Ficha de revisão: Modélisation et gestion des risques extrêmes

📋 Plan du Cours

1. Théorie des Jeux
2. Équilibre de Nash
3. Valeur-at-Risk (VaR)
4. Expected Shortfall (ES)
5. Lois GEV
6. Méthode POT
7. Distribution Pareto
8. Statistiques extrêmes
9. Application risques financiers
10. Simulation GEV

📖 1. Théorie des Jeux

🔑 Notions clés & Définitions

Équilibre de Nash (selon Nash, 1950) : un profil de stratégies (s₁, s₂) où aucun joueur ne peut améliorer son gain en changeant unilatéralement sa stratégie, c’est-à-dire que chaque stratégie est une meilleure réponse à celle de l’autre.

Méthode de résolution en stratégies pures : procédure consistant à rechercher les stratégies où chaque joueur choisit une seule action, en identifiant celles qui satisfont la condition d’équilibre de Nash en examinant les gains pour chaque stratégie.

Exemple de jeu à équilibre de Nash pur : un jeu où l’équilibre de Nash se trouve dans une stratégie où chaque joueur adopte une stratégie déterminée (purs), comme illustré par le profil (B, L) dans le jeu présenté.

Recherche d'équilibre de Nash mixte : méthode visant à déterminer des stratégies probabilistes où chaque joueur joue différentes stratégies avec certaines probabilités, notamment lorsque aucun équilibre pur n’est trouvé.

Schéma récapitulatif de la stratégie mixte : représentation graphique ou tableau synthétique permettant de visualiser ou calculer les probabilités avec lesquelles chaque joueur doit jouer ses stratégies pour atteindre un équilibre de Nash mixte.

📝 Points essentiels

• L’équilibre de Nash n’est pas nécessairement le meilleur résultat pour les joueurs (cf. dilemme du prisonnier) et peut exister en stratégies pures ou mixtes.
• La méthode de résolution en stratégies pures consiste à souligner les meilleures réponses dans chaque ligne et colonne pour identifier les EN purs.
• Lorsqu’aucun EN pur n’est trouvé, on cherche un EN mixte en résolvant l’indifférence entre stratégies, comme illustré dans l’exemple du jeu.
• La recherche d’un EN mixte implique de déterminer des probabilités p et q pour chaque stratégie, en utilisant des conditions d’indifférence pour chaque joueur.
• La stratégie mixte est souvent représentée par un schéma ou un tableau synthétique pour faciliter la compréhension et le calcul.

💡 À retenir

L’équilibre de Nash, qu’il soit pur ou mixte, représente une situation stable où aucun joueur n’a intérêt à dévier unilatéralement, mais il ne garantit pas toujours le résultat optimal pour tous. La recherche de stratégies mixtes permet de résoudre les jeux sans équilibre pur évident.

📖 2. Équilibre de Nash

🔑 Notions clés & Définitions

• Équilibre de Nash (EN) : Un profil de stratégies (s∗₁, s∗₂) où aucun joueur ne peut améliorer son gain en déviant unilatéralement. (Nash, 1950) : "Un profil d’équilibre où chaque stratégie est la meilleure réponse à celles des autres."
• Stratégie pure : Une stratégie déterminée où un joueur choisit une action spécifique. La méthode de résolution en stratégies pures consiste à rechercher des EN purs en identifiant les meilleures réponses.
• Stratégie mixte : Une stratégie où un joueur choisit une action selon une probabilité. La recherche d’EN mixtes implique de rendre les autres joueurs indifférents entre plusieurs stratégies. (Nash, 1950) : "Les stratégies mixtes permettent d’équilibrer les jeux où aucune stratégie pure ne constitue un EN."
• Meilleure réponse : La stratégie qui maximise le gain d’un joueur en fonction de la stratégie de l’autre. La méthode consiste à souligner dans la matrice de jeu les meilleures réponses pour identifier les EN purs.
• Indifférence stratégique : Situation où un joueur ne préfère aucune stratégie particulière, car toutes lui offrent le même gain dans le contexte d’un EN mixte. La probabilité d’utilisation de chaque stratégie est alors déterminée par cette indifférence.

📝 Points essentiels

• L’Équilibre de Nash n’est pas nécessairement optimal pour tous les joueurs (cf. dilemme du prisonnier). Il peut exister plusieurs EN purs ou mixtes, ou aucun.
• La méthode de résolution en stratégies pures consiste à souligner les meilleures réponses dans la matrice de jeu : les cases où les gains sont mutuellement optimaux sont des EN purs.
• Lorsqu’aucun EN pur n’existe, on cherche un EN mixte en déterminant des probabilités p et q pour chaque stratégie, afin d’assurer l’indifférence des joueurs.
• La stratégie mixte permet de stabiliser le jeu en rendant chaque joueur indifférent entre plusieurs stratégies, ce qui peut conduire à un équilibre en probabilités.

💡 À retenir

L’Équilibre de Nash est un concept central en théorie des jeux où chaque joueur optimise sa stratégie en réponse à celles des autres, sans possibilité d’amélioration unilatérale, mais il ne garantit pas toujours le meilleur résultat collectif.

📖 3. Valeur-at-Risk (VaR)

🔑 Notions clés & Définitions

• Expected Shortfall (ES) / Tail Value-at-Risk (TVaR) : Mesure de risque cohérente qui représente la moyenne des pertes au-delà d’un seuil de VaR à un niveau α. Elle donne une estimation de la gravité des pertes extrêmes, contrairement à la VaR qui ne fournit que le seuil de pertes à un quantile donné.
• Formule intégrale de la TVaR :
  $ \text{TVaR}\alpha(L) = \frac{1}{1 - \alpha} \int\alpha^1 \text{VaR}_u(L) , du $
  Elle exprime la moyenne des VaR pour tous les niveaux u supérieurs à α.
• Définition alternative : Conditional Tail Expectation (CTE) : Espérance conditionnelle de la perte L étant donné qu’elle dépasse le VaR à un niveau α, soit :
  $ \text{CTE}\alpha(L) = E[L \mid L \geq \text{VaR}\alpha(L)] $
  Elle coïncide avec la TVaR si la distribution est continue en VaRα.
• Propriétés de cohérence de la TVaR : La TVaR est sous-additive, ce qui signifie qu’elle respecte la propriété de cohérence en gestion des risques, contrairement à la VaR qui peut ne pas l’être. La cohérence implique que la diversification réduit le risque mesuré par la TVaR.
• Comparaison entre VaR et TVaR : La VaR est une quantile, non cohérente, qui ne tient pas compte de la gravité des pertes extrêmes, tandis que la TVaR intègre cette gravité en moyennant les pertes au-delà du seuil, ce qui la rend cohérente et plus informative pour la gestion des risques extrêmes.

📝 Points essentiels

• La VaR au seuil α est le quantile de la distribution de la perte, défini par :
  $ \text{VaR}_\alpha(L) = \inf { x \in \mathbb{R} : P(L \leq x) \geq \alpha } $
• La TVaR ou ES est une mesure cohérente, contrairement à la VaR, et elle est souvent préférée pour évaluer les risques extrêmes. La formule intégrale permet d’obtenir la moyenne des VaR pour tous les niveaux u entre α et 1.
• La définition alternative (CTE) insiste sur l’espérance conditionnelle de la perte, ce qui la rend plus sensible à la gravité des pertes extrêmes.
• La cohérence de la TVaR, prônée par Artzner et al. (1999), garantit que la diversification diminue le risque mesuré, ce qui n’est pas toujours le cas pour la VaR.
• La distinction entre TVaR et CTE réside dans le fait que la TVaR est une moyenne intégrée sur l’ensemble des quantiles, alors que le CTE est une espérance conditionnelle spécifique à un seuil.

💡 À retenir

La TVaR (Expected Shortfall) est une mesure de risque cohérente qui prend en compte la gravité des pertes extrêmes, contrairement à la VaR, et elle est privilégiée pour une gestion prudente des risques financiers et assurantiels.

📖 4. Expected Shortfall (ES)

🔑 Notions clés & Définitions

• Théorème de Fisher-Tippett-Gnedenko : Ce théorème stipule que, pour une suite de variables aléatoires i.i.d., la distribution de la valeur extrême (maximum ou minimum) après normalisation converge vers une loi GEV, qui regroupe trois familles selon le paramètre de forme ξ.

• Définition de la loi GEV (Generalized Extreme Value) : La loi GEV est une famille de lois de probabilité qui modélise la distribution des valeurs extrêmes. Elle est caractérisée par un paramètre de forme ξ, un paramètre d’échelle σ > 0, et un paramètre de localisation μ, avec la fonction de répartition :
  $ G_\xi(x) = \exp \left( - \left[ 1 + \xi \frac{x - \mu}{\sigma} \right]^{-1/\xi} \right) $ pour $1 + \xi \frac{x - \mu}{\sigma} > 0$. En cas de ξ = 0, la loi devient une loi Gumbel :
  $ G_0(x) = \exp \left( - e^{-(x - \mu)/\sigma} \right) $

• Les trois familles de la GEV :

  • Gumbel (ξ = 0) : Modélise les extrêmes avec queues légères, par exemple, normales, exponentielles.
  • Fréchet (ξ > 0) : Modélise les queues lourdes, par exemple, distributions Pareto, Student, Cauchy.
  • Weibull (ξ < 0) : Modélise les distributions bornées, comme la distribution uniforme ou Beta.

📝 Points essentiels

• Le Théorème de Fisher-Tippett-Gnedenko justifie l’usage de la loi GEV pour modéliser la distribution des maxima ou minima d’échantillons i.i.d. lorsque la taille de l’échantillon tend vers l’infini.
• La loi GEV regroupe trois types de lois extrêmes selon la valeur du paramètre de forme ξ, permettant d’adapter la modèle aux queues lourdes, légères ou bornées.
• La famille Gumbel (ξ = 0) est souvent utilisée pour modéliser des extrêmes dans des distributions à queues légères, comme la normale ou la log-normale.
• La famille Fréchet (ξ > 0) est adaptée aux phénomènes avec queues lourdes, typiques des distributions Pareto ou Student.
• La famille Weibull (ξ < 0) concerne des distributions bornées, comme la distribution uniforme ou Beta.
• La méthode de simulation et d’ajustement de la GEV, notamment via le diagramme de Hill, permet d’estimer le paramètre ξ et de déterminer la famille adaptée pour les données extrêmes.
• La distribution de Pareto généralisée (GPD), selon le théorème de Pickands-Balkema-de Haan, est une approximation pour les excès au-delà d’un seuil élevé, en lien avec la famille Fréchet.

💡 À retenir

La loi GEV, issue du théorème de Fisher-Tippett-Gnedenko, permet de modéliser efficacement la distribution des extrêmes en regroupant trois familles selon le paramètre de forme ξ, essentiel pour l’analyse des queues lourdes, légères ou bornées.

📖 5. Lois GEV

🔑 Notions clés & Définitions

• Méthode de simulation pour la loi GEV : Technique consistant à générer un grand nombre d’échantillons simulés à partir d’une distribution GEV ajustée, puis à utiliser ces échantillons pour estimer ses paramètres, notamment le paramètre de forme ξ, en utilisant des méthodes statistiques comme l’ajustement par maximum de vraisemblance (voir application pratique de la simulation).

• Ajustement de la loi GEV : Processus statistique visant à déterminer les paramètres (μ, σ, ξ) d’une loi GEV à partir d’un ensemble de données extrêmes, souvent par la méthode du maximum de vraisemblance ou autres techniques d’estimation. La simulation permet de valider ou d’affiner cet ajustement.

• Diagramme de Hill : Outil graphique permettant d’estimer le paramètre de forme ξ d’une distribution à queue lourde (type Fréchet). Il trace l’estimateur de Hill ˆξk = (1/k) Σ_{i=1}^k [ln X_{(n-i+1)} - ln X_{(n-k)}] en fonction du nombre de statistiques d’ordre k, permettant d’identifier une zone de stabilité pour ξ.

📝 Points essentiels

• La méthode de simulation pour la loi GEV consiste à générer un grand nombre d’échantillons (ex. 10^6) à partir d’une distribution uniforme, puis à former des blocs pour extraire les maxima, qui sont ajustés à une loi GEV. Cette approche permet d’estimer précisément le paramètre de forme ξ, notamment pour identifier si la loi est de type Fréchet (ξ > 0).

• L’ajustement de la loi GEV est crucial pour modéliser les extrêmes, notamment dans le cadre de la théorie des valeurs extrêmes. La simulation permet de vérifier la cohérence de l’ajustement et d’obtenir une estimation fiable de ξ.

• Le diagramme de Hill est un outil graphique permettant d’estimer ξ en traçant l’estimateur ˆξk en fonction de k. La zone de stabilité (plateau) sur ce graphique indique une estimation fiable de ξ, notamment pour les queues lourdes.

• La zone de stabilité sur le diagramme de Hill correspond à une plage de k où l’estimateur ˆξk reste relativement constant, ce qui indique une estimation robuste du paramètre de forme ξ.

💡 À retenir

La méthode de simulation combinée à l’utilisation du diagramme de Hill permet d’estimer de manière fiable le paramètre de forme ξ de la loi GEV, essentiel pour modéliser et prévoir les extrêmes à queues lourdes. La zone de stabilité sur le diagramme de Hill indique la meilleure estimation de ξ, assurant la robustesse du modèle.

📖 6. Méthode POT

🔑 Notions clés & Définitions

• Théorème de Pickands-Balkema-de Haan : Ce théorème stipule que, pour un seuil élevé u, la distribution des excès au-delà de u, c’est-à-dire Y = X − u | X > u, peut être approximée par une distribution de Pareto Généralisée (GPD). Il justifie l’utilisation de la GPD pour modéliser les extrêmes au-delà d’un seuil élevé.

• Définition de la distribution Pareto généralisée (GPD) : La GPD, notée Hξ,β, est définie par la fonction de répartition $ H_{ξ,β}(y) = \begin{cases} 1 - \left(1 + \frac{ξ y}{β}\right)^{-1/ξ} & \text{si } ξ \neq 0 \ 1 - e^{-y/β} & \text{si } ξ = 0 \end{cases} $ avec y ≥ 0, où ξ est le paramètre de forme et β le paramètre d’échelle. Elle modélise la distribution des excès au-delà d’un seuil u.

• Méthode POT (Peak Over Threshold) : Approche pratique pour modéliser les extrêmes en suivant ces étapes :

  1. Explorer les données (moyenne, variance, kurtosis).
  2. Choisir un seuil u en utilisant le Mean Excess Plot pour assurer la stabilité des paramètres.
  3. Extraire les excès : Yi = Xi − u pour Xi > u.
  4. Ajuster une GPD sur ces excès via la méthode du maximum de vraisemblance.
  5. Estimer la VaR ou la TVaR par extrapolation à partir du modèle ajusté.

• Extrapolation de la VaR via la méthode POT : En utilisant la GPD ajustée, la VaR à un niveau α élevé est estimée par la formule $ \text{VaR}_\alpha = u + \frac{\beta}{ξ} \left[\left(\frac{n}{N_u}(1 - \alpha)\right)^{-ξ} - 1\right] $ où n est le nombre total d’observations, Nu le nombre de dépassements, et (ξ, β) les paramètres estimés.

📝 Points essentiels

• Le théorème de Pickands-Balkema-de Haan justifie l’utilisation de la GPD pour modéliser les excès au-delà d’un seuil élevé, permettant une extrapolation fiable des risques extrêmes.
• La distribution Pareto généralisée (GPD) est caractérisée par ses paramètres ξ (forme) et β (échelle), qui déterminent la queue de la distribution. La valeur de ξ indique si la queue est lourde (ξ > 0), légère (ξ < 0), ou exponentielle (ξ = 0).
• La méthode POT consiste à sélectionner un seuil u, puis à ajuster une GPD sur les excès pour modéliser et prévoir les pertes extrêmes. La stabilité des paramètres (ξ, β) est vérifiée via le Mean Excess Plot.
• La formule d’extrapolation de la VaR permet d’estimer des événements rares, comme un sinistre d’assurance qui arrive en moyenne une fois tous les 100 ans, en utilisant le modèle ajusté.

💡 À retenir

La méthode POT, en combinant le théorème de Pickands-Balkema-de Haan et l’ajustement d’une GPD, permet une modélisation efficace et cohérente des risques extrêmes, facilitant l’estimation de la VaR pour des événements rares.

📖 7. Distribution Pareto

🔑 Notions clés & Définitions

• Distribution Pareto : Loi de probabilité caractérisée par une queue lourde, souvent utilisée pour modéliser des phénomènes avec des extrêmes. Sa fonction de répartition est donnée par $ F(x) = 1 - \left(\frac{x_m}{x}\right)^{\alpha} $ pour $ x \geq x_m > 0 $, où $ \alpha > 0 $ est le paramètre d'indice de Pareto.
• Propriétés de la distribution Pareto : Elle possède une queue lourde avec une probabilité non négligeable de pertes extrêmes, et un moment d’ordre $ p $ existe si et seulement si $ p < \alpha $. Elle est souvent associée à des phénomènes d’inégalités économiques ou de risques extrêmes.
• Lien avec queue lourde (voir section 4) : La distribution Pareto est un exemple typique de queue lourde, caractérisée par une décroissance polynomial de la fonction de survie, ce qui implique une forte probabilité de pertes importantes.
• Utilisation dans la modélisation des excès au-delà d’un seuil (voir section 6) : La distribution Pareto généralisée (GPD) apparaît comme une approximation des excès au-delà d’un seuil élevé, selon le théorème de Pickands-Balkema-de Haan, permettant d’estimer les risques extrêmes dans la modélisation statistique.

📝 Points essentiels

• La distribution Pareto est fondamentale en statistiques extrêmes, notamment pour modéliser des queues lourdes où la probabilité d’événements extrêmes est significative.
• Son paramètre $ \alpha $ détermine la "lourdeur" de la queue : plus $ \alpha $ est faible, plus la queue est lourde, augmentant la probabilité de pertes extrêmes.
• La distribution Pareto est liée à la loi de Fréchet dans la théorie des valeurs extrêmes, où elle sert d’approximation pour la distribution des maxima dans des phénomènes avec queue lourde.
• La GPD, utilisée dans la méthode POT, est une généralisation de la Pareto, permettant d’ajuster la distribution des excès au-delà d’un seuil élevé pour l’estimation des risques extrêmes.

💡 À retenir

La distribution Pareto modélise efficacement les queues lourdes et est essentielle pour l’analyse des risques extrêmes, notamment dans la modélisation des pertes financières ou des phénomènes d’inégalités, en raison de sa capacité à représenter la probabilité non négligeable d’événements rares mais sévères.

📖 8. Statistiques extrêmes

🔑 Notions clés & Définitions

• Kurtosis (excess kurtosis) : Mesure de la "pointedness" ou de la "queue lourde" d'une distribution. Selon Pearson (1905), un kurtosis élevé indique des queues plus épaisses que la normale, traduisant une probabilité accrue de valeurs extrêmes. La kurtosis standard d'une distribution normale est de 3, mais l'excès de kurtosis est souvent utilisé, avec une valeur de 0 pour la normale.

• Skewness : Mesure de l'asymétrie d'une distribution, définie par Pearson (1905). Un skewness positif indique une queue plus longue ou plus lourde à droite, tandis qu'un skewness négatif indique une queue lourde à gauche. La skewness n'est pas directement liée aux queues lourdes mais indique la symétrie ou l'asymétrie.

• Queue lourde : Caractéristique d'une distribution où les extrêmes ont une probabilité significative, souvent associée à un kurtosis élevé (Pearson, 1905). Elle indique une forte probabilité de valeurs extrêmes, essentielle dans l'analyse des risques financiers et assurantiels.

• Règle pratique pour queues lourdes : Si le kurtosis d’un jeu de données est nettement supérieur à 3 (excess kurtosis ≫ 0), cela indique la présence de queues lourdes, suggérant une forte probabilité de valeurs extrêmes (source).

📝 Points essentiels

• La kurtosis mesure la "queue lourde" ou la "pointedness" d'une distribution, avec une valeur de 3 pour la normale. Un kurtosis élevé (excess kurtosis ≫ 0) indique que la distribution possède des queues épaisses, augmentant la probabilité d'événements extrêmes (Pearson, 1905).

• La skewness quantifie l'asymétrie. Un skewness positif indique une queue lourde à droite, ce qui est fréquent dans les distributions de pertes financières ou assurantielles.

• La règle pratique consiste à comparer le kurtosis à 3 : si celui-ci est beaucoup plus élevé, cela signale des queues lourdes, donc un risque accru de valeurs extrêmes.

• La présence de queues lourdes est un indicateur clé dans la gestion des risques extrêmes, notamment pour la modélisation des pertes extrêmes en finance et assurance.

💡 À retenir

Un kurtosis élevé (≫ 3) est un indicateur fiable de queues lourdes dans une distribution, signalant une forte probabilité de valeurs extrêmes, crucial pour l’évaluation des risques extrêmes. La skewness permet d’identifier l’asymétrie, mais c’est le kurtosis qui est principalement utilisé pour détecter les queues épaisses.

📖 9. Application risques financiers

🔑 Notions clés & Définitions

• Application de la VaR et ES aux risques financiers : Utilisation de ces mesures pour quantifier et gérer les pertes potentielles dans un portefeuille ou une institution financière, en intégrant notamment leur calcul dans la modélisation des risques de marché, crédit ou opérationnels.

• Extrapolation de la VaR pour sinistres d'assurance : Méthode consistant à estimer la VaR à des niveaux très élevés (ex. 1/100 ans) en utilisant des modèles statistiques comme la méthode POT et la loi GPD, afin d’évaluer les risques extrêmes non observés directement dans les données historiques.

• Importance de la cohérence des mesures de risque en finance : Principe selon lequel les indicateurs comme la VaR et l’ES doivent respecter des propriétés telles que la sous-additivité (cohérence), pour assurer une gestion efficace et fiable du risque, notamment en permettant la diversification et en évitant la sous-estimation des pertes extrêmes.

📝 Points essentiels

• La VaR est souvent utilisée pour déterminer le seuil de pertes maximales acceptables à un niveau de confiance donné, mais elle n’est pas cohérente en général, contrairement à l’ES (ou TVaR) qui est cohérente et tient compte de la sévérité des pertes au-delà du seuil de VaR (voir Artzner et al., 1999).

• L’extrapolation de la VaR à des niveaux très extrêmes, comme pour des sinistres rares en assurance, repose sur la théorie des valeurs extrêmes, notamment la loi GEV et la méthode POT, permettant d’estimer des pertes rares à partir de données disponibles en utilisant des lois de queue lourde (ex. loi de Pareto généralisée).

• La cohérence des mesures de risque, notamment la sous-additivité, est cruciale pour une gestion prudente et efficace, en particulier dans la modélisation des risques financiers où la diversification doit réduire le risque global.

• La loi GEV permet de modéliser la distribution des maxima d’échantillons i.i.d., avec ses trois familles (Gumbel, Fréchet, Weibull), facilitant l’évaluation des risques extrêmes en finance et assurance.

💡 À retenir

L’utilisation cohérente de la VaR et de l’ES, couplée à la modélisation par la loi GEV et la méthode POT, permet d’estimer efficacement les risques extrêmes en finance et assurance, notamment pour des événements rares et coûteux.

📖 10. Simulation GEV

🔑 Notions clés & Définitions

• Méthode de simulation pour la loi GEV : Technique consistant à générer un grand nombre d’échantillons simulés pour estimer et ajuster la distribution GEV, en utilisant des générateurs aléatoires et des transformations spécifiques (ex : générer des maxima de blocs d’échantillons).
• Application pratique de la simulation pour ajustement GEV : Processus d’utilisation des résultats simulés pour estimer les paramètres de la loi GEV (notamment le paramètre de forme ξ) en ajustant la loi aux maxima simulés via des méthodes d’estimation (ex : maximum de vraisemblance) avec des logiciels ou packages spécialisés (ex : evir en R, scipy.stats en Python).
• Utilisation de logiciels/packages pour ajustement GEV : Emploi d’outils informatiques dédiés permettant de réaliser la simulation, l’ajustement et la validation de la loi GEV sur des données simulées ou réelles, facilitant la modélisation des extrêmes (ex : package evir, scipy.stats).

📝 Points essentiels

• La méthode consiste à générer un grand nombre d’échantillons selon une distribution spécifique (ex : Y = 1/U^5 avec U ∼ U(0,1)) pour obtenir une distribution de maxima de blocs, puis à ajuster une loi GEV sur ces maxima.
• La simulation permet de confirmer la famille de la loi GEV (ex : Fréchet si ξ > 0) en analysant la distribution simulée et en estimant ses paramètres, notamment le paramètre de forme ξ.
• La procédure inclut la formation de blocs de taille fixe, le calcul du maximum de chaque bloc, puis l’ajustement d’une GEV à ces maxima à l’aide de logiciels spécialisés (ex : R, Python).
• Le diagramme de Hill est souvent utilisé pour vérifier la stabilité de l’estimation du paramètre ξ, en recherchant un plateau dans l’estimateur.
• La simulation est essentielle pour valider la modélisation des extrêmes, notamment dans le cadre de la théorie des valeurs extrêmes (voir section 5).

💡 À retenir

La simulation de la loi GEV, combinée à l’ajustement via des logiciels spécialisés, permet d’estimer précisément la distribution des maxima extrêmes et de confirmer la famille de la loi adaptée, facilitant ainsi la modélisation et la gestion des risques extrêmes.

📅 Repères chronologiques

📊 Tableaux de Synthèse

⚠️ Pièges & Confusions Fréquentes

1. Confondre stratégie pure et stratégie mixte dans la recherche d’un EN.
2. Supposer que l’équilibre de Nash est toujours optimal pour tous les joueurs.
3. Confondre VaR et ES (Expected Shortfall) ; ne pas distinguer leur propriété de cohérence.
4. Croire que la VaR est cohérente, alors qu’elle ne l’est pas en général.
5. Omettre que la recherche d’un EN mixte nécessite de résoudre des équations d’indifférence.
6. Confondre la loi GEV avec d’autres lois extrêmes ou distributions classiques.
7. Négliger que la cohérence de la TVaR la rend préférable pour la gestion des risques extrêmes.

✅ Checklist Examen

1. Connaître la définition de l’équilibre de Nash selon Nash (1950) et ses variantes en stratégies pures et mixtes.
2. Savoir comment identifier un équilibre de Nash pur dans une matrice de jeu.
3. Maîtriser la méthode pour déterminer un équilibre de Nash mixte, notamment la résolution d’équations d’indifférence.
4. Comprendre la différence entre stratégie pure et stratégie mixte.
5. Connaître la formule de la VaR et ses limites en termes de cohérence.
6. Savoir définir la TVaR (Expected Shortfall) et sa formule intégrale.
7. Connaître la propriété de cohérence de la TVaR et ses avantages par rapport à la VaR.
8. Savoir ce qu’est la loi GEV et ses paramètres, ainsi que son rôle dans la modélisation des extrêmes.
9. Comprendre le théorème de Fisher-Tippett-Gnedenko concernant la convergence vers la loi GEV.
10. Connaître la différence entre la CTE (Conditional Tail Expectation) et la TVaR.
11. Être capable d’expliquer la propriété de cohérence et son importance en gestion des risques.
12. Vérifier la maîtrise des concepts clés et des références : Nash (1950), Artzner et al. (1999).