I.II.2 1 ÉTUDES FONDAMENTALES
Concernant la loi faible des grands nombres, rappelons
cependant les études fondamentales permettant de lier la théorie
fondée sur le comportement asymptotique de la distribution d'une somme
de variable aléatoire et celui de la distribution du maximum et du
minimum.
25 Voir Embrechts, Kluppelberg, Mikosch et Beirlant,
Goegebeur, Segers, Teugels pour plus d'approfondissements.
Soit X une variable aléatoire appartenant au
domaine d'attraction d'une fonction D(G ) avec (0,2) et
(bn) une suite croissante de nombre R
telle que P(X > bn) ~ 1
, F1 = X1 et Fn = max(X1,
X2,..., Xn),n > 2 , alors
n
lim P(Yn >
bnxn) = lim P(Yn >
bnxn) =1
n nP(X > bnxn) n
nP(Fn > bnxn)
Cela nous permet de conna»tre la probabilité,
pour un nombre n grand, du dépassement d'un seuil x
par l'ensemble de la composition d'une suite de n variables
aléatoires. Lorsqu'une de ces variables se présente de facon
extreme par rapport aux valeurs prises par chacun des autres
éléments de la suite, nous considérons que le seuil x
a été franchi. Ceci caractérise
l'événement rare dont nous cherchons à étudier la
distribution.
I.II.2.2 LOIS DES MAXIMA : RÉSULTAT EXACTS
Le phénomène empirique suit une marché
aléatoire, mesuré par une variable X, décrivant
l'évolution du prix d'un actif financier. La variable aléatoire
X présente la rentabilité logarithmique. Nous
dénommons
· gX la fonction de densité
notée [l, u ]
· GX la fonction de répartition
de probabilité de la variable aléatoire X. Soit X1,
X2,É, X suite de variables aléatoires aux dates 1, 2 n
. Nous
n une É,
écrivons Fn la rentabilité
maximum et fn le minimum, dont ceux-ci observées sur
n séances boursières. Dans la suite de notre
mémoire de recherche, nous traiterons les résultats ne concernant
que le maximum (Fn), car ceux obtenus au minimum
(fn) s'en déduisent en considérant la
série opposée X1, X2,...,
Xn, démontrée par l'équation
suivante:
fn(X)Min(X1,
X2,..., Xn)
= Max( X1,
X2,..., Xn) Fn(
X)
Si les cours suivent une marche aléatoire
Pt+1 = Pt + de variable
X1, X2,É,
t+1 .
Xn indépendamment, alors les
distributions du maximum Fn sont
conférées parGFn (x) = [
GX (x)]n. Les
propriétés statistiques du maximum dépendent de
GX pour les grandes valeurs de x. En ce qui
concerne les autres valeurs de x, l'influence de
GX(x) se révèle être de moins en moins
important avec n. C'est donc dans les queues de distribution de
X, par définition synonymes d'extrême, que nous allons
nous pencher dans cette étude. Nous pouvons en déduire la forme
de la loi limite de Fn en faisant tend re n vers
l'infini et en se servant de la formule. La fonction de répartition
x < u = 0 et x > u =1 . Dans ce cas,
la loi limite est dégénérée parce qu'elle se
réduit à une masse de Dirac26 portée en
u. Toutefois, les formules présentées ci-dessus
présentent un intérêt limité. La loi de la variable
X est rarement connue précisément en pratique, ainsi que
la loi du terme maximum. Nonobstant, même si la loi de la variable X
est exactement connue, le calcule de Fn peut
être vecteur de difficulté. Dépossédée
d'expression analytique, la distribution d'une variable normale se
révèle être une intégrale incalculable.
nème
Sa puissance nous conduit à de sérieux
problèmes numériques que ce
soit pour les grandes valeurs de n ou de x.
C'est pour ces différentes raisons que nous sommes astreints à
étudier le comportement asymptotique du terme maximum
FnÕ.
Cependant, Il existe deux théorèmes distincts
capables de contourner le problème de
dégénérescence. Selon la méthode employée,
il s'agit du théorème de Fisher-Tippet et du
Théorème Balkema-de Haan-Picklands. Nous allons rentrer dans les
détails dans la section suivante.
26 Dans une masse de Dirac, mesuré a partir
d'un espace (X,) et un point a dans X, tel que A
,( a(A) =1 si a A et
a(A)=0 si a A.
|