VaR at Its Extremes: Impossibilities and Conditions for One-Sided Random Variables

Cet article démontre que la sous-additivité de la Value-at-Risk (VaR) est impossible pour des variables aléatoires unilatérales sauf en cas d'additivité exacte, et établit des conditions structurelles de dépendance négative et de dominance du simplexe pour caractériser sa super-additivité.

L'essentiel

Le VaR à l'extrême : Quand la diversification échoue (ou réussit) ?

Imaginez que vous êtes un gestionnaire de risques dans une grande banque ou une compagnie d'assurance. Votre travail consiste à répondre à une question cruciale : « Combien d'argent devons-nous garder en réserve pour ne pas faire faillite si les choses tournent mal ? »

Pour répondre à cela, les experts utilisent un outil appelé VaR (Value-at-Risk). C'est un peu comme une « ligne rouge » : si vos pertes dépassent cette ligne, c'est une catastrophe, mais cela n'arrive que très rarement (par exemple, une fois tous les 100 ans).

Ce papier de recherche pose une question fascinante : Quand on combine plusieurs risques (comme mélanger différentes assurances), le risque total est-il plus petit, égal ou plus grand que la somme des risques individuels ?

En finance, on espère généralement que 1 + 1 = 1,8. C'est le principe de la diversification : en ne mettant pas tous ses œufs dans le même panier, on réduit le risque global. C'est ce qu'on appelle la sous-additivité.

Mais ce papier découvre des situations où 1 + 1 = 2,5. C'est ce qu'on appelle la sur-additivité : le risque total explose !

Voici les trois grandes découvertes de l'auteur, expliquées simplement :

---

1. L'Impossibilité de la « Sécurité » (La Sous-Additivité)

L'analogie du couple inséparable :
Imaginez deux amis, Pierre et Paul. Si Pierre a un accident de voiture, Paul en a un aussi exactement au même moment, avec la même gravité. Ils sont liés par une corde invisible. C'est ce qu'on appelle en mathématiques la co-monotonie (tout bouge dans le même sens).

La découverte :
L'auteur prouve une chose surprenante pour les risques qui ne peuvent être que positifs (comme des pertes d'argent ou des dégâts physiques, qui ne peuvent pas être négatifs) :

• Si vous voulez que votre VaR soit « sûr » (c'est-à-dire que le risque total soit inférieur à la somme des risques), vous devez obligatoirement avoir ce couple inséparable.
• Si vos risques ne sont pas parfaitement liés, la diversification ne fonctionne pas pour réduire le VaR. En fait, dans le pire des cas, le risque total est exactement la somme des risques individuels.

En résumé : Pour les risques « positifs » (comme les pertes), il est impossible de réduire le VaR par la diversification, sauf si tout bouge exactement ensemble (ce qui est absurde pour une vraie diversification). La seule façon d'avoir un VaR « sous-additif », c'est d'avoir un VaR « additif » (1+1=2). C'est une impasse pour la sécurité.

---

2. L'Explosion du Risque (La Sur-Additivité)

L'analogie du paradoxe du yoyo :
Maintenant, imaginons le scénario inverse. Vous avez deux risques qui semblent s'opposer. Quand l'un va très mal, l'autre va très bien. C'est ce qu'on appelle une dépendance négative.

L'auteur montre que dans certains cas très spécifiques (souvent avec des distributions de probabilité « lourdes », c'est-à-dire où les catastrophes extrêmes sont plus probables que prévu), la diversification peut devenir un piège.

• Au lieu de réduire le risque, le mélanger fait exploser le VaR.
• 1 + 1 = 2,5.

Comment cela arrive-t-il ?
Pour que cela se produise, il faut deux conditions réunies (comme les deux pièces d'un puzzle) :

1. Une structure de dépendance spéciale (NSD) : Les risques doivent être liés d'une manière très précise où, si l'un est petit, l'autre a tendance à être grand, mais pas n'importe comment. C'est une forme de « négativité » très structurée.
2. Des marges « lourdes » (SD) : Les risques individuels doivent avoir des queues de distribution très épaisses (des catastrophes possibles mais rares). De plus, la façon dont ces risques sont calculés doit respecter une règle mathématique précise (la fonction doit être « dominante »).

La leçon : Si vous mélangez des risques avec des queues lourdes et une dépendance négative spécifique, vous pouvez vous retrouver avec un risque total bien plus grand que la somme de ses parties. C'est le cauchemar du gestionnaire de risques : la diversification qui vous tue.

---

3. Les Limites et les Exceptions

L'auteur explore aussi ce qui se passe si les risques ne commencent pas à zéro (par exemple, si vous avez une franchise d'assurance de 1000 €).

• Règle d'or : Si vos risques sont bornés (ils ne peuvent pas être inférieurs à un certain montant ou supérieurs à un certain montant), alors ni la sous-additivité ni la sur-additivité stricte n'est possible.
• C'est comme si vous aviez un jeu de cartes avec un nombre fixe de points. Vous ne pouvez pas créer de points de nulle part, ni en faire disparaître. Le risque total sera toujours exactement la somme des risques individuels.

---

Pourquoi est-ce important pour vous ?

Ce papier nous apprend deux choses fondamentales sur la gestion des risques :

1. Ne soyez pas trop confiant : Si vous pensez que mélanger des risques va toujours réduire votre VaR (votre besoin de capital), vous vous trompez. Pour les risques positifs, c'est souvent impossible.
2. Méfiez-vous des mélanges étranges : Parfois, mélanger des risques qui semblent s'opposer (comme une assurance contre les inondations et une contre les incendies) peut, dans des conditions extrêmes, créer un monstre de risque plus grand que la somme des parties.

En conclusion :
La diversification n'est pas une baguette magique. Ce papier nous donne les règles exactes pour savoir quand elle fonctionne, quand elle est inutile, et quand elle devient dangereuse. C'est comme apprendre à conduire : savoir que la route est glissante (les queues lourdes) et que le freinage ne fonctionne pas toujours (l'impossibilité de la sous-additivité) vous aide à éviter l'accident.

Résumé technique

Résumé Technique : Comportement Extrême de l'Aggrégation de la VaR pour des Variables Aléatoires Unilatérales

1. Problématique et Contexte

La Value-at-Risk (VaR) est une mesure de risque fondamentale en finance et en actuariat, définie comme le quantile d'une distribution de pertes. Une propriété souhaitable pour une mesure de risque est la sous-additivité, qui reflète le principe de la diversification (le risque d'un portefeuille est inférieur ou égal à la somme des risques individuels). Cependant, il est bien établi que la VaR n'est pas toujours sous-additive, en particulier pour les distributions à queues lourdes.

L'article se concentre sur l'analyse du comportement d'agrégation extrême de la VaR pour des sommes de variables aléatoires unilatérales (supportées sur $[0, \infty)$ ou bornées supérieurement). L'objectif est de déterminer les conditions exactes sous lesquelles la VaR d'une somme $S = \sum X_i$ est strictement inférieure (sous-additivité), strictement supérieure (sur-additivité) ou égale à la somme des VaR individuelles, et ce, pour tous les niveaux de confiance $p \in (0, 1)$.

2. Méthodologie

L'auteur adopte une approche analytique rigoureuse combinant la théorie de la dépendance stochastique et l'analyse fonctionnelle :

• Cadre théorique : L'étude porte sur des vecteurs aléatoires $X = (X_1, \dots, X_n)$ dont les composantes peuvent avoir des espérances infinies (cas des lois à queues lourdes).
• Approche par troncature : Pour traiter le cas des variables non intégrables, l'auteur utilise une suite de variables tronquées $X_k$ et applique un argument de convergence monotone pour étendre les résultats connus (valables pour les variables intégrables) au cas général.
• Nouvelles structures de dépendance : L'article introduit deux concepts clés pour caractériser la sur-additivité :
  1. Dépendance Simplexe Négative (NSD - Negative Simplex Dependence) : Une condition sur la distribution conjointe $F_S(t)$ par rapport au produit des marginales sur la diagonale.
  2. Dominance Simplexe (SD - Simplex Dominance) : Une propriété structurelle d'une fonction agrégatrice dépendante des marges, $\Phi(x_1, \dots, x_n) = \sum x_i \log F_{X_i}(x_i)$.
• Dualité : L'analyse est étendue par symétrie (réflexion) aux variables bornées supérieurement, établissant une dualité entre les régimes de sous-additivité et de sur-additivité.

3. Contributions Clés et Résultats Principaux

A. Impossibilité de la Sous-Additivité (Théorème 2.2)
Pour des variables aléatoires non négatives (support $[0, \infty)$), l'article établit un théorème d'impossibilité fort :

• La sous-additivité de la VaR à tous les niveaux de confiance est équivalente à l'additivité exacte.
• Cette additivité exacte ne peut se produire que si le vecteur aléatoire est co-monotone (dépendance positive extrême).
• Implication : Dans le cadre des risques positifs, il est impossible d'obtenir une diversification bénéfique (réduction du risque par la VaR) sauf si les actifs se déplacent parfaitement à l'unisson. Toute autre structure de dépendance conduit à une violation de la sous-additivité. Ce résultat généralise les travaux d'Imamura et Kato (2025) en supprimant l'hypothèse d'intégrabilité.

B. Caractérisation de la Sur-Additivité (Théorème 3.5)
L'article fournit une caractérisation complète de la sur-additivité de la VaR (où la diversification échoue et le risque agrégé dépasse la somme des risques) via deux conditions structurelles :

1. Condition de Dépendance (NSD) : La distribution conjointe doit satisfaire $F_S(t) \le \prod F_{X_i}(t)$. Cela généralise la dépendance de l'orthant inférieur négatif (NLOD) mais est plus faible et plus flexible.
2. Condition de Marge (SD) : La fonction $\Phi(x) = \sum x_i \log F_{X_i}(x_i)$ doit être "simplex dominante". Une condition suffisante pratique est que chaque fonction $\phi_i(x) = x \log F_{X_i}(x)$ soit non croissante.

C. Conditions Sufficientes et Exemples (Propositions 3.6 à 3.13)

• L'auteur montre que la condition de non-croissance de $\phi_i$ implique que les variables doivent avoir une espérance infinie (Proposition 3.12).
• Plusieurs distributions classiques à queues lourdes (Fréchet, Pareto II, Lévy, Inverse-Gamma) satisfont ces conditions sous des contraintes spécifiques sur leurs paramètres (ex: paramètre de forme $\alpha \le 1$ pour Pareto).
• L'article fournit des exemples où la sur-additivité persiste même si la dépendance n'est pas NLOD (mais NSD) ou si les fonctions marginales ne sont pas globalement non croissantes, démontrant la robustesse du cadre NSD/SD.

D. Généralisation aux Endpoints Arbitraires (Section 4)
Les résultats sont étendus aux variables bornées inférieurement ($a_i > -\infty$) et supérieurement ($b_i < \infty$) :

• Pour des variables bornées inférieurement, la sous-additivité stricte est impossible (seule l'additivité co-monotone est possible).
• Pour des variables bornées supérieurement, la sur-additivité stricte est impossible (seule l'additivité co-monotone est possible).
• Cela crée une dichotomie stricte : la VaR est structurellement incompatible avec la diversification dans les régimes bornés inférieurement, mais naturellement sujette à la sur-additivité dans les régimes non bornés (ou bornés supérieurement après réflexion).

4. Signification et Impact

• Théorique : L'article résout le problème de la caractérisation de l'agrégation de la VaR sur l'ensemble du spectre des probabilités, et non seulement dans les queues extrêmes. Il clarifie que la sur-additivité n'est pas un artefact pathologique, mais une conséquence naturelle de l'interaction entre des structures de dépendance négative spécifiques (NSD) et des comportements de queues lourdes (SD).
• Pratique :
  • Pour les assureurs et les gestionnaires de risques, ces résultats indiquent que chercher une VaR sous-additive pour des risques positifs (comme les pertes d'assurance) est vain sauf en cas de co-monotonie parfaite.
  • Le cadre proposé offre des critères vérifiables (via les taux de hasard inversés ou les paramètres de forme) pour détecter quand la diversification échouera, ce qui est crucial pour la gestion du capital réglementaire (Bâle III/IV, Solvabilité II) face aux risques de queues lourdes et de dépendances négatives complexes.
  • La généralisation aux bornes finies permet d'appliquer ces résultats à des produits financiers avec des plafonds de paiement ou des franchises.

En conclusion, cet article établit une frontière nette entre les régimes où la VaR agit comme une mesure de risque favorisant la diversification et ceux où elle l'ignore, en fournissant un cadre mathématique unifié basé sur les concepts de NSD et de SD.