💰 quantitative finance

On a multivariate extension for Copula-based Conditional Value at Risk

Cet article généralise la Value at Risk conditionnelle basée sur les copules (CCVaR) à des dimensions multivariées ( $d \ge 2$ ) sous des copules archimédiennes en dérivant une expression presque sous forme fermée, en examinant ses conditions de cohérence et en validant l'approche par des expériences numériques avec des données réelles.

Auteurs originaux : Andres Mauricio Molina Barreto

Publié 2026-05-13

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Andres Mauricio Molina Barreto

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

La Vue d'Ensemble : Mesurer la Tempête du « Pire Cas »

Imaginez que vous êtes le capitaine d'une flotte de navires (un portefeuille financier). Vous voulez savoir à quel point une tempête pourrait être violente.

VaR (Value at Risk / Valeur à Risque) : C'est comme demander : « Quelle est la plus haute vague que je pourrais voir 95 % du temps ? » Cela vous indique le seuil où les choses commencent à devenir dangereuses, mais cela ne vous dit pas à quel point la tempête est grave une fois ce seuil franchi.
CVaR (Conditional Value at Risk / Valeur à Risque Conditionnelle) : C'est une meilleure question : « Si la vague devient plus grande que ce seuil, quelle est la profondeur moyenne de l'eau ? » Cela mesure la profondeur moyenne de la zone de désastre.

Le document introduit une version nouvelle, encore plus stricte, appelée CCVaR (Copula-based Conditional Value at Risk / Valeur à Risque Conditionnelle basée sur les Copules). Imaginez cela comme demander : « Si chaque navire individuel de ma flotte heurte une vague massive exactement au même moment, quelle est la dégâts moyenne ? »

Le Problème : Comment les Navires Bougent Ensemble

Dans le monde réel, les navires ne bougent pas de manière purement aléatoire ; ils bougent souvent ensemble. Si une tempête en frappe un, elle frappe généralement les autres aussi. En finance, cela s'appelle la dépendance.

L'Ancienne Méthode : Les méthodes traditionnelles supposent souvent que les navires bougent de manière indépendante ou utilisent des mathématiques simples qui échouent lorsque vous avez de nombreux navires (dimensions) se déplaçant de manière complexe.
Le Nouvel Outil (Copules) : Les auteurs utilisent un outil mathématique appelé une Copule. Imaginez une Copule comme une « colle » ou une « piste de danse » qui décrit comment les navires bougent les uns par rapport aux autres, indépendamment de la taille de chaque navire individuel.
La Colle Spécifique (Archimédienne) : Le document se concentre sur un type de colle très populaire et spécifique appelé Copules Archimédiennes. Elles sont spéciales car elles traitent tous les navires comme s'ils étaient également connectés les uns aux autres (symétrique), ce qui rend les mathématiques beaucoup plus faciles à résoudre pour de grandes flottes.

La Découverte Principale : Une Nouvelle Formule

Les auteurs ont pris une formule qui ne fonctionnait que pour deux navires (bivariée) et l'ont avec succès étendue pour fonctionner avec une flotte entière de nombreux navires (multivariée, $d \ge 2$ ).

Ils ont dérivé une « expression presque sous forme fermée ».

Analogie : Imaginez essayer de calculer le poids total d'un tas de sable en pesant chaque grain individuellement. C'est impossible. Mais si vous avez une formule spéciale qui vous permet de calculer le poids en fonction de la forme du tas et de quelques mesures clés, c'est une solution « sous forme fermée ».
Le document fournit une recette spécifique (utilisant ce qu'on appelle une « fonction génératrice » et ses dérivées) pour calculer ce risque sans avoir à exécuter des millions de simulations informatiques lentes à chaque fois.

Résultats Clés des Expériences

Les auteurs ont testé leur nouvelle formule en utilisant des données réelles de 7 sociétés de machinerie cotées sur le marché boursier japonais (Nikkei 225). Voici ce qu'ils ont découvert :

La CCVaR est la Mesure « Sécurité d'Abord » :
Lorsqu'ils ont comparé la CCVaR à la CVaR standard et à la VaR, la CCVaR a toujours donné le chiffre de risque le plus élevé (le plus conservateur).
- Analogie : Si la VaR dit « La tempête pourrait atteindre 10 pieds de haut », et que la CVaR dit « Si elle dépasse 10 pieds, la moyenne est de 12 pieds », alors la CCVaR dit : « Si chaque navire est frappé par une tempête en même temps, les dégâts moyens sont en réalité de 15 pieds. » Elle suppose la coordination la plus mauvaise possible de la malchance.
La Surprise de l'« Indépendance » :
Habituellement, en gestion des risques, si les choses sont indépendantes (navires se déplaçant au hasard), le risque est plus faible. Cependant, avec cette mesure spécifique de CCVaR, le risque calculé pour des navires indépendants était souvent plus élevé que pour des navires légèrement connectés.
- Pourquoi ? Parce que la CCVaR examine le scénario où tous les actifs échouent simultanément. Même s'ils sont indépendants, les mathématiques de cette mesure spécifique traitent le scénario « tous échouent » comme une pénalité très lourde.
Les Queues Lourdès Importent :
Les données ont montré que les rendements boursiers ont des « queues lourdes » (ce qui signifie que les effondrements extrêmes se produisent plus souvent que ne le prédit une courbe en cloche normale). Les auteurs ont constaté que l'utilisation d'une distribution « Student-t » (qui prend en compte ces queues lourdes) a donné des estimations de risque beaucoup plus élevées que l'utilisation d'une distribution « Normale » standard.
Stabilité :
Contrairement à d'autres mesures qui changent radicalement selon le type de « colle » (type de Copule) que vous choisissez, les résultats de la CCVaR étaient étonnamment stables. Qu'ils aient utilisé une Copule de Clayton, de Gumbel ou de Frank, le chiffre final de risque ne fluctuait pas autant que la CVaR traditionnelle.

La Conclusion

Le document conclut que cette nouvelle CCVaR est une mesure de risque cohérente (elle suit les règles logiques de la gestion des risques, comme « la diversification devrait réduire le risque » sous certaines conditions).

Elle est particulièrement utile car :

Elle gère plusieurs actifs à la fois.
Elle fournit une formule spécifique et rapide pour un type courant de « colle » mathématique (Copules Archimédiennes).
C'est l'estimation de risque la plus conservatrice (la plus sûre), garantissant que si vous vous préparez au niveau CCVaR, vous êtes préparé à presque n'importe quel scénario de désastre où tous vos actifs souffrent ensemble.

En bref, le document offre aux gestionnaires de risques un nouvel outil plus précis pour calculer la « moyenne du pire cas » d'un portefeuille, garantissant qu'ils ne soient pas pris au dépourvu lorsque toute la flotte frappe une tempête en même temps.

Résumé technique : Extension multivariée pour la Valeur en Conditionnelle (CCVaR) basée sur les copules

Énoncé du problème
L'article traite des limites des mesures de risque classiques, notamment la Valeur en Risque (VaR) et la Valeur en Risque Conditionnelle (CVaR), dans des contextes multivariés. Bien que la VaR soit largement utilisée, elle manque de sous-additivité et ne parvient pas à capturer adéquatement le risque de queue. La CVaR (ou Shortfall Espéré) améliore cette situation en mesurant la perte espérée au-delà du seuil de la VaR, mais elle est traditionnellement définie pour des portefeuilles univariés. Les extensions multivariées existantes, telles que la CVaR multivariée (MCVaR), aboutissent souvent à des mesures vectorielles ou reposent sur des ensembles de niveau complexes difficiles à agréger. De plus, bien que la CVaR basée sur les copules (CCVaR) offre une méthode flexible pour modéliser la dépendance, les recherches antérieures (par exemple, Krzemienowski et Szymczyk, 2016 ; Molina Barreto et Ishimura, 2023) ont été largement limitées aux cas bivariés ou ont manqué d'expressions en forme close pour des dimensions supérieures. Le vide spécifique identifié est l'absence d'une expression généralisée, presque en forme close, pour la CCVaR dans des dimensions $d \ge 2$ sous des copules archimédiennes, qui sont couramment utilisées en finance pour leur maniabilité.

Méthodologie
Les auteurs proposent une extension multivariée de la CCVaR définie comme la perte pondérée espérée d'un portefeuille étant donné que la distribution conjointe tombe dans un « ensemble défavorable » défini par la copule.

Cadre théorique :
- L'étude utilise le théorème de Sklar pour séparer les distributions marginales de la structure de dépendance (copule).
- Elle se concentre sur les copules archimédiennes, générées par une unique fonction génératrice $\varphi$ . Ces copules sont symétriques (échangistes), une hypothèse simplificatrice jugée acceptable pour des portefeuilles d'actifs appartenant à des industries similaires.
- La CCVaR est définie comme l'espérance conditionnelle de la perte du portefeuille $\lambda^T X$ étant donné que la valeur de la copule $C(U_1, \dots, U_d) \ge \beta$ , où $\beta$ est le niveau de confiance.
Dérivation :
- La contribution méthodologique centrale est la dérivation d'une expression presque en forme close pour la CCVaR sous des copules archimédiennes.
- Cette dérivation repose sur la fonction de distribution de Kendall et sa densité, en utilisant les propriétés de la fonction génératrice $\varphi$ et de son inverse $\varphi^{-1}$ .
- Les auteurs expriment la mesure de risque comme une intégrale impliquant les dérivées de la fonction génératrice inverse (jusqu'à l'ordre $d-1$ ) et des fonctions auxiliaires $f_i(t)$ , définies de manière récursive à partir de la génératrice.
- La formule permet le calcul de la CCVaR sans recourir à des méthodes purement basées sur la simulation, à condition que les dérivées de la fonction génératrice inverse soient connues (ce qui est le cas pour les familles courantes telles que Clayton, Gumbel, Frank, Joe et Ali-Mikhail-Haq).

Contributions clés

Généralisation aux dimensions multivariées : L'article étend la définition de la CCVaR du cas bivarié à des dimensions arbitraires $d \ge 2$ sous des copules archimédiennes.
Expression presque en forme close : Les auteurs dérivent une formule intégrale spécifique (Théorème 3) qui exprime la CCVaR en fonction de la fonction génératrice, de ses dérivées et de la distribution de Kendall. Cela facilite l'analyse théorique et la mise en œuvre numérique.
Cohérence et propriétés : L'article examine les propriétés de cohérence de la mesure proposée. Il établit que la CCVaR satisfait l'homogénéité positive, l'invariance par translation et la monotonie. La sous-additivité est démontrée comme valable sous des conditions spécifiques (par exemple, l'indépendance), bien que l'article note que la sous-additivité n'est pas garantie dans tous les cas multivariés généraux, ce qui est cohérent avec la littérature existante sur la MCVaR.
Analyse comportementale : L'étude analyse comment la CCVaR se comporte par rapport au niveau de confiance $\beta$ et au paramètre de dépendance $\theta$ . Elle démontre que la CCVaR est non décroissante en $\beta$ et examine sa monotonie par rapport à $\theta$ pour des familles de copules spécifiques (par exemple, décroissante pour Clayton et Frank sous certaines conditions).

Résultats
L'article présente des expériences numériques utilisant des données réelles de sept actions du secteur des machines cotées sur l'indice Nikkei 225.

Données et modélisation : Les rendements logarithmiques négatifs quotidiens ont été modélisés à l'aide de processus AR(1)-GARCH(1,1) avec des distributions Normale Standard, Student-t et Skewed-t. Des copules archimédiennes (Clayton, Frank, Gumbel, Joe, AMH) ont été ajustées en utilisant la méthode des fonctions d'inférence pour les marges (IFM).
Performance comparative :
- Conservatisme : Les résultats numériques montrent systématiquement que la CCVaR produit des valeurs plus élevées que la VaR classique et la CVaR pour toutes les copules testées et tous les niveaux de confiance ( $\beta = 0,95, 0,99$ ). Les auteurs interprètent cela comme le fait que la CCVaR est une mesure de risque plus conservatrice car elle conditionne sur tous les événements conjoints défavorables (l'ensemble entier $\mathcal{U}_\beta$ ) plutôt que simplement sur le dépassement d'un seuil par la somme pondérée.
- Sensibilité au choix de la copule : Contrairement à la VaR et à la CVaR, qui montrent une variation significative selon la famille de copules choisie (par exemple, Gumbel et Joe produisant des valeurs plus élevées), les valeurs de la CCVaR présentent peu de variabilité entre différentes spécifications de copules.
- Sensibilité aux queues : L'étude confirme que les distributions marginales à queues lourdes (Student-t, Skewed-t) entraînent des estimations de risque plus élevées que les distributions Normales.
- Évolution temporelle : L'analyse par fenêtre glissante démontre que la CCVaR réagit aux périodes de forte volatilité et maintient sa position de mesure la plus conservatrice par rapport à la VaR et à la CVaR au fil du temps.

Signification et affirmations
L'article affirme que la CCVaR multivariée proposée offre une alternative robuste pour la gestion des risques de portefeuille, en particulier lorsqu'il s'agit d'actifs partageant des structures de dépendance similaires (échangabilité).

Valeur théorique : La dérivation de l'expression presque en forme close comble un vide dans la littérature, permettant l'étude analytique des mesures de risque dans des dimensions supérieures sans dépendre uniquement de simulations de Monte Carlo intensives en calcul.
Implication pratique : Les résultats suggèrent que le conditionnement sur la survenue conjointe d'événements défavorables (comme le fait la CCVaR) fournit une marge de sécurité plus conservatrice et potentiellement plus sûre contre les pertes extrêmes par rapport au conditionnement sur le dépassement d'un seuil par la perte agrégée du portefeuille.
Limites et travaux futurs : Les auteurs reconnaissent modestement que l'hypothèse d'échangabilité des copules archimédiennes limite l'applicabilité du modèle aux portefeuilles hautement diversifiés avec des dépendances hétérogènes. Ils notent que le comportement de la CCVaR concernant le paramètre de dépendance $\theta$ dans des dimensions supérieures à deux nécessite une caractérisation formelle supplémentaire, car les preuves numériques suggèrent une monotonie mais une preuve rigoureuse reste insaisissable. Des recherches futures sont proposées pour explorer les copules archimédiennes hiérarchiques et les copules en vignes afin de capturer des structures de dépendance plus complexes.