Modélisation et analyse des risques extrèmes

Examen: Session Principale

Durée 2h, Enseignante : Manel Kacem M2 Recherche Actuariat et Finance, 2020-2021

Exercice 1 (6 pts)
Soit X1 , . . . , Xn un echantillon de n variables aléatoires i.i.d. Soit FX la fonction de répartition commune des Xi . On note
par Xi:n la statistique d’ordre i dans un echantillon de taille n. Les statistiques d’ordre extremes sont données par
X1:n = min {X1 , . . . , Xn }
Xn:n = max {X1 , . . . , Xn }
n
1. Montrer que FX1:n (x) = 1 − [1 − FX (x)] .
2. Montrer que FXn:n (x) = [FX (x)]n .
3. On note par t(VaRα ) le temps de retour qui correspond à la durée moyenne entre deux dépassements successifs de la
VaR d’ordre α. On note que la VaRα correspond au quantile d’ordre α. Determiner le temps de retour t(VaRα ) dans
le deux cas suivants
a) α = 99% et la VaR est journalière.
b) α = 99.5% et la VaR est annuelle.

Exercice 2 (7 pts)
Soit an et bn deux constantes de normalisation et H la distribution limite du théorème de Fisher-Tippet.
1. Quel est l’intérêt du Théorème Fisher-Tippet ?
2. Trouver la distribution limite H lorsque X suit une loi exponentielle de paramétre λ, an = λ−1 et bn = ln(n)/λ.
3. Trouver la distribution limite H lorsque X suit une loi Uniforme sur [0, 1], an = n−1 et bn = 1 − n−1 .
4. Montrer que lorsque X suit une loi de Pareto telle que
−α
F (x) = 1 − (1 + x) ,
alors la distribution limite H est une distribution de Frechet.

Exercice 3 (7 pts)
On note par G la distribution de probabilité GEV.
(   −1/ξ )
x−µ
G(x) = exp − 1 + ξ
σ

1. Quel est l’intérêt de cette distribution de probabilité ? Donner la densité g(x) et en déduire la fonction de log vraisem-
blance associée à un echantillon (x1 , . . . , xn ).
2. Montrer que lorsque ξ tend vers 0, la distribution G tend vers une distribution de Gumbel.
3. Donner le quantile d’ordre α associé à la distribution de probabilité GEV.
4. On considère la série Rn = (R1 , . . . , Rn ) des rendements journaliers d’un indice boursier mondiale observés sur n
périodes. On s’interesse aux rendement extremes négatifs (en particulier au rendement minimum) pour cela on considère
le maximum qui peut etre atteint par la série −Rn . On estime la distribution du maximum selon une loi Gaussienne et
selon une loi GEV.
a) Décrire une méthode qui permet d’estimer les paramétres de la GEV.
On compare les estimations des deux modélisations dans le tableau suivant :
α 99% 99.5% 99.9%
GEV 2.64% 3.48% 5.91%
Gaussienne 2.88% 3.19% 3.83%
b) Commenter les résultats du tableau précédent.
c) On s’interesse à l’estimation d’un seuil à partir duquel les rendements sont extrêmes. Décrire une méthode graphique
pour l’estimation du seuil.
Annexe : Le Théorème de Fisher-Tippet
Soit X1 , . . . , Xn des variables aléatoires de même distribution F. S’il existe deux constantes de normalisation an et bn et
une distribution limite non dégénérée H telle que
Xn:n − bn
limn→∞ P ( ≤ x) = Hγ (x)
an
alors Hγ appartient à l’une des trois fonctions de répartition suivantes :
1. Fonction de répartition de Frechet pour γ > 0

exp(−(x)(−1/γ) ) si x ≥ 0
Hγ (x) = Φγ (x) =
0 sinon.,

2. Fonction de répartition de Gumbel pour γ = 0 pour tout x ∈ R

Hγ (x) = Λ(x) = exp(− exp(−x))

3. Fonction de répartition de Weibull pour γ < 0


exp(−(−x)(−1/γ) ) si x ≤ 0
Hγ (x) = Ψ(x)
1 sinon.