ρη et ρ̂ν sont positivement homogènes, et ρ̂ν est également convexe puisque AV aR est
convexe.
Enfin, par le théorème de Fubini,
Z 1 Z λ 
1
ρ̂ν (X) = V aRx (X)dx ν(dλ)
0 λ 0
Z 1 Z 1 
1
= V aRx (X) ν(dλ) dx = ρη (X),
0 x λ
R1
pour η(dx) = x λ1 ν(dλ).
3. Soit f : R 7→ R croissante et concave. On veut montrer que E[f (X)] ≤ E[f (E[X|Z])].
D’après l’inégalité de Jensen, on a presque sûrement que E[f (X)|Z] ≤ f (E[X|Z]), ce qui
donne le résultat en prenant l’espérance.
loi + +
4. Nous avons vu en cours que X = qX (U ), où qX (λ) désigne le plus grand quantile d’ordre λ
de X. Comme q est un quantile d’ordre λ de X, on a P(X ≤ q) ≥ λ et P(X < q) ≤
+
R1 +
Rλ +
λ. Ainsi, λ1 E[(q − qX (U ))+ ] − q = λ1 0 (q − qX (λ))+ dλ − q = λ1 0 (q − qX (λ))dλ − q =
1 λ +
R
λ 0 V aRλ (X)dλ = AV aRλ (X), puisque V aRλ (X) = −qX (λ).
Par le théorème de convergence dominée, la dérivée à droite et la dérivée à gauche de
φ : r ∈ R 7→ E[(r − X)+ ] − λr sont respectivement données par φ0d (r) = P(X ≤ r) − λ
et φ0g (r) = P(X < r) − λ. On a φ0g (r) ≤ φ0d (r), et ces deux quantités sont égales lorsque
X est à densité (la fonction est alors dérivable et la dérivée continue par rapport à r).
− +
Lorsque r < qX (λ), on a nécessairement P(X ≤ r) < λ et φ0d (r) < 0. Lorsque r > qX (λ),
0
P(X < r) > λ i.e. φg (r) < 0. Si X est à densité, on en déduit immédiatement le résultat en
écrivant que φ est l’intégrale de sa dérivée : pour q quantile d’ordre λ,
Z r
φ(r) − φ(q) = φ0 (s)ds > 0.
q
Rr
Dans le cas général, on remarque que (r −X)+ = −∞ 1X≤s ds, et par le théorème de Fubini,
Rr
φ(r) = −∞ P(X ≤ s)ds − λr. Par conséquent,
Z r
φ(r) − φ(q) = φ0d (s)ds > 0.
q

5. On a AV aRλ (X) = − λ1 supr∈R (−E[(r − X)+ ] + λr), et x 7→ −(r − x)+ est croissante et
concave pour tout r ∈ R. Pour X ≺ Y , on a −E[(r − X)+ ] ≤ −E[(r − Y )+ ] et donc
AV aRλ (X) ≥ AV aRλ (Y ).
6. Pour ρ satisfaisant ces hypothèses, nous avons vu que
Z 1
ρ(X) = sup AV aRλ (X)ν(dλ) − β(ν),
ν∈M1 (]0,1]) 0

5
R1
où β(ν) = supX∈Aρ 0 AV aRλ (X)ν(dλ). Pour X ≺ Y , on a pour tout ν ∈ M1 (]0, 1]),
R1 R1
0 AV aR λ (X)ν(dλ) ≥ 0 AV aRλ (Y )ν(dλ) et donc ρ(X) ≥ ρ(Y ).
7. L’invariance en loi de ρη découle de l’invariance en loi de la Value at Risk. Soit (Xn ) ∈ X N
convergeant p.s. vers X ∈ X telle que P(Xn ≥ Xn+1 ) = 1. Comme Xn ≥ Xn+1 ≥ X presque
sûrement, on a V aRλ (Xn ) ≤ V aRλ (Xn+1 ) ≤ V aRλ (X) pour tout 0 < λ < 1. Par définition
de la V aR, pour ε > 0, P(X < ε − V aRλ (X)) > λ. On a 1Xn <ε−V aRλ (X) → 1X<ε−V aRλ (X)
p.s, et par convergence dominée, P(Xn < ε − V aRλ (X)) → P(X < ε − V aRλ (X)) > λ.
n→+∞
Ainsi V aRλ (Xn ) ≥ V aRλ (X) − ε pour n assez grand, et V aRλ (Xn ) → V aRλ (X). Par le
théorème de convergence monotone, on en déduit que ρη (Xn ) → ρη (X).
8. Par indépendance entre B et U , X vaut −1 avec probabilité αp+(1−α)q et 0 avec probabilité
α(1 − p) + (1 − α)(1 − q), ce qui donne l’égalité en loi. Par conséquent,
(
1 si λ < αp + (1 − α)q,
V aRλ (X) = et donc ρη (X) = η(]0, αp + (1 − α)q[).
0 si αp + (1 − α)q ≤ λ < 1

On a clairement E[X|U ] = −α1U ≤p − (1 − α)1U ≤q : cette variable aléatoire vaut −1 avec


probabilité p, −α avec probabilité q − p et 0 avec probabilité 1 − q. On en déduit que :

1 si λ < p,

V aRλ (X) = α si p ≤ λ < q

0 si q ≤ λ < 1.

Par conséquent,

ρη (X) = η(]0, p[) + αη([p, q[) = αη(]0, p[) + (1 − α)η(]0, q[).

9. Comme, X ≺ E[X|U ], et que ρη est invariante en loi convexe, continue par au dessus, on
a que ρ(X) ≥ ρ(E[X|U ]). Cela donne immédiatement la concavité de p ∈]0, 1] 7→ η(]0, p[),
puis la convexité de p ∈]0, 1[7→ η([p, 1[). La dérivée seconde d’une fonction convexe est une
mesure positive au sens des distributions.
R1R1 On en déduit l’existence d’une mesure positive ξ
sur ]0, 1] telle que η([p, 1[) = p x ξ(dz)dx, i.e.
Z 1 
η(dx) = ξ(dz) dx.
x

On peut également voir ce résultat en écrivant que la dérivée à gauche de η([p, 1[) est
croissante, continue à gauche, et s’écrit donc comme −ξ([p, 1]) pour une certaine mesure
positive ξ sur ]0, 1].
On pose ν(dz) = zξ(dz) pour 0 < z ≤ 1. C’est une mesure positive et il suffit de vérifier
que ν(]0, 1]) = 1. Pour cela, on utilise à nouveau le théorème de Fubini :
Z 1Z 1 Z 1 Z z  Z 1
1 1
1 = η(]0, 1[) = ν(dz)dx = dx ν(dz) = ν(dz).
0 x z 0 0 z 0