La théorie des valeurs extrêmes et l'indice de queue
Comprenez les limites des valeurs extrêmes, les classes de queue GEV, l'indice de queue, l'estimation du seuil, le regroupement et la manière dont l'EVT extrapole la VaR et l'Expected Shortfall au-delà des pertes observées
Réponse directe
La théorie des valeurs extrêmes étudie le comportement limite d'observations exceptionnellement grandes ou petites au lieu d'ajuster le centre d'une distribution. Son indice de queue décrit la vitesse de décroissance des probabilités extrêmes, mais une utilisation fiable dépend de données de queue suffisantes, de seuils stables, du traitement de la dépendance et de diagnostics
Les extrêmes exigent leurs propres asymptotiques
Le raisonnement de la limite centrale décrit des sommes normalisées, tandis que l'EVT étudie les maxima, les minima ou les dépassements au-dessus d'un seuil élevé
Un modèle qui ajuste bien les rendements ordinaires peut tout de même attribuer des probabilités très erronées aux krachs, car le centre contient peu d'information sur la queue éloignée
L'EVT restreint les formes de queue limites possibles, mais elle ne rend pas un échantillon fini suffisamment extrême et ne supprime pas la non-stationnarité du marché
La famille GEV unifie les limites des maxima
Pour des maxima par blocs M_n, toute limite normalisée non dégénérée doit appartenir à la famille des valeurs extrêmes généralisées dans les conditions classiques du domaine d'attraction
Sa distribution peut s'écrire G(z)=exp{−[1+ξ(z−μ)/σ]^(−1/ξ)} lorsque le terme entre crochets est positif, avec une limite de Gumbel continue pour ξ=0
La position μ fixe le niveau, l'échelle σ la dispersion et la forme ξ détermine la classe de queue limite
L'indice de queue contrôle l'extrapolation
Lorsque ξ>0, la classe de Fréchet possède une queue lourde de type loi de puissance ; ξ=0 donne la classe de Gumbel ; ξ<0 donne une borne supérieure finie dans la classe de Weibull
Dans la notation des queues lourdes, l'exposant de puissance est souvent α=1/ξ, de sorte que « indice de queue » peut désigner ξ ou α selon le domaine
Cette convention doit être précisée, car une valeur plus grande de ξ signifie une queue plus lourde, tandis qu'une valeur plus grande de α signifie une queue de loi de puissance plus légère
L'estimation dépense des observations de queue rares
Les estimateurs de Hill, de Pickands, des moments pondérés par les probabilités et du maximum de vraisemblance utilisent des portions ou des résumés différents des observations les plus grandes
Utiliser trop peu d'extrêmes produit une variance élevée ; en utiliser trop introduit des observations centrales qui peuvent biaiser l'approximation de la queue
Une estimation de l'indice de queue sans ses statistiques d'ordre sélectionnées, sa règle de seuil, son intervalle d'incertitude et son chemin de stabilité est incomplète
La dépendance peut regrouper les pertes extrêmes
Les rendements financiers ne sont pas indépendants et identiquement distribués : les régimes de volatilité peuvent rapprocher plusieurs pertes importantes
L'indice extrémal résume le regroupement sous une dépendance stationnaire appropriée, des valeurs inférieures à un indiquant moins d'extrêmes effectivement indépendants
Filtrer la volatilité ou décluster peut aider, mais les deux approches ajoutent des hypothèses et peuvent effacer une persistance réelle de crise si elles sont appliquées mécaniquement
L'EVT étend les mesures de risque au-delà de l'échantillon
Une fois le modèle de queue et le taux de dépassement estimés, les quantiles élevés peuvent étendre la VaR au-delà de la plus grande perte habituellement observée
L'Expected Shortfall exige une moyenne de queue finie ; pour une queue lourde de Pareto généralisée, cela nécessite ξ<1, et les moments d'ordre supérieur exigent des restrictions encore plus fortes
L'incertitude d'extrapolation augmente rapidement avec la distance au seuil, de sorte qu'afficher davantage de décimales ne crée pas davantage d'information
Les diagnostics priment sur un seul nombre ajusté
Examinez les graphiques de moyenne des excès, de stabilité des paramètres, des quantiles, des probabilités et des niveaux de retour pour différents seuils ou tailles de blocs plausibles
Répétez les estimations selon les fenêtres, les filtres, les règles de déclustering, les estimateurs et les exclusions de crise, en conservant une piste d'audit de chaque choix
Utilisez l'EVT avec l'analyse de scénarios et les tests de stress structurels, car des mécanismes sans précédent ne ressemblent pas nécessairement à une version agrandie des extrêmes historiques
Questions fréquentes
Qu'est-ce que la théorie des valeurs extrêmes ?
C'est la théorie asymptotique des maxima, des minima et des dépassements de seuil élevé d'un échantillon, utilisée pour modéliser les résultats rares de la queue
Que mesure l'indice de queue ?
Il décrit la décroissance de la queue et l'extrapolation des extrêmes ; vérifiez toujours si la source utilise ξ ou l'exposant de puissance réciproque α
Un indice de queue positif signifie-t-il davantage de risque ?
Pour la forme EVT ξ, des valeurs positives indiquent une queue lourde et non bornée, et des valeurs plus grandes impliquent une décroissance plus lente et une extrapolation plus sévère
L'EVT peut-elle prédire le prochain krach de marché ?
Non. Elle estime les probabilités de queue sous un régime et des hypothèses ajustés, mais pas le moment, la cause ou la taille exacte du prochain krach