Résumé technique : Évaluation du risque extrême par la simulation stochastique des extrêmes

Énoncé du problème

La gestion des risques dans divers secteurs tels que la climatologie et la finance repose largement sur l'évaluation des risques de queue — des événements à faible probabilité mais à forte sévérité. Un défi majeur dans ce domaine est la rareté des données, particulièrement dans les contextes multivariés où les événements extrêmes sont rares. Les approches paramétriques traditionnelles basées sur la Théorie des Valeurs Extrêmes (EVT) font souvent face à des limitations en milieu multivarié car la distribution limite des extrêmes multivariés n'est pas intrinsèquement paramétrique, ce qui nécessite une sélection de modèles complexe et des hypothèses restrictives sur les structures de dépendance (par exemple, une dépendance uniforme via des copules). De plus, les estimations empiriques des mesures de risque de queue (TRM) sont souvent instables ou impossibles à calculer lorsque le nombre de dépassements observés au-dessus d'un seuil élevé est insuffisant. Les méthodes non paramétriques existantes pour l'inférence de queue conditionnelle sont également limitées par la disponibilité des données et la dimensionnalité.

Méthodologie

Le document propose deux algorithmes de simulation non paramétriques conçus pour étendre les échantillons d'extrêmes multivariés, répondant ainsi à la rareté des données. Ces algorithmes sont fondés sur la représentation stochastique des distributions de Pareto Généralisées Multivariées (MGP), en utilisant spécifiquement la décomposition dérivée de Rootzén et al. (2018).

Fondement théorique

L'approche suppose que le vecteur des excès au-dessus d'un seuil élevé converge vers une distribution MGP standard. Un vecteur MGP standard $Z$ peut être décomposé en $Z = E + T - \max(T)$, où $E$ est une variable exponentielle unitaire et $T$ est un vecteur aléatoire de dimension $d$ indépendant de $E$. Cette décomposition permet la représentation des composantes du vecteur par des différences $\Delta_{j,k} = T_j - T_k$.

Algorithme 1 : Simulation MGP jointe non paramétrique

Cet algorithme génère de nouveaux échantillons indépendants et identiquement distribués (i.i.d.) d'un vecteur MGP standard pour étendre l'ensemble de données pour l'évaluation conjointe des risques.

1. Transformation : Les données observées sont standardisées avec des marges exponentielles et transformées en un vecteur MGP standard $Z$.
2. Calcul des différences : L'algorithme calcule le vecteur des différences $\Delta^{(1)}$ basé sur la première composante.
3. Simulation :
   • De nouvelles variables exponentielles unitaires $E_\ell$ sont générées.
   • De nouvelles réalisations du vecteur de différence $\Delta^{(1)}$ sont générées via un bootstrap non paramétrique (rééchantillonnage à partir des différences observées).
   • De nouveaux vecteurs MGP $\tilde{Z}$ sont reconstruits en utilisant la relation stochastique $Z_j = E + \sum \Delta_{j,k} \prod \mathbb{1}_{\Delta_{\ell,k}<0}$.
4. Sortie : Les vecteurs simulés sont projetés dans l'espace d'origine pour estimer les mesures de risque.

Algorithme 2 : Simulation MGP conditionnelle non paramétrique

Cet algorithme génère des échantillons d'un facteur de risque spécifique $X_j$ conditionnellement à ce que d'autres facteurs de risque $X_{-j}$ soient à des niveaux extrêmes. Cela facilite l'inférence des distributions de queue conditionnelles.

1. Dérivation de la distribution conditionnelle : L'algorithme dérive la densité conditionnelle de la variable de différence $\Delta_{q,j}$ étant donné $Z_{-j} = z_{-j}$. Trois cas sont distingués selon la valeur maximale du vecteur de conditionnement $z^* = \max(z_{-j})$ :
   • Cas 1 : $z^* > 0$ et $z^* = z_q$.
   • Cas 2 : $z^* > 0$ et $z^* \neq z_q$.
   • Cas 3 : $z^* \leq 0$.
2. Échantillonnage :
   • Dans les cas 1 et 3, où la distribution conditionnelle est indépendante des valeurs spécifiques de $z_{-j}$, le bootstrap est utilisé directement.
   • Dans le cas 2, où la distribution dépend de $z_{-j}$, une méthode d'échantillonnage par rejet est employée, combinant le bootstrap avec un algorithme de rejet pour garantir que la densité conditionnelle correcte est échantillonnée.
3. Sortie : De nouvelles réalisations de $Z_j$ sont générées conditionnellement à $Z_{-j}$, permettant l'estimation des espérances conditionnelles.

Contributions clés

1. Extension aux dimensions multivariées : Les auteurs généralisent les algorithmes de simulation bivariés proposés par Legrand et al. (2023) à des dimensions arbitraires ($d > 2$), permettant l'analyse de facteurs de risque complexes et de haute dimension.
2. Flexibilité non paramétrique : En s'appuyant sur le bootstrap et la représentation stochastique des vecteurs MGP, la méthode évite les hypothèses paramétriques restrictives souvent requises en EVT multivariée, telles que les familles de copules spécifiques.
3. Schémas de simulation doubles : Le document fournit un cadre unifié pour la simulation conjointe (pour estimer les mesures de risque de queue inconditionnelles) et la simulation conditionnelle (pour inférer des quantités liées aux distributions de queue conditionnelles).
4. Validation théorique : Le document inclut des preuves théoriques rigoureuses (Propositions 7.1–7.6) démontrant que les échantillons simulés convergent vers la bonne distribution MGP standard et que la méthode d'échantillonnage par rejet de l'algorithme conditionnel est valide.

Résultats

Les performances des algorithmes ont été évaluées à l'aide de données synthétiques (rendements financiers modélisés avec des distributions de Student $t$ et des copules de Gumbel) et de données financières réelles (rendements hebdomadaires négatifs de HSBC, Lloyds et RBS).

• Estimation de la mesure de risque de queue (TRM) :

  • L'algorithme de simulation conjointe a considérablement amélioré l'estimation de la Value at Risk (VaR), de l'Expected Shortfall (ES), du Marginal Expected Shortfall (MES) et du Dependent Conditional Tail Expectation (DCTE).
  • Comparé à l'utilisation de l'échantillon original uniquement, les échantillons simulés et étendus ont réduit les erreurs d'approximation relatives et la dispersion, particulièrement à des niveaux de confiance élevés ($\alpha \in \{0.9975, 0.999, 0.9997\}$).
  • La méthode a réussi à estimer les TRM dans des scénarios où l'échantillon original contenait zéro ou très peu de dépassements (par exemple, l'estimation du DCTE pour certains titres était impossible avec les données originales mais réalisable avec la simulation).

• Estimation de l'espérance conditionnelle :

  • L'algorithme de simulation conditionnelle a été testé par rapport à la régression linéaire pour estimer $\mu(x_{-j}) = E[X_j | X_{-j} = x_{-j}]$.
  • Dans les données synthétiques, l'approche de simulation conditionnelle a produit des erreurs plus faibles que la régression linéaire, l'avantage augmentant à mesure que les observations de conditionnement deviennent plus extrêmes.
  • Dans les applications de données réelles, l'approche de simulation a fourni des estimations de choc comparables ou plus robustes que la régression linéaire, particulièrement pour les actifs ayant des queues plus lourdes (Lloyds et RBS) où la régression linéaire est connue pour être moins adaptée.

Signification et affirmations

Le document affirme que les schémas de simulation non paramétriques proposés répondent efficacement au problème critique de la rareté des données dans la gestion des risques extrêmes. En étendant l'ensemble de données disponible via la simulation stochastique, les auteurs démontrent qu'il est possible de :

• Extrapoler au-delà de la plage des données historiques observées.
• Obtenir des estimations plus fiables et stables des mesures de risque de queue (ES, MMES, DCTE), même lorsque le nombre d'extrêmes observés est extrêmement limité.
• Effectuer des inférences sur les distributions de queue conditionnelles dans des contextes de haute dimension où les méthodes de régression traditionnelles ou paramétriques peinent à fonctionner.

Les auteurs positionnent ces algorithmes comme des outils pratiques pour les gestionnaires de risques qui doivent quantifier les risques dans des circonstances extraordinaires où les données historiques sont insuffisantes. Ils notent que, bien que l'implémentation actuelle utilise des estimateurs empiriques sur les données simulées, les travaux futurs pourraient intégrer ces approches de simulation avec des techniques d'estimation plus sophistiquées. Le document conclut que ces méthodes améliorent la quantité d'observations dans les régions extrêmes, conduisant à des mesures de risque plus dignes de confiance sans imposer de modèles paramétriques restrictifs sur la structure de dépendance.