Académique Documents
Professionnel Documents
Culture Documents
Mesures de risque
Arthur Charpentier
Université Rennes 1
arthur.charpentier@univ-rennes1.fr
http ://freakonometrics.blog.free.fr/
1
Arthur CHARPENTIER, JES 2010, mesures de risque
1 Introduction
2
Arthur CHARPENTIER, JES 2010, mesures de risque
où la règle de décision est d(x), pour chaque résultat d’une expérience aléatoire.
La fonction de coût la plus classique est le coût quadratique,
L(θ, d) = [θ − d]2 .
Aussi, pour un estimateur sans biais, c’est la variance que permet de quantifier
l’erreur associée à cette estimation.
3
Arthur CHARPENTIER, JES 2010, mesures de risque
4
Arthur CHARPENTIER, JES 2010, mesures de risque
5
Arthur CHARPENTIER, JES 2010, mesures de risque
6
Arthur CHARPENTIER, JES 2010, mesures de risque
Remarque1
On s’intéresse souvent aux mesures de risque monétaires, i.e. dans la même unité que X.
On préfèrera alors l’écart-type à la variance.
7
Arthur CHARPENTIER, JES 2010, mesures de risque
L’idée que le risque peut être quantifier à l’aide d’une variance est associé à l’idée
de mutualisation eassurance.
Si Sn = X1 + · · · + Xn désigne la charge total payée sur n polices d’assurance sur
une année
Sn − nE(Xi ) L
√ p → N (0, 1).
n Var(Xi )
i.e. en multipliant par 4 la taille du portefeuille, on multiplie par 4 le chiffre
d’affaire mais le risque (correspondant à l’écart-type) n’est multiplié que par 2.
=⇒ intérêt à la mutualisation des risques sur des portefeuilles aussi grands que
possibles.
8
Arthur CHARPENTIER, JES 2010, mesures de risque
9
Arthur CHARPENTIER, JES 2010, mesures de risque
10
Arthur CHARPENTIER, JES 2010, mesures de risque
11
Arthur CHARPENTIER, JES 2010, mesures de risque
X Y ⇐⇒ R(X) ≤ R(Y )
12
Arthur CHARPENTIER, JES 2010, mesures de risque
Théorème2
satisfait P1 à P7 si et seulement si il existe une mesure µ sur S et une fonction non
constante, bornée u : X → R tels que, pour tout f et g
Z Z
f g⇔ u(f (s))dµ(s) ≥ u(g(s))dµ(s)
S S
13
Arthur CHARPENTIER, JES 2010, mesures de risque
14
Arthur CHARPENTIER, JES 2010, mesures de risque 2 APPROCHE AXIOMATIQUE DE
15
Arthur CHARPENTIER, JES 2010, mesures de risque 2 APPROCHE AXIOMATIQUE DE
Remarque3
En science actuarielle, les mesures de risques ont été introduite sous le nom “premium
principles”, cf [26] ou [29].
Propriété d’invariance par translation ([28]), homogénéité ([33]) ou convexité ([10]).
Proposition1
Si R est invariante par translation R(X − R(X)) = 0.
Définition2– une mesure de risque est dite monétaire si elle est monotone et invariante
par translation
– une mesure de risque est dite convexe si elle est monétaire et convexe
– une mesure de risque est dite cohérente si elle est monétaire, homogène et
sous-additive
16
Arthur CHARPENTIER, JES 2010, mesures de risque 2 APPROCHE AXIOMATIQUE DE
Remarque4
Un mesure cohérente est toujours normalisée à R(0) = 0, par homogénéité.
Si une mesure convexe est normalisée par R(0) = 0, alors ∀λ ∈ [0, 1]
et ∀λ ∈ [1, +∞),
1 1 1 1
R(X) = R λX =R λX + 1 − 0 ≤ R(λX)
λ λ λ λ
i.e. R(λX) ≥ λR(X).
Corollaire1
Si R est une mesure de risque monétaire et homogène, alors la convexité et la
sous-additivité sont des notions équivalentes.
17
Arthur CHARPENTIER, JES 2010, mesures de risque 2 APPROCHE AXIOMATIQUE DE
Définition3
Si R est une mesure de risque, on définie la région de risques acceptables pour la mesure
R comme
A = {X, R(X) ≤ 0}.
Réciproquement, si A est une région de risques acceptables, la mesure de risque induite
R est
R(X) = inf{m, X − m ∈ A}.
Proposition2
Si R est une mesure de risque monétaire alors R est convexe si et seulement si A est
convexe.
Proposition3
Si R est une mesure de risque monétaire alors R est positivement homogène si et
seulement si A est un cône.
18
Arthur CHARPENTIER, JES 2010, mesures de risque 2 APPROCHE AXIOMATIQUE DE
telle que (f ? )? = f . Alors R(X) = sup {EQ − R? (Q)} où B est l’ensemble des
Q∈B
mesures bornéées (M est la boule unité de B).
19
Arthur CHARPENTIER, JES 2010, mesures de risque 2 APPROCHE AXIOMATIQUE DE
Remarque6
Les mesures cohérentes peuvent s’écrire
où Q = {Q ∈ M, α(Q) = 0}.
Notons que des réécritures de la propriété de sous-additivité ont été proposées
dans la littérature (en particulier [30] ou [11]).
– additivité pour les risques comonotones si, ∀X et Y comonotones,
R(X + Y ) = R(X) + R(Y ),
– corrélation maximale (par rapport à une mesure µ) si ∀X,
20
Arthur CHARPENTIER, JES 2010, mesures de risque 2 APPROCHE AXIOMATIQUE DE
Remarque7
La VaR et la TVaR sont addivites pour les risques comonotones.
Proposition4
Si R est une mesure de risque convexe, les trois propriétés suivantes sont équivalentes
– R est fortement cohérente,
– R est additive pour des risques comontones,
– R est une mesure de corrélation maximale.
Enfin, [20] a montré le résultat suivant dès lors que R est invariante en loi,
Proposition5
Une mesure de risque cohérente R est additive pour des risques comonotones si et
seulement s’il exsite une fonction décroissante positive g sur [0, 1] telle que
Z 1
R(X) = g(t)F −1 (1 − t)dt
0
21
Arthur CHARPENTIER, JES 2010, mesures de risque 2 APPROCHE AXIOMATIQUE DE
Exemple2
utilité exponentielle, u(x) = 1 − exp[−θx], CARA, i.e. −u00 (c)/u0 (c) = θ. Alors
1 −θX
l’équivalent certain associé à une perte X est R(X) = log EP [e ]
θ
mesure de risque entropique ([12], [23], [8])
1
R(X) = sup EQ [−X] − H(Q|P)
Q<<P θ
H(Q|P) est l’entropie
relative
(distance de Kullback-Leibler), i.e.
dQ
H(Q|P) = EQ log .
dP
22
Arthur CHARPENTIER, JES 2010, mesures de risque 2 APPROCHE AXIOMATIQUE DE
2.2 La Value-at-Risk
La Value-at-Risk est apparu (sous ce nom) dans les années 90, en réponse à de
nombreux désastres qui ont touché les marchés de capitaux à cette période (see
[18]).
23
Arthur CHARPENTIER, JES 2010, mesures de risque 2 APPROCHE AXIOMATIQUE DE
Définition5
On appelle Value-at-Risk de niveau α ∈ (0, 1) le quantile de niveau α,
ou encore
−1
VaR(X; α) = inf{x, P(X ≤ x) ≥ α} = FX (α) = Q(α).
Remarque8
Rα (X) est une croissante en α.
Lemme1
∀α ∈ (0, 1), si g est strictement croissante et continue à gauche,
−1 −1
VaR(g(X), α) = Fg(X) (α) = g FX (α) = g(VaR(X; α)),
24
Arthur CHARPENTIER, JES 2010, mesures de risque 2 APPROCHE AXIOMATIQUE DE
25
Arthur CHARPENTIER, JES 2010, mesures de risque 2 APPROCHE AXIOMATIQUE DE
2.3 La Tail-Value-at-Risk
Définition1
La Tail Value-at-Risk notée TVaR(X; α) est définie par
Z 1
1
TVaR(X; α) = VaR(X; t) dt.
1−α α
Si X
e a pour loi FeX ,
TVaR(X; α) = VaR(X;
e α).
26
Arthur CHARPENTIER, JES 2010, mesures de risque 2 APPROCHE AXIOMATIQUE DE
27
Arthur CHARPENTIER, JES 2010, mesures de risque 2 APPROCHE AXIOMATIQUE DE
La CTE est la la perte attendue sachant que la VaR au niveau α est dépassée,
i.e. “perte moyenne dans les pires 1 − α% des cas".
Définition2
La Conditional Tail Expectation au niveau α, notée CTE[X; α], est
h i
CTE[X; α] = E X X > VaR[X; α] .
La CVaR est la valeur moyenne des pertes qui excèdent la VaR, i.e. il s’agit de
l’excédent moyen de sinistre au-delà de la VaR,
Définition3
La Conditional-VaR au niveau α, notée CVaR[X; α], est
h i
CVaR[X; α] = E X − VaR[X; α]X > VaR[X; α]
= eX VaR[X; α]
= CTE[X; α] − VaR[X; α].
28
Arthur CHARPENTIER, JES 2010, mesures de risque 2 APPROCHE AXIOMATIQUE DE
Proposition1
Quel que soit le niveau de probabilité α ∈ (0, 1), les identités suivantes sont vérifiées :
1
TVaR[X; α] = VaR[X; α] + ES[X; α], (2)
1−α
1
CTE[X; α] = VaR[X; α] + ES[X; α]. (3)
F X (VaR[X; α])
Proposition1
La CTE et la TVaR coïncident pour des risques dont la fonction de répartition est
continue, i.e.
CTE[X; α] = TVaR[X; α], α ∈ (0, 1) . (4)
29
Arthur CHARPENTIER, JES 2010, mesures de risque 2 APPROCHE AXIOMATIQUE DE
30
Arthur CHARPENTIER, JES 2010, mesures de risque 2 APPROCHE AXIOMATIQUE DE
Proposition6
La TVaR est cohérente pour les risques continus, et coïncide alors avec la CTE.
Proposition7
La TVaR est la plus petite mesure de risque majorant la VaR qui soit cohérente
31
Arthur CHARPENTIER, JES 2010, mesures de risque 2 APPROCHE AXIOMATIQUE DE
Remarque2
Es[X; h] est la valeur espérée de la transformée d’Esscher Xh de X,
Z
Es[X; h] = E[Xh ] = ξdFX,h (ξ).
ξ∈R+
Proposition2
Es[X; h] est une fonction croissante de h.
32
Arthur CHARPENTIER, JES 2010, mesures de risque 2 APPROCHE AXIOMATIQUE DE
33
Arthur CHARPENTIER, JES 2010, mesures de risque 2 APPROCHE AXIOMATIQUE DE
Exemple3
le théorème fondamental de valorisation d’actifs ([2], [17] et [9]) nous dit qu’il n’y a pas
d’opportunité d’arbitrage s’il existe une mesure risque neutre équivalente à la mesure
originale P telle que le prix d’un actif est l’espérance (sous cette probabilité) du payoff
actualisé. I.e le prix d’une option européenne d’achat est
ce prix pouvait être écrit comme une mesures de risques d’Esscher sous certaines
hypothèses sur la diffusion du sous-jacent (St ), [13].
34
Arthur CHARPENTIER, JES 2010, mesures de risque 2 APPROCHE AXIOMATIQUE DE
Définition6
Nous appellerons fonction de distorsion toute fonction croissante g : [0, 1] → [0, 1] telle
que g(0) = 0 et g(1) = 1.
Remarque9
Comme [38], on considère ici des variables aléatoires (strictement) positives, i.e.
F (0) = P(X ≤ 0) = 0. Le cas général sera traité dans la partie suivante.
Définition6
La mesure de risque de Wang associée à la fonction de distorsion g, notée Rg , est
Z ∞ Z ∞
Rg (X) = g (1 − FX (x)) dx = g F X (x) dx (5)
0 0
35
Arthur CHARPENTIER, JES 2010, mesures de risque 2 APPROCHE AXIOMATIQUE DE
Remarque3
La mesure de risque associée à la fonction de distorsion g(q) = q correspond à
l’espérance mathématique E [X].
Si g(q) ≥ q ∀q ∈ [0, 1], alors Rg [X] ≥ E [X].
Si g1 (q) ≤ g2 (q) ∀q ∈ [0, 1], Rg1 [X] ≤ Rg2 [X].
R F X (x)
En substituant 0 dg(α) à g F X (x) on obtient
Proposition3
La mesure de risque de Wang associée à la fonction de distorsion g peut s’écrire
Z 1
Rg [X] = VaR[X; 1 − α] dg(α). (6)
0
Ainsi, les mesures de risque de Wang sont des moyennes pondérées de VaR.
36
Arthur CHARPENTIER, JES 2010, mesures de risque 2 APPROCHE AXIOMATIQUE DE
Exemple4
Si
gα (x) = I[x ≥ 1 − α]
alors
Rgα [X] = VaR[X; α]
i.e. la VaR au niveau α est une mesure de Wang particulière correspondant à une fonction
de distorsion passant de 0 à 1 en 1 − α. Ici, gα est la fonction de répartition associée à
une masse de Dirac en 1 − α.
Exemple5
Si
x
gα (x) = min ,1 ,
1−α
pour α ∈ [0, 1] fixé on obtient
Z 1−α
1
Rgα [X] = VaR[X; 1 − ξ]dξ = TVaR[X; α].
1−α 0
Ici gα est une fonction de répartition, correspondant à une loi uniforme sur [0, 1 − α].
37
Arthur CHARPENTIER, JES 2010, mesures de risque 2 APPROCHE AXIOMATIQUE DE
Si ξ est entier, Rg [X] peut être interprétée comme la valeur attendue du maximum
Mξ = max{X1 , . . . , Xξ } d’un ensemble de ξ variables aléatoires indépendantes et de
même loi que X. i.e. Rg [X] = E[Mξ ].
38
Arthur CHARPENTIER, JES 2010, mesures de risque 2 APPROCHE AXIOMATIQUE DE
Exemple7
Considérons la fonction de distorsion
g(x) = x1/ξ , ξ ≥ 1.
La mesure de risque PH, introduite dans [37] et [36] est donnée par
Z
PHξ [X] = Rg [X] = {F X (x)}1/ξ dx.
x≥0
39
Arthur CHARPENTIER, JES 2010, mesures de risque 2 APPROCHE AXIOMATIQUE DE
Proposition4
Les mesures de risque de Wang sont homogènes, invariantes par translation et
monotones.
40
Arthur CHARPENTIER, JES 2010, mesures de risque 2 APPROCHE AXIOMATIQUE DE
41
Arthur CHARPENTIER, JES 2010, mesures de risque 2 APPROCHE AXIOMATIQUE DE
Les mesures de Wang sont un cas particulier de mesures de risques par distorsion
Définition7
On appelle mesure de risque par distortion la quantité
Z 1
R(X) = F −1 (1 − u)dg(u)
0
où g est une fonction de répartition sur [0, 1], appelée fonction de distorsion.
Proposition8
R(X) peut se réécrire
Z +∞ Z 0
R(X) = g(1 − F (x))dx − [1 − g(1 − F (x))]dx.
0 −∞
42
Arthur CHARPENTIER, JES 2010, mesures de risque 2 APPROCHE AXIOMATIQUE DE
Remarque10
Si g(q) = q ∀q ∈ [0, 1]
Z +∞ Z 0
R(X) = [1 − F (x)]dx − F (x)dx = E(X).
0 −∞
Remarque11
Soit Q la mesure induite par la transformation g sur P, i.e.
43
Arthur CHARPENTIER, JES 2010, mesures de risque 2 APPROCHE AXIOMATIQUE DE
Remarque12
Les mesures spectrales ([1]) : une fonction spectrale (ou fonction d’aversion pour le
R1
risque) est φ : [0, 1] → R+ , décroissante, telle que 0 φ(t)dt = 1. La mesure de risque
spectrale induite est
Z 1
−1
R(X) = FX (t)φ(t)dt.
0
Ces mesures de risques sont cohérentes.
Les mesures de distortion de fonction de distortion g concave sont des mesures
spectrales, avec φ = g 0 .
44
Arthur CHARPENTIER, JES 2010, mesures de risque
Définition7
Y , X sera considéré moins dangereux que Y sur base de la comparaison des VaR, noté
XVaR Y , si
VaR[X; α] ≤ VaR[Y ; α], ∀α ∈ (0, 1).
45
Arthur CHARPENTIER, JES 2010, mesures de risque
46
Arthur CHARPENTIER, JES 2010, mesures de risque
Proposition8
Etant données deux variables aléatoires X et Y ,
X VaR Y ⇐⇒ E[g(X)] ≤ E[g(Y )] pour toute fonction croissante g,
pour autant que les espérances existent.
L
Démonstration. Il suffit de se rappeler que si U ∼ U(0, 1) alors X = VaR[X; U ].
Aussi, pour tout g :
h Z 1
i
E[g(X)] = E g VaR[X; U ] = g VaR[X; u] du.
0
47
Arthur CHARPENTIER, JES 2010, mesures de risque
Proposition9
Etant données deux variables aléatoires X et Y ,
48
Arthur CHARPENTIER, JES 2010, mesures de risque
quel que soit le niveau t. Cela n’est pas forcément vrai lorsque X VaR Y ,
Exemple3
Considérons par exemple le cas où X ∼ U(0, 3) et Y possède la densité
1 1 1
fY (x) = I]0,1] (x) + I]1,2] (x) + I]2,3[ (x) .
6 2 3
Alors X VaR Y , mais [X|X > 1] ∼ U(1, 3) et [Y |Y > 1] possède la densité
3 2
fY∗ (x) = I]1,2] (x) + I]2,3[ (x)
5 5
de telle sorte que
[Y |Y > 1] VaR [X|X > 1].
49
Arthur CHARPENTIER, JES 2010, mesures de risque
Proposition11
Etant donnés deux risques X et Y , [X|X > t] VaR [Y |Y > t] quel que soit t ∈ R si, et
seulement si
F Y (t)
⇐⇒ t 7→ est croissante
F X (t)
⇐⇒ F X (u)F Y (v) ≥ F X (v)F Y (u) quels que soient u ≤ v.
50
Arthur CHARPENTIER, JES 2010, mesures de risque
Supposons qu’on déflate le taux de hasard d’un facteur ξ, i.e. que l’on passe d’un
taux rX à un taux rX ∗ donné par
rX (t)
rX∗ (t) = ≤ rX (t), pour ξ ≥ 1,
ξ
nous obtenons
Z t
rX (s)
F X ∗ (t) = exp − ds = {F X (t)}1/ξ .
0 ξ
Dès lors, P H[X; ξ] = E[X ∗ ]. Le mesure de risque PH consiste donc à remplacer le
risque initial X par un risque transformé X ∗ dont le taux de hasard a été déflaté,
et à calculer ensuite l’espérance associée à X ∗ . Nous avons
51
Arthur CHARPENTIER, JES 2010, mesures de risque
[X|a ≤ X ≤ a + h] VaR [Y |a ≤ Y ≤ a + h]
52
Arthur CHARPENTIER, JES 2010, mesures de risque
Proposition2
Considérons les variables aléatoires X et Y , toutes deux continues ou discrètes,
possédant les fonctions de densité fX et fY . Si
fX (t)
décroît sur l’union des supports de X et de Y (8)
fY (t)
(en prenant par convention a/0 égal à +∞ lorsque a > 0), ou, de manière équivalente, si
53
Arthur CHARPENTIER, JES 2010, mesures de risque
Il suit alors
Pr[a ≤ X < u] Pr[a ≤ Y < u]
≥ lorsque u ∈ [a, b].
Pr[u ≤ X ≤ b] Pr[u ≤ Y ≤ b]
C’est-à-dire
Pr[a ≤ X < u] Pr[u ≤ X ≤ b]
≥ lorsque u ∈ [a, b].
Pr[a ≤ Y < u] Pr[u ≤ Y ≤ b]
En particulier, pour u < b ≤ v,
Pr[u ≤ X < b] Pr[b ≤ X ≤ v]
≥ .
Pr[u ≤ Y < b] Pr[b ≤ Y ≤ v]
Dès lors, lorsque X et Y sont continues,
Pr[a ≤ X < u] Pr[b ≤ X ≤ v]
≥ lorsque a < u ≤ b ≤ v.
Pr[a ≤ Y < u] Pr[b ≤ Y ≤ v]
Si nous passons à la limite pour a → u et b → v nous obtenons (9). La preuve
dans le cas discret est similaire.
54
Arthur CHARPENTIER, JES 2010, mesures de risque
55
Arthur CHARPENTIER, JES 2010, mesures de risque
Proposition13
Si [X|a ≤ X ≤ b] VaR [Y |a ≤ Y ≤ b] quels que soient a < b alors
Es[X; h] ≤ Es[Y ; h] ∀h > 0.
56
Arthur CHARPENTIER, JES 2010, mesures de risque
57
Arthur CHARPENTIER, JES 2010, mesures de risque
La relation TVaR est très ancienne (elle est la digne héritière de la relation dite
de majorization entre vecteurs numériques, étudiée dans les années 1930). Les
actuaires l’appellent encore ordre stop-loss (noté sl ), notion intimement liée à la
dominance stochastique du deuxième ordre des économistes (souvent notée 2 ou
SSD ). La relation TVaR est mieux connue des probabilistes sous le nom
d’ordre convexe croissant (noté icx ).
Nous utiliserons encore la relation notée CX , qui restreint TVaR aux couples
de variables aléatoires de même moyenne.
Définition9
Quelles que soient les variables aléatoires X et Y ,
E[X] = E[Y ],
XCX Y ⇐⇒
X TVaR Y,
TVaR[X; 0] = TVaR[Y ; 0],
⇐⇒
TVaR[X; α] ≤ TVaR[Y ; α] pour tout α ∈ (0, 1).
58
Arthur CHARPENTIER, JES 2010, mesures de risque
La relation CX est connue sous le nom d’ordre convexe parmi les probabilistes
(noté cx ). Elle est intimement liée à d’autres relations, comme l’ordre de Lorenz.
Remarque6
Notons que VaR ne permettait pas de comparer des variables aléatoires de même
moyenne. En effet,
X VaR Y
L
⇒ X = Y.
E[X] = E[Y ]
Afin de prouver ce résultat, il suffit d’examiner l’identité
Z +∞
E[Y ] − E[X] = {Pr[Y > x] − Pr[X > x]} dx = 0,
x=0 | {z }
≥0 pour tout x
qui entraîne Pr[Y > x] = Pr[X > x] pour tout x et achève la vérification.
59
Arthur CHARPENTIER, JES 2010, mesures de risque
Les relations TVaR et CX introduites ci-dessus peuvent encore être interprétées
en termes de primes stop-loss, comme le montrent les résultats suivants.
Proposition3
Soient deux variables aléatoires X et Y telles que E(X) = E(Y ) Alors, chacune des
deux inégalités suivantes est équivalente à E[(X − t)+ ] ≤ E[(Y − t)+ ] ∀t ∈ R :
Z p Z p
−1
FX (u) du ≥ FY−1 (u) du ∀p ∈ [0, 1]
0 0
et Z 1 Z 1
−1
FX (u) du ≤ FY−1 (u) du ∀p ∈ [0, 1].
p p
Corollaire2
Soient X et Y deux risques de même moyenne µ finie. Alors,
60
Arthur CHARPENTIER, JES 2010, mesures de risque
On peut montrer qu’un résultat du même type vaut pour TVaR , à savoir
61
Arthur CHARPENTIER, JES 2010, mesures de risque
VaR était liée aux fonctions croissantes, CX et TVaR sont liées aux fonctions
convexes et convexes croissantes,
Proposition14
Etant données deux variables aléatoires X et Y de moyennes finies,
62
Arthur CHARPENTIER, JES 2010, mesures de risque
Proposition15
Etant données deux variables aléatoires X et Y de moyennes finies, on a
63
Arthur CHARPENTIER, JES 2010, mesures de risque
Corollaire3
En particulier, ajouter un aléa supplémentaire centré à un risque X rend la situation
plus risquée. Formellement, quel que soit le risque X et la variable aléatoire
indépendante de X telle que E[] = 0,
X CX X + .
Ici aussi il existe des conditions suffisantes simples pour CX et TVaR ,
Proposition16
Soient X et Y deux variables aléatoires telles que E[X] = E[Y ]. S’il existe une constante
c telle que FY (x) ≥ FX (x)∀x < c, et FY (x) ≤ FX (x)∀x > c, alors X CX Y .
De la même manière, on peut prouver le résultat suivant.
Proposition17
Soient X et Y deux variables aléatoires telles que E[X] ≤ E[Y ]. S’il existe une constante
c telle que FY (x) ≥ FX (x)∀x < c et FY (x) ≤ FX (x)∀x > c, alors X TVaR Y .
64
Arthur CHARPENTIER, JES 2010, mesures de risque
4 Estimation de la Value-at-Risk
Remarque13
l’estimation du quantile (puis des mesures de risques) à partir d’un échantillon
indépendant. Le cas des processus est abordé dans [14].
où Φ−1 (α) est tabulé, i.e. 1.64 si α = 90% 1.96 si α = 95%, ou encore 2.57 si
α = 99.5%.
Exemple9
Modèle Gaussien intéressant intéressant pour les risques agrégés dans des modèles à
65
Arthur CHARPENTIER, JES 2010, mesures de risque
Xi = ai + bi Z + ui
où les bruits ui sont supposés indépendants entre eux, et de Z, avec ui ∼ N (0, σi2 ), avec
Z ∼ N (0, 1), alors X = X1 + · · · + Xd est gaussien.
De plus, les VaR pour chacuns des risques sont
q
VaRi (α) = ai + Φ−1 (α) b2i + σi2
mais surtout p
−1
VaR(α) = a + Φ (α) b2 + σ 2
où a = a1 + · · · + ad , b = b1 + · · · + bd , et σ 2 = σ12 + · · · + σd2 . On notera que
d
X p Xd q
−1
VaR(α) − 2 2
VaRi (α) = Φ (α) b + σ − 2 2
bi + σ i
.
i=1 i=1
| {z }
négatif
66
Arthur CHARPENTIER, JES 2010, mesures de risque
Définition8
Etant donné {X1 , · · · , Xn }, l’estimateur gaussien du quantile de niveau α est
v
n u n
1 X 1 X 2
b + Φ−1 (α)b
u
qbn (α) = µ σ , où µ
b= Xi et σ
b=t (Xi − µ b) .
n i=1 n − 1 i=1
Toutefois, il peut être intéressant d’utiliser des approximations comme [7], i.e.
p
Q(X; α) ∼ E(X) + zα V (X), (10)
où
−1 ζ1 −1 2 ζ2 −1 3 ζ12
zbα = Φ (α)+ [Φ (α) −1]+ [Φ (α) −3Φ (α)]− [2Φ−1 (α)3 −5Φ−1 (α)],
−1
6 24 36
où ζ1 désigne la skewness de X, et ζ2 la kurtosis en excès,
67
Arthur CHARPENTIER, JES 2010, mesures de risque
Définition9
Etant donné un échantillon {X1 , · · · , Xn }, l’estimation de Cornish-Fisher du quantile de
niveau α est
v
n u n
1 X u 1 X 2
qbn (α) = µ
b + zbα σ
b, where µ
b= Xi and σb=t (Xi − µb) ,
n i=1 n − 1 i=1
où
68
Arthur CHARPENTIER, JES 2010, mesures de risque
Remarque14
Ce modèle a est beaucoup utilisé en gestion de portefeuille moyenne-VaR, en utilisant
les comoments d’ordre 3 et 4.
En fait, de manière plus générale, si FX ∈ F = {Fθ , θ ∈ Θ} (que l’on supposera
continue), qX (α) = Fθ−1 (α), et donc un estimateur naturel du quantile de niveau
α est
qbX (α) = F −1 (α), (12)
θ
b
où θb est un estimateur de θ (par maximum likelihood, par la méthode des
moments, etc).
69
Arthur CHARPENTIER, JES 2010, mesures de risque
Exemple10
Pour une loi de Pareto
α
1
F (x) = P(X ≤ x) = 1 − , pour x ≥ 1, α ≥ 0.
x
La vraisemblance s’écrit
n n
X α X
log L(α) = log = n log α − (α + 1) log xi ,
i=1
xα+1
i i=1
70
Arthur CHARPENTIER, JES 2010, mesures de risque
b p = (1 − p)−1/α
Q b.
71
Arthur CHARPENTIER, JES 2010, mesures de risque
0.3
0.6
Theoritical Student
Theoritical lognormal Fitted lStudent
Fitted lognormal
0.2
Fitted Gaussian
Fitted gamma
0.4
0.1
0.2
0.0
0.0
0 1 2 3 4 5 −4 −2 0 2 4
72
Arthur CHARPENTIER, JES 2010, mesures de risque
Afin d’éviter les erreurs dans le choix de la famille paramétrique F, il est naturel
d’envisager des estimateurs nonparamétriques.
Définition10
La fonction de répartition empirique Fn , constuite à partir de {X1 , . . . , Xn } est
n
1 X
Fn (x) = 1(Xi ≤ x).
n i=1
A x fixé, nFn (x) suit une loi binomiale, centrée sur nF (x) et de variance
nF (x)[1 − F (x)].
Par la loi des grands nombres, Fn (x) converge presque sûrement vers F (x) quand
n → ∞, et le théorème de Glivenko-Cantelli assure que la convergence est
uniforme, i.e. sup{|Fn (x) − F (x)|} tend presque sûrement vers 0 lorsque n → ∞.
De plus, on a une normalité asymptotique à l’aide du théorème central limite,
√ L
n[Fn (x) − F (x)] → N (0, F (x)[1 − F (x)]),
73
Arthur CHARPENTIER, JES 2010, mesures de risque
lorsque n → ∞.
Et plus généralement, si l’on considère une convergence au sens des distributions
√
finidimensionnelles, n[Fn (x) − F (x)] converge vers un processus Gaussien G(x)
centré, de fonction de covariance
Cov(G(x1 ), G(x2 )) = F (x1 )[1 − F (x2 )] pour x1 < x2 .
Ce processus admet la même loi que (BF (x) ) où (Bt )t∈[0,1] est un pont Brownien.
On en déduit alors la loi de Kolmogorov Smirnov, qui assure que
√
n sup{|Fn (x) − F (x)|} converge vers sup{Bt }.
Définition11
La fonction quantile empirique, construite à partir de {X1 , . . . , Xn } est
Qn (α) = inf{x, Fn (x) ≥ α} = Fn−1 (α).
Comme tenu du fait que Fn est une fonction en escalier continue à gauche, on
notera que
k−1 k
Qn (α) = Xk:n où <α≤ .
n n
74
Arthur CHARPENTIER, JES 2010, mesures de risque
Remarque15
De même que la moyenne peut être obtenu par minimisation de la norme L2 , les
quantiles peuvent être obtenus par minimisation.
n
1X
Qn (α) = argmin Hα (Xi − x)
x∈R n i=1
75
Arthur CHARPENTIER, JES 2010, mesures de risque
√
De manière plus générale, on notera que n[Qn (α) − Q(α)] converge vers un
processus Gaussien G(α) centré, de fonction de covariance
α1 [1 − α2 ]
Cov(G(α1 ), G(α2 )) = pour α1 < α2 .
f (Q(α1 ))f (Q(α2 ))
76
Arthur CHARPENTIER, JES 2010, mesures de risque
Définition12
La fonction de répartition empirique lissée, construite à partir de {X1 , . . . , Xn } est
Z +∞ n Z x
t − x 1 X X i − t
Fbn (x) = IK dFn (t) = k dt
−∞ h nh i=1 −∞
h
n
1 X Xi − x
= K
n i=1 h
Z x
où K(x) = k(t)dt, k étant un noyau et h > 0 une fenêtre de lissage.
−∞
77
Arthur CHARPENTIER, JES 2010, mesures de risque
78
Arthur CHARPENTIER, JES 2010, mesures de risque
7
● ● ●●
●●
●●
type=1 ● ●
8
type=1 ●●
type=3 ●●
●●●
6
type=3
type=5 ●●
type=5 ●●●●
●●
type=7 ●●
type=7
●●
●● ●●●●
●●
6
5
●●
●●
quantile level
quantile level
●●
●●●●
●●●
●●
●●
●●●●
● ● ●●
●
●●●
●●
●●
4
●●
●●
●●
4
●●
●●●
●●●
●●
●●
3
●●
●●●
●●
● ●
2
●●
2
●●
● ● ●●
0.0 0.2 0.4 0.6 0.8 1.0 0.0 0.2 0.4 0.6 0.8 1.0
79
Arthur CHARPENTIER, JES 2010, mesures de risque
80
Arthur CHARPENTIER, JES 2010, mesures de risque
81
Arthur CHARPENTIER, JES 2010, mesures de risque
Une approche alternative est d’utiliser la théorie des valeurs extrêmes (cf. exposé
de demain matin).
Une approche peut être d’utiliser le théorème de Pickands-Balkema-de Haan : si
u est suffisant grand la loi conditionnelle de Y − u sachant Y > u suit une de
Pareto généralisée, de paramètres ξ et β (ces derniers pouvant être estimés par
maximum de vraisemblance). Aussi, en posant u = Yn−k:n , avec k suffisement
grand, notons βbk et ξbk les estimateurs du maximum de vraisemblance de la loi de
Pareto généralisé sur l’échantillon {Yn−k+1:n − Yn−k:n , ..., Yn:n − Yn−k:n },
!
βbk n −ξ
bk
Q(Y, α) = Yn−k:n +
b (1 − α) −1 (16)
ξk
b k
82
Arthur CHARPENTIER, JES 2010, mesures de risque
k
1 X
où ξbk = log Yn+1−i:n − log Yn−k:n .
k i=1 0.500
0.20
0.200
0.10
1!F(x) (on log scale)
95
0.050
0.05
0.020
99
99
0.02
0.005
0.01
0.002
10 20 30 40 50 70 10 20 30 40 50 60 70
83
Arthur CHARPENTIER, JES 2010, mesures de risque
84
Arthur CHARPENTIER, JES 2010, mesures de risque
exemple
Proposition11
Si X1 , · · · , Xn est un échantillon i.i.d.,
√
Z 1
B1−t
n (R(X) − R({X1 , · · · , Xn })) → −1
dG(t),
0 f (F (1 − t))
où (Bt )t∈[0,1] est un pont brownien. La loi limite est centrée, de variance asymptotique
Z 1Z 1
min{t, u} − ut
−1 −1
dG(t)dG(u).
0 0 f (F (1 − t))f (F (1 − u))
Remarque16
Si G est dérivable, la variance asymptotique se réécrit
Z 1Z 1
[min{F (t), F (u)} − F (t)F (u)]g(1 − F (t))g(1 − F (u))dtdu.
0 0
85
Arthur CHARPENTIER, JES 2010, mesures de risque
86
Arthur CHARPENTIER, JES 2010, mesures de risque
87
Arthur CHARPENTIER, JES 2010, mesures de risque
[14] C. Gouriéroux and J.M. Zakoïan. Mesures de risques. Notes de cours, ensae,
2009.
[15] G. H. Hardy and J. E. Littlewood. A maximal theorem with
function-theoretic applications. Acta Math., 54(1) :81–116, 1930.
[16] Frank E. Harrell and C. E. Davis. A new distribution-free quantile
estimator. Biometrika, 69(3) :635–640, 1982.
[17] J. Michael Harrison and Stanley R. Pliska. Martingales and stochastic
integrals in the theory of continuous trading. Stochastic Processes and their
Applications, 11(3) :215 – 260, 1981.
[18] P. Jorion. Value-at-Risk. McGraw-Hill, Oxford, 2007.
[19] J. Kiefer. On Bahadur’s representation of sample quantiles. Ann. Math.
Statist., 38 :1323–1342, 1967.
[20] Shigeo Kusuoka. On law invariant coherent risk measures. In Advances in
mathematical economics, Vol. 3, volume 3 of Adv. Math. Econ., pages 83–95.
Springer, Tokyo, 2001.
88
Arthur CHARPENTIER, JES 2010, mesures de risque
89
Arthur CHARPENTIER, JES 2010, mesures de risque
90
Arthur CHARPENTIER, JES 2010, mesures de risque
91