L'expansion de Cornish–Fisher pour les quantiles de risque
Comprenez comment Cornish–Fisher ajuste les quantiles normaux avec des cumulants, en quoi elle diffère d'Edgeworth et pourquoi les estimations du risque de queue nécessitent des contrôles de monotonie et de stabilité
Réponse directe
L'expansion de Cornish–Fisher approxime les quantiles d'une distribution en corrigeant un quantile normal de référence avec des cumulants standardisés. Elle peut traduire l'asymétrie et l'aplatissement en ajustements de scénarios ou de VaR, mais une formule tronquée peut produire des quantiles croisés et des estimations peu fiables dans la queue extrême
Le résultat est un quantile, pas une densité
Pour une probabilité p, posons z_p=Φ^{-1}(p), le quantile de la loi normale standard
Cornish–Fisher ajuste z_p, puis remet le résultat à l'échelle avec la moyenne cible μ et l'écart type σ
Elle répond au seuil correspondant à p, et non à la densité ou à la perte attendue au-delà de ce seuil
L'asymétrie et l'aplatissement créent les premières corrections
Avec l'asymétrie standardisée γ₁ et l'excès d'aplatissement γ₂, une troncature courante commence par z_p+γ₁(z_p²−1)/6
Elle ajoute ensuite γ₂(z_p³−3z_p)/24−γ₁²(2z_p³−5z_p)/36 avant de multiplier par σ et d'ajouter μ
Le terme γ₁² montre que l'ordre asymptotique ne revient pas simplement à ajouter une correction pour chaque moment d'ordre supérieur
L'expansion provient d'une inversion asymptotique
Cornish–Fisher peut être dérivée en inversant une approximation d'Edgeworth d'une distribution cumulative
Edgeworth approxime une densité ou une CDF en x ; Cornish–Fisher approxime le x qui atteint une probabilité cumulative choisie
Les deux nécessitent une suite asymptotique déclarée et une mise à l'échelle des cumulants si leur troncature doit avoir un ordre contrôlé
Les applications de risque nécessitent la bonne mesure
Une estimation fondée sur les rendements physiques peut ajuster des scénarios de VaR historiques ou prévisionnels, tandis que les cumulants implicites des options décrivent une distribution neutre au risque
Ces deux données répondent à des questions différentes et ne doivent pas être mélangées simplement parce qu'elles utilisent les mots asymétrie et aplatissement
Cornish–Fisher fournit un seuil, mais pas une perte attendue, laquelle dépend de toute la distribution des pertes au-delà de ce seuil
Les quantiles peuvent se croiser ou évoluer à rebours
La correction polynomiale croît rapidement pour de grandes valeurs de |z_p| et peut faire diminuer un quantile estimé lorsque p augmente
Une forte asymétrie ou un fort aplatissement peut également placer l'approximation en dehors du support de la variable ou inverser l'ordre attendu des queues
Un réarrangement monotone peut réparer numériquement l'ordre, mais la courbe réparée n'est plus l'expansion tronquée intacte
Les cumulants estimés ajoutent une autre couche d'erreur
L'asymétrie et l'aplatissement de l'échantillon sont bruités et sensibles aux valeurs aberrantes, au choix de la fenêtre, aux changements de régime et à la dépendance
Utiliser des données estimées comme si elles étaient connues ignore l'incertitude des paramètres, qui peut dominer la correction asymptotique formelle
Les probabilités de queue extrême amplifient à la fois l'erreur sur les coefficients et l'erreur de troncature, précisément là où les décisions de risque sont les plus importantes
La validation teste les quantiles comme une courbe
Vérifiez q(p) sur une grille dense de probabilités pour la monotonie, les valeurs finies, les contraintes de support et un comportement raisonnable aux extrémités
Comparez avec des distributions exactes, des simulations, des intervalles bootstrap et des taux de dépassement hors échantillon à plusieurs niveaux de probabilité
Consignez la convention de cumulants, l'horizon d'échantillonnage, le traitement de la dépendance, l'ordre de troncature, la méthode de réparation et le calcul séparé de la perte attendue
Questions fréquentes
Qu'estime l'expansion de Cornish–Fisher ?
Elle estime un quantile choisi à partir d'un quantile normal de référence et de corrections faisant intervenir l'asymétrie, l'aplatissement et des cumulants d'ordre supérieur
En quoi Cornish–Fisher diffère-t-elle d'Edgeworth ?
Edgeworth approxime une densité ou une CDF en une valeur, tandis que Cornish–Fisher approxime la valeur associée à une probabilité choisie
Cornish–Fisher peut-elle calculer la perte attendue ?
Pas à elle seule. La perte attendue nécessite la perte moyenne au-delà du quantile, qui n'est pas déterminée par un seuil corrigé unique
Pourquoi les quantiles de Cornish–Fisher peuvent-ils se croiser ?
Les corrections polynomiales tronquées peuvent croître et osciller dans les queues, rendant la fonction de quantile approximative non monotone