Copules et dépendance de queue en finance
Découvrez comment les copules séparent les distributions marginales de la dépendance, pourquoi la corrélation ne suffit pas pour les extrêmes conjoints, en quoi la dépendance de queue diffère selon les familles de copules et comment valider l'agrégation du risque
Réponse directe
Une copule assemble des distributions marginales en une distribution jointe et isole leur structure de dépendance. La dépendance de queue mesure si des résultats extrêmes restent susceptibles de se produire ensemble lorsque le seuil s'éloigne. Une simple correspondance de la corrélation ordinaire peut donc manquer les pertes conjointes qui dominent le risque du portefeuille
Le risque joint comporte deux ingrédients distincts
Chaque actif possède une distribution marginale qui décrit ses propres résultats, tandis qu'une structure de dépendance détermine la manière dont leurs rangs de probabilité surviennent ensemble
Deux portefeuilles peuvent partager les mêmes distributions individuelles de pertes et les mêmes corrélations linéaires tout en ayant des probabilités de krach conjoint très différentes
Les copules rendent cette séparation explicite, mais les marges et la copule choisies doivent tout de même être estimées de façon suffisamment conjointe pour éviter de dissimuler des erreurs dans l'une ou l'autre couche
Le théorème de Sklar fournit le lien
Pour une distribution jointe F de marges F_1,…,F_d, le théorème de Sklar écrit F(x_1,…,x_d)=C(F_1(x_1),…,F_d(x_d))
Lorsque les marges sont continues, la copule C est unique et ne change pas sous des transformations strictement croissantes des variables
Cette invariance rend naturelle la dépendance fondée sur les rangs, mais elle n'implique pas que la dépendance soit constante dans le temps ou entièrement identifiée à partir de données limitées
La corrélation ne spécifie pas les queues conjointes
La corrélation de Pearson résume la co-mobilité linéaire autour de toute la distribution et est sensible à l'échelle marginale et aux valeurs aberrantes
Même le tau de Kendall ou le rho de Spearman, bien que fondés sur une copule pour des marges continues, font la moyenne de la dépendance au lieu de décrire uniquement le coin extrême
Un modèle peut donc ajuster correctement la co-mobilité ordinaire tout en attribuant une probabilité beaucoup trop faible aux pertes sévères simultanées
La dépendance de queue se concentre sur le coin extrême
La dépendance de queue supérieure est λ_U=lim_{q→1}P(V>q|U>q), et la dépendance de queue inférieure est λ_L=lim_{q→0}P(V≤q|U≤q), lorsque les limites existent
Pour les variables de perte, le coin pertinent dépend de la convention de signe ; les krachs des rendements actions se trouvent généralement dans la queue inférieure, tandis que les amplitudes positives de pertes se trouvent dans la queue supérieure
Un coefficient nul signifie une indépendance asymptotique de queue, et non une indépendance à tout seuil élevé mais fini
Les familles de copules impliquent des crises différentes
Une copule gaussienne non dégénérée a une dépendance de queue asymptotique nulle malgré une corrélation positive, tandis qu'une copule t a une dépendance de queue positive et symétrique lorsque le nombre de degrés de liberté est fini
Clayton accentue la dépendance de queue inférieure et Gumbel la dépendance de queue supérieure ; faire pivoter ou transformer les variables change donc le coin financier représenté
Choisir une famille parce qu'elle est familière sélectionne silencieusement une géométrie de crise, notamment sa symétrie, sa concentration et le comportement de ses extrêmes conditionnels
L'estimation doit inclure les marges et le régime
Filtrez la dynamique sérielle et la volatilité lorsque cela est approprié, transformez les résidus calibrés en rangs de probabilité et vérifiez si ces rangs sont proches de l'uniformité
Estimez les paramètres de la copule avec leur incertitude et comparez les familles au moyen de diagnostics pondérés par la queue, de vraisemblances hors échantillon et de graphiques d'excédances conditionnelles
Les échantillons courts contiennent très peu d'extrêmes conjoints, tandis que regrouper de longues histoires peut mélanger des régimes incompatibles et créer une fausse précision
L'agrégation du risque a besoin de diversité de modèles
Recalculez la VaR du portefeuille, la perte attendue, les pertes sous stress et la diversification avec plusieurs marges crédibles, copules et spécifications variables dans le temps
Backtestez les dépassements conjoints et les échecs conditionnels plutôt que de valider séparément chaque actif ou de faire correspondre uniquement une matrice de corrélation
Présentez la dépendance à seuil fini en même temps que les coefficients asymptotiques, car les décisions pratiques de capital interviennent avant la limite mathématique
Questions fréquentes
Qu'est-ce qu'une copule en finance ?
C'est une fonction qui assemble les distributions individuelles des actifs en une distribution multivariée tout en représentant leur structure de dépendance
Qu'est-ce que la dépendance de queue ?
C'est la probabilité conditionnelle limite qu'une variable soit extrême lorsqu'une autre est extrême dans la même queue sélectionnée
Pourquoi la corrélation ne suffit-elle pas pour le risque d'un portefeuille ?
Des structures de dépendance différentes peuvent partager une corrélation tout en attribuant des probabilités très différentes aux pertes extrêmes simultanées
Une copule gaussienne n'a-t-elle aucune dépendance de krach ?
Elle a une dépendance de queue asymptotique nulle lorsque la corrélation est inférieure à un, mais peut tout de même présenter une dépendance importante à des seuils finis