Mesures de Risque

Introdution Traitement du risque: aspects théoriques Traitement du risque: aspects pratiques
STA217 : Mesures de risque

Di Bernardino
[email protected]
CNAM, 292 rue Saint-Martin, 75003 Paris, FRANCE,

A.A. 2017-2018
STA217
1 / 31
N
SCR : Solvency Capital Requirement Dispositions generales de Solvabilité 2

concernant le SCR, calcule selon la formule standard ou un modèle interne :
Le SCR correspond au capital économique dont a besoin l'entreprise pour

limiter la probabilité de ruine à 0.5% à l'horizon d'un an; c.à.d. le capitale
de solvabilité devra permettre à la compagnie de ne pas être en ruine, à la
n de l'exercice (1 an), avec P ≥ 0.995.
Son calcul utilise la méthode de Value at Risk: toutes les pertes
potentielles sur les 12 mois a venir doivent être évaluées.
Le SCR reète le prol de risque réel de l'entreprise, compte tenu de tous les
risques quantiables, ainsi que l'incidence nette des techniques d'atténuation
des risques.
Le SCR est calculé au moins une fois par an, contrôle en continu et recalcule
des que le prol de risque de l'entreprise varie sensiblement.
STA217
2 / 31
N
Mesurer le risque: une tâche essentielle de

l'actuaire
Au nombre des mesures de risque gurent bien évidemment les primes:
Le montant de la prime devant en toute circonstance être proportionné au

risque.
Celle-ci reète donc le danger associé au risque transféré à l'assureur.
D'autres mesures de risque tentent d'évaluer la hauteur du capital économique.
Il s'agit du capital dont doit disposer la compagnie pour être en mesure de

dédommager les sinistres.
Ce capital pouvait être déterminé en limitant la probabilité de ruine de

l'assureur à un niveau susamment faible.
Il s'agit de l'approche basée sur la Value-at-Risk .
Nous verrons que cette manière de faire n'est pas exempte de critique. En eet,
elle ne prend pas en compte l'importance du décit quand la ruine survient. An
de remédier à ce problème, nous nous tournerons vers l'espérance de queue ou
Conditional-Tail-Expectation.
STA217
3 / 31
N
Value-at-Risk (VaR)
Remarque: Classiquement la mesure de risque a été basée sur la variance, qui
mesure la dispersion autour de la prime pure de l'actuaire (voir approche
Moyenne-Variance - CAPM). Ici, nous ne considérons cependant pas la variance
comme mesure du risque. Ceci s'explique par la dénition que nous avons
retenue, à savoir, le capital qui superposé au risque en début de période, rend sa
couverture acceptable.
VaRα (X)
STA217
4 / 31
N
Sous-additivité de la VaR
Quantiles of the sum of two Gaussian Variables
4
2
0
y
−2
−4
0.0 0.2 0.4 0.6 0.8 1.0
Figure : X ∼ N(0, 1), Y ∼ N(0, 1), VaR(X + Y) (black line),VaR(X )+ VaR(Y ) (green line). -Code R-
STA217
5 / 31
N
Le chargement de sécurité
La notion de chargement de sécurité est étroitement liée à celle de tarication: un
principe de prime contient un chargement de sécurité s'il conduit à exiger une
prime supérieure à celle qui est exigée si la mutualisation des risques est parfaite.
Denition (Chargement de sécurité)

Une mesure de risque ρ contient un chargement de sécurité si pour tout risque
X on a
ρ[X ] ≥ E[X ].
• La VaR ne contient pas un chargement de sécurité.

Considérons un exemple très simple: deux assurés sont soumis à un risque de même nature
(mais qui touche les assurés de manière ⊥):
p = 0.5,

0, avec
X1 =
1, avec 1 − p = 0.5.
La prime pure (espérance mathématique) pour s'assurer contre un tel risque s'élève à 0.5.
Supposons que nos deux assurés s'associent pour supporter les éventuelles pertes causées par ce
risque.
STA217
6 / 31
N
Le chargement de sécurité
Leur association peut être résumée par:
p 2 = 0.25,

 0, avec
X1 + X2 = 1, avec 2p (1 − p ) = 0.5,
2, avec (1 − p )2 = 0.25.

Cette association n'a pas d'impact sur la prime (toujours = 0.5). En revanche on peut
remarquer que la prime pure leur sura pour leur prémunir de ce risque dans 75% des cas (à
comparer avec un cas sur deux lorsqu'ils gardent ce risque individuellement).
STA217
7 / 31
N
A risk measure is a functional ρ mapping a risk X to a non-negative number ρ[X ], possibly innite, representing the
extra cash which has to be added to X to make it acceptable. Denuit et al. (2005), page 61.
STA217
8 / 31
N
Given an univariate continuous and strictly monotonic loss distribution function

FX ,
VaRα ( X ) = QX (α) = FX−1 (α), ∀ α ∈ (0, 1).
Shortcoming of VaR measure:
Var is not a coherent risk measure (see Artzner, 1999).
Var does not give any information about thickness of the upper tail of F:
On the other hand, the concept of VaR as a risk measure has problems for measuring extreme price movements. By
denition, VaR only measures the distribution quantile, and disregards extreme loss beyond the VaR level. Thus,
VaR may ignore important information regarding the tails of the underlying distributions. The BIS Committee on
the Global Financial System (2000) identies this problem as tail risk. Yamai et Yoshiba (2002), page 182.
STA217
8 / 31
N
Given an univariate continuous and strictly monotonic loss distribution function

FX ,
VaRα ( X ) = QX (α) = FX−1 (α), ∀ α ∈ (0, 1).
Shortcoming of VaR measure:
Var is not a coherent risk measure (see Artzner, 1999).
Var does not give any information about thickness of the upper tail of F:
On the other hand, the concept of VaR as a risk measure has problems for measuring extreme price movements. By
denition, VaR only measures the distribution quantile, and disregards extreme loss beyond the VaR level. Thus,
VaR may ignore important information regarding the tails of the underlying distributions. The BIS Committee on
the Global Financial System (2000) identies this problem as tail risk. Yamai et Yoshiba (2002), page 182.
To overcome problems of VaR → Conditional-Tail-Expectation (CTE):
CTEα (X ) = E[ X | X ≥ VaRα (X ) ] = E[ X | X ≥ QX (α) ],
(e.g. see Denuit et al., 2005).
STA217
8 / 31
N
Mesure de risque et la prise en compte des

extrêmes
X Pour la détermination du Solvency Capital Requirement l'assureur n'observe
pas directement la variable d'intérêt, il dispose donc pas de matériel
statistique pour estimer directement la VaR (VaR en assurance: approche
radicalement diérent par rapport à la VaR en nance-VaR historique).
X On dispose de tres peu de données dans la zone de la distribution concernée

(si on en avait, l'assureur aurait fait faillite....)
La démarche va consister à:
X Construire un model en décrivant chaque poste du bilan (les passifs, surtout

les provisions techniques) et les actifs.
X Estimer les paramètres des ces modèles.
X Par techniques de simulation, estimer la loi du résultat.
X Obtenir le niveau de la Varα (avec α = 0.995) de la loi trouvée.
STA217
9 / 31
N
Typologie des diérents risques rencontrés dans

l'estimation de la VaR
STA217
10 / 31
N
Comportement extrême de lois usuelles en

assurance
STA217
11 / 31
N
VaR extrême
Diérentes techniques dans le cadre de l'estimation d'un quantile extrême (VaRα ,
avec α ≥ 0.99) d'une loi Pareto.
STA217
12 / 31
N
Etude des excès

• La fonction de répartition Fu d'un excès au-dessus d'un seuil u est donnée pour
y >0 par
Fu (y ) = P(Y ≤ y |X > u ) = P(X − u ≤ y |X > u )

P(u < X ≤ u + y ) F (u + y ) − F (u )
= =
P(X > u ) 1 − F (u )
• La fonction de survie Fu d'un excès au-dessus d'un seuil u est donnée pour
y >0 par
1 − F (u + y )
F u (y ) = 1 − Fu (y ) =
1 − F (u )
• Lorsque le seuil u est susamment grand, on peut approcher cette quantité

par la fonction de survie d'une loi de Pareto généralisée.
STA217
13 / 31
N
Loi de Pareto généralisée (GPD)

Sa fonction de survie est donnée par
+ γ σy
−1/γ
H γ,σ (y ) = 1 si γ 6= 0
−y

= exp
σ sinon
Son ensemble de dénition est R+ si γ≥0 ou [0; −σ/γ[ si γ < 0.
Elle dépend de deux paramètres:
• σ>0 est un paramètre d'échelle,
• γ∈R est un paramètre de forme.
Deux cas particuliers:
• Le cas γ=0 correspond à la loi exponentielle d'espérance σ,

• γ = −1 correspond à la loi uniforme sur [0; σ].
STA217
14 / 31
N
Approche POT - Théorème
Théorème de Pickands, 1975:
F u (y ) − H γ,σ(u) (y ) = 0.

lim sup
u→xF y ∈[0;xF −u]
STA217
15 / 31
N
Choix du seuil
Le seuil u doit être
• susamment élevé pour que l'approximation des ru dépassements par une

GPD soit valide.
• susamment bas pour disposer d'un nombre de données de dépassements ru

susant pour garantir une bonne estimation des paramètres du modèle.
,→ Il s'agit d'un compromis Biais/Variance
STA217
16 / 31
N
Données de sinistres
●
150
● ●
montant des sinsitres
100
●
●
● ●
●
● ●
●
● ●
●
● ● ● ●
● ● ●
● ● ●
● ● ● ●
● ●
● ● ●
● ● ● ● ●
50
● ● ● ●
● ● ● ●● ●
● ● ●
● ● ● ●
● ● ●
● ● ●
●● ● ● ● ● ● ●
● ● ● ● ● ● ●
● ● ● ●
● ● ● ● ● ● ● ● ●
● ● ● ● ●
●
● ● ●●●● ● ●
●● ● ● ● ●● ● ● ● ● ●●
●● ● ●●● ●● ●
●
●
●● ● ● ● ●
● ● ● ● ● ● ●● ● ●● ●
● ● ● ●● ● ●● ● ● ● ● ●
● ●● ● ●●
● ●
● ● ●
● ● ●●
●
● ●
● ● ● ●● ● ●● ● ●●
●
●
●● ● ● ●● ● ●
●● ● ●● ● ● ● ● ● ● ● ● ●
●● ● ● ● ● ● ● ● ● ● ● ●●●●● ●● ● ●●
●● ● ●
● ● ●●● ● ●● ●
●
● ● ● ● ●●●
● ● ● ● ● ● ●●
● ●
●
●
●●
● ● ● ●● ●
● ●
● ● ● ●● ● ● ● ● ● ● ●●● ●● ● ●● ● ●● ● ● ● ● ● ●
● ● ●● ● ●●●● ●● ● ● ● ●● ● ●● ● ● ● ● ●● ● ●
● ●●●● ● ● ●● ●●
● ●● ● ●●● ●●● ●● ● ●● ● ● ● ●
●
●
●
●
● ● ●● ● ●●● ● ●● ● ● ● ●●● ●●● ● ● ● ● ●●● ●● ●● ● ●
● ● ●●● ● ●● ●● ● ● ● ●● ●
●● ● ●● ●● ● ● ● ●●
●● ●●● ●
● ●●● ●●● ●
● ● ●● ● ● ● ●● ●●● ●●● ● ● ● ●● ●● ●● ●● ●●● ●
●●●
● ● ●
●● ● ●● ● ● ● ● ● ● ● ●● ● ● ● ●● ● ●● ● ●
0
0 100 200 300 400 500
STA217
17 / 31
N
Choix du seuil : Solution 1
• Une solution consiste à se xer un nombre d'excès r et d'en déduire le

seuil u.
• On cherche alors u tel que P(X > u ) = nr . Autrement dit on estime

−1
u=F (r /n) par Xn−r +1,n .
Cette solution, largement utilisée en pratique déplace le problème du choix
du seuil u au problème du choix du nombre d'excès r à considérer!
STA217
18 / 31
N

Dénition
La Mean Excess Function (MEF) est une fonction du seuil u:
MEF (u ) = E(X − u |X > u ), E(X ) < ∞
• Si l'ajustement des dépassements par une GPD est valide avec un seuil noté
u0 et avec γ < 1, on a alors:
σu0 σ + γ u0
E(X − u0 |X > u0 ) = = .
1 −γ 1−γ
• Si l'ajustement des dépassements par une GPD est valide avec un seuil noté
u0 , il le sera aussi pour tout seuil u > u0 . Il est alors possible de montrer
qu'avec γ < 1, on a :
σu σu + γ(u − u0 ) σ − γ u0
u + u0
γ
E(X − u |X > u ) = = 0 = .
1 −γ 1−γ 1 −γ 1−γ
La MEF est donc une fonction linéaire en u.

Cette solution n'est valable que pour γ < 1! STA217
19 / 31
N

En pratique, on trace le nuage de points {Xr ,n ; MEF (Xr ,n )}. Il s'agit du mean
residual life plot.
On choisira u correspondant à une statistique d'ordre de l'échantillon comme

étant la plus petite valeur à partir de laquelle la MEF est linéaire.
Remarque:
• Si la MEF est croissante, cela correspond au cas γ>0 et donc au domaine

d'attraction de Fréchet.
• Si la MEF est décroissante, cela correspond au cas γ<0 et donc au domaine

d'attraction de Weibull.
• Si la MEF est constante, cela correspond au cas γ=0 et donc au domaine

d'attraction de Gumbel.
STA217
20 / 31
N
Choix du seuil en pratique

library(evd)
mrlplot(data)
Mean Residual Life Plot
50
40
Mean Excess
30
20
10
0
0 20 40 60 80 100
Threshold
STA217
21 / 31
N
Modélisation POT - Exemple des données

> GPD=fpot(data,40)
> GPD
Call: fpot(x = data, threshold = 40)

Deviance: 509.5484
Threshold: 40
Number Above: 61
Proportion Above: 0.122
Estimates
scale shape
24.73264 -0.03148
Standard Errors
scale shape
4.1786 0.1103
STA217
22 / 31
N
Application à l'extrapolation
En utilisant le théorème de Pickands, on a pour y ≥0

1 − F (u + y )
≈ H γ,σ (y ).
1 − F (u )
Avec le changement de variable x = u + y, on obtient l'approximation (valable

pour x ≥ u ):
F (x ) ≈ F (u )H γ,σ (x − u ).
STA217
23 / 31
N
Application à l'extrapolation
On a donc une approximation de la fonction de survie en queue
− γ1
xp − u

p = F (xp ) ≈ F (u ) +γ
1 si γ 6= 0
σ
xp − u

≈ F (u ) exp − si γ=0
σ
et de son inverse
−γ !
p

−1 σ
xp = F (p ) ≈ u + −1 si γ 6= 0
γ F (u )
p

≈ u − σ log si γ=0
F (u )
avec p susamment petit pour avoir xp > u .
Par construction, xp est la VaR(1-p).
STA217
24 / 31
N
Estimation de la VaR
En pratique, on calculera zp
b déni par:

zp = u −
b σ
b
γ
b − ( p1 Fb (u ))γb
1 si γ 6= 0

= b log p1 Fb (u )
u−σ si γ=0
où Fb (u ) = nr la proportion de points au-delà du seuil u.
En tenant compte de la part d'incertitude relative à Fb (u ) et en utilisant la

δ−méthode, il est possible d'estimer la variance asymptotique de zT
b et d'en
déduire des intervalles de conance associés.
STA217
25 / 31
N
Retour aux données
• On a choisi le seuil u = 40.

• Le nombre d'excès associés est ru = 61.
• La proportion de points au-delà du seuil u est
r
Fb (u ) = u =
61
= 0.122.
n 500
• Si on s'intéresse à une VaR(0.99), on peut écrire p = 0.99 = 1/100.
STA217
26 / 31
N
Estimation de la VaR(0.99)
> VaR=fpot(data,40,npp=1,mper=100)
> VaR
Call: fpot(x = data, threshold = 40, npp = 1, mper = 100)

Deviance: 509.5485
Threshold: 40
Number Above: 61
Proportion Above: 0.122
Estimates
rlevel shape
99.56167 -0.03125
Standard Errors
rlevel shape
7.5048 0.1106
STA217
27 / 31
N
Données - Quantile Plot

De la même façon que précédemment, on considère un seuil u et les r
dépassements de ce seuil ordonnées y1,r , y2,r ,..., yr ,r .
Il s'agit d'une comparaison entre les quantiles empiriques et les quantiles
théoriques.
Le Quantile Plot est le nuage de points:
i

b −1
H , yi ,r , i = 1, ..., r
r +1
où " #
−bγ
i i

b −1 σ
H =u+ −1
b
r +1 γ
b r +1
Ce dernier devrait être proche de la diagonale si l'ajustement est de bonne qualité.
STA217
28 / 31
N
Données - Quantile Plot
STA217
29 / 31
N
Mesures de risque et regulation

Soit α ∈ (0, 1) xé, pour les distributions de probabilité suivantes, calculer les
quantités VaRα et ESα (Value-at-Risk et Expected Shortfall):
1. Une loi normale de moyenne µ et de d'écart type σ.
2. Une loi exponentielle de paramètres λ > 0.
3. Une loi de Pareto dénie par H et γ étant des constantes strictement

positive :
γ
H

P[X > x ] = x H
1{ ≥ } .
x
En traçant des graphiques avec R, pour α > 0.9, essayer de se faire une opinion
sur la valeur ESα / VaRα et discuter à partir de quelle valeur empirique de ce
rapport il est légitime de soupçonner une loi de distribution à queue épaisse.
STA217
30 / 31
N
References
Charpentier, A., Denuit, M. (2004). Mathématiques de l'assurance non vie :
Concepts fondamentaux de théorie du risque (Tome I), Economica;
(Chapitre 5)
Planchet, F., Therond, P. (2007). Mesure et gestion des risques d'assurance

: Analyse critique des futurs référentiels prudentiels et d'information
nancière. Coll. Assurance, Audit, Actuariat. Economica; (Chapitres 1 et 3).
Coles, S. (2001). An Introduction to Statistical Modeling of Extreme Values.

Springer-Verlag.
Embrechts P., Klüppelberg, C., Mikosch, T. (2011). Modelling Extremal

Events: for Insurance and Finance (Stochastic Modelling and Applied
Probability), Springer.
Récapitulatif des packages R utilisés: ismev (gpd.t); evd (fpot); pot (tgpd)
STA217
31 / 31
N

Mesures de Risque

Transféré par

Droits d'auteur :

Formats disponibles

Mesures de Risque

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Mesures de Risque

Transféré par

Droits d'auteur :

Formats disponibles

Introdution Traitement du risque: aspects théoriques Traitement du risque: aspects pratiques

STA217 : Mesures de risque

CNAM, 292 rue Saint-Martin, 75003 Paris, FRANCE,

SCR : Solvency Capital Requirement Dispositions generales de Solvabilité 2

Le SCR correspond au capital économique dont a besoin l'entreprise pour

Mesurer le risque: une tâche essentielle de

Le montant de la prime devant en toute circonstance être proportionné au

Celle-ci reète donc le danger associé au risque transféré à l'assureur.

D'autres mesures de risque tentent d'évaluer la hauteur du capital économique.

Il s'agit du capital dont doit disposer la compagnie pour être en mesure de

Ce capital pouvait être déterminé en limitant la probabilité de ruine de

Il s'agit de l'approche basée sur la Value-at-Risk .

0.0 0.2 0.4 0.6 0.8 1.0

Denition (Chargement de sécurité)

• La VaR ne contient pas un chargement de sécurité.

Given an univariate continuous and strictly monotonic loss distribution function

Var is not a coherent risk measure (see Artzner, 1999).

Given an univariate continuous and strictly monotonic loss distribution function

Var is not a coherent risk measure (see Artzner, 1999).

To overcome problems of VaR → Conditional-Tail-Expectation (CTE):

CTEα (X ) = E[ X | X ≥ VaRα (X ) ] = E[ X | X ≥ QX (α) ],

(e.g. see Denuit et al., 2005).

Mesure de risque et la prise en compte des

X On dispose de tres peu de données dans la zone de la distribution concernée

X Construire un model en décrivant chaque poste du bilan (les passifs, surtout

X Estimer les paramètres des ces modèles.

X Par techniques de simulation, estimer la loi du résultat.

X Obtenir le niveau de la Varα (avec α = 0.995) de la loi trouvée.

Typologie des diérents risques rencontrés dans

Comportement extrême de lois usuelles en

Etude des excès

Fu (y ) = P(Y ≤ y |X > u ) = P(X − u ≤ y |X > u )

• Lorsque le seuil u est susamment grand, on peut approcher cette quantité

Loi de Pareto généralisée (GPD)

Son ensemble de dénition est R+ si γ≥0 ou [0; −σ/γ[ si γ < 0.

Elle dépend de deux paramètres:

• σ>0 est un paramètre d'échelle,

• γ∈R est un paramètre de forme.

Deux cas particuliers:

• Le cas γ=0 correspond à la loi exponentielle d'espérance σ,

Approche POT - Théorème

Théorème de Pickands, 1975:

Le seuil u doit être

• susamment élevé pour que l'approximation des ru dépassements par une

• susamment bas pour disposer d'un nombre de données de dépassements ru

,→ Il s'agit d'un compromis Biais/Variance

0 100 200 300 400 500

Choix du seuil : Solution 1

• Une solution consiste à se xer un nombre d'excès r et d'en déduire le

• On cherche alors u tel que P(X > u ) = nr . Autrement dit on estime

Cette solution, largement utilisée en pratique déplace le problème du choix

du seuil u au problème du choix du nombre d'excès r à considérer!

Choix du seuil : Solution 2

La Mean Excess Function (MEF) est une fonction du seuil u:

MEF (u ) = E(X − u |X > u ), E(X ) < ∞

La MEF est donc une fonction linéaire en u.

Choix du seuil : Solution 2

On choisira u correspondant à une statistique d'ordre de l'échantillon comme

• Si la MEF est croissante, cela correspond au cas γ>0 et donc au domaine

Celle-ci reète donc le danger associé au risque transféré à l'assureur.

Denition (Chargement de sécurité)

Typologie des diérents risques rencontrés dans

• Lorsque le seuil u est susamment grand, on peut approcher cette quantité

Son ensemble de dénition est R+ si γ≥0 ou [0; −σ/γ[ si γ < 0.

• susamment élevé pour que l'approximation des ru dépassements par une

• susamment bas pour disposer d'un nombre de données de dépassements ru

• Une solution consiste à se xer un nombre d'excès r et d'en déduire le

3. Une loi de Pareto dénie par H et γ étant des constantes strictement