I.II.3 MESURE DU RISQUE EXTRæME
I.II.3.1 THÉORéME DE FISHER-TIPPET
Théorème Fisher-Tippet:
Si pour une distribution G non connue, l'échantillon
des maxima normalisés converge en loi vers une distribution non
dégénérée, alors il est équivalent de dire
que G est dans le MDA de la GEV Hî
A partir des données de prix traitées de
façon journalière lors de la crise de Subprimes, nous supposons
avoir une suite première d'observations X1, X2,
É , Xn issue d'une fonction de distribution inconnue
F27. Cet échantillon peut être séparé en
k blocs28 disjoints de même longueur s. Les
données
X1(1),X2(1),...,X!(1),
i = 1, É, k sont de natures indépendantes et
identiquement identifiées avec comme fonction de
distribution F. Nous nous attachons à conna»tre les maxima
de ces k blocs comme:
Y S = max(X1 ,
X2 ,..., Xs ) Qui agence la base de
ce qui sera notre échantillon de données supposées
indépendante
Y!!,Y!!,...,Y,!. La loi
fondamentale à la modélisation des
maxima est la Generalized Extreme Value (GEV) définie par
la fonction de répartition suivante:
!
exp( (1+ x)
H ! (x) =
si
= 0
exp( e x)
27 A ce stade, aucune hypothèse n'est
présupposée
33
28 Un bloc peut correspondre à un mois, un an,
etc.
Oü x est tel que 1+ x > 0. est le
paramètre de forme. La GEV rassemble
trois distributions particulières:
§? Si >0, la loi de Fréchet (Type
I):
(x) = G1
k
|
x 1
( 1
|
0 x 0
) = exp( x k) x > 0
|
|
k
!
§? Si <0, la loi de Weibull (Type
II):
(x) = G
1
k
|
x 1
( 1+
|
exp( x k) x 0
) =
1 k > 0
|
|
k
|
|
§? Si =0, la loi de Gumbel (Type III):
(x)= G0(x)= exp( e
x)
|
|
|
Ainsi, nous avons exposé sur les graphiques
correspondant à chaque itération deux
paramètres29 : Le paramètre de localisation 4u et
celui de
x u
dispersion o>0. La GEV prend alors la forme de : H !
(x) = H ! ( )
,u,
La démonstration fondamentale de la modélisation
des maximas est celui de Fisher-Tippet30. Supposons que nous
ayons deux suites d'entiers réels tel
que a >0 et b · tel que :
!
ai
1(Yis bi) H P {
ai 1(Y bi) y}=
Fs(aiy+bi)
H(y)
Avec H, une loi non
dégénérée.
ai 1(Yis
bi), et Pour s?8, les k maxima
normalisés. Alors, F est dans le
Çmaximum domain of attraction È (MDA)
de H, que nous pouvons écrire plus formellement
par F?MDA(H).
Fisher-Tippet montre alors que F?MDA(H) si, et seulement si,
H est du
type de H ! . La GEV est donc la seule distribution
limite non dégénérée
29 Les paramètres .i et a peuvent
également s'écrire respectivement et
30 Démontré en 1928
35
pour un échantillon de maxima normalisé. Nous
obtenons alors une méthode simple de sélection de forme F.
Le tableau ci-joint souligne quelles distributions sont associées
aux lois de la GEV.
TAB: MDA
Gumbel Fréchet Weibull
Normale Cauchy Uniforme
Exponentielle Pareto Beta
Lognormale Student
Gamma
|