M/04 · Théorie des valeurs extrêmes

Pics au-dessus d'un seuil et couplage de queue par paires

Ajustements de Pareto généralisée à la queue supérieure des rendements cross-asset, plus un coefficient χ libre de modèle pour la dépendance de queue asymptotique.

Les mathématiques

Pickands–Balkema–de Haan

Soit X une variable aléatoire de CDF F satisfaisant F(x) → 1 quand x → x* (le point terminal de droite, possiblement +∞). Pour un seuil élevé u, définissez la variable aléatoire d'excès Y = X − u sachant X > u. Le théorème de Pickands–Balkema–de Haan (1974–75) affirme que F est dans le domaine d'attraction maximal d'une distribution de valeurs extrêmes si et seulement s'il existe des fonctions d'échelle σ(u) telles que

u \to x^{*} lim 0 \leq y \leq x^{*} - u sup F_{u} (y) - G_{ξ, σ (u)} (y) = 0,

où G est la distribution de Pareto généralisée (GPD)

G_{ξ, σ} (y) = ⎩ ⎨ ⎧ 1 - (1 + ξ y / σ)^{- 1/ ξ}, 1 - exp (- y / σ), ξ \neq = 0, y \in [0, y^{*}) ξ = 0, y \in [0, \infty)

avec y* = ∞ pour ξ ≥ 0 et y* = −σ/ξ pour ξ < 0. Le paramètre de forme ξ gouverne le comportement de la queue :

ξ > 0 : queue lourde, à variation régulière d'indice 1/ξ. Les rendements actions et crypto vivent ici, ξ ≈ 0,2–0,4.
ξ = 0 : queue exponentielle. De nombreuses séries pilotées par le bruit.
ξ < 0 : queue bornée. Rare en finance mais observée dans les séries à plancher de volatilité.

Estimateur par la méthode des moments

La moyenne et la variance d'une GPD de paramètres (ξ, σ) sont

E [Y] = \frac{σ}{1 - ξ}, Var [Y] = \frac{σ ^{2}}{( 1 - ξ ) ^{2} ( 1 - 2 ξ )}, ξ < 1/2.

En inversant ces relations on obtient l'estimateur par la méthode des moments de Hosking–Wallis (1987)

\hat{ξ} = \frac{1}{2} (1 - \frac{Y ˉ ^{2}}{s _{Y}^{2}}), \overset{σ}{^} = \overset{ˉ}{Y} (1 - \hat{ξ}) .

Le MLE est asymptotiquement plus efficace (et c'est ce qu'utilise la bibliothèque de production), mais la méthode des moments est en forme close, déterministe, et adéquate pour la démo ci-dessous.

Coefficient de dépendance de queue χ

Pour un couple bivarié (X, Y) à marginales continues F_X, F_Y, définissez le coefficient de dépendance de queue supérieure

χ = u \to 1^{-} lim P (F_{Y} (Y) > u F_{X} (X) > u) .

Il est symétrique en (X, Y), facile à vérifier d'après la définition. Deux faits font de χ le bon objet :

Indépendance ⇒ χ = 0. Si X ⫫ Y, la probabilité conditionnelle vaut simplement 1 − u → 0.
Comonotonie ⇒ χ = 1. Si Y est une fonction monotone de X, la probabilité conditionnelle vaut identiquement 1.

De façon cruciale, χ est invariant par transformations monotones des marginales, il ne dépend que de la copule. Cela en fait une mesure d'extrémité conjointe libre des marginales. Pour les copules gaussiennes (toute corrélation ρ < 1) χ = 0 ; pour la copule t bivariée à ν degrés de liberté et corrélation ρ,

χ_{t} = 2 \overline{F}_{t_{ν + 1}} ((ν + 1) \frac{1 - ρ}{1 + ρ})

qui est > 0 pour tout ρ > −1. C'est le contenu empirique de l'observation « tout se corrèle en crise » : la corrélation gaussienne ne dit rien sur les extrêmes conjoints, mais une copule Student-t à ρ modéré produit déjà un couplage de queue significatif.

Estimateur empirique

Remplacez F_X, F_Y par les CDF empiriques (rangs uniformes divisés par n+1) et calculez, pour un seuil u proche de 1,

χ (u) = \frac{# { i : R _{X, i} / ( n + 1 ) > u \land R _{Y, i} / ( n + 1 ) > u }}{# { i : R _{X, i} / ( n + 1 ) > u }} .

Exemple travaillé

Générez 2 000 couples (X_t, Y_t) avec Y_t = λ X_t + √(1 − λ²) Z_t, X et Z Student-t_ν indépendants. Prenez ν = 5, λ = 0,5. Le χ théorique pour la copule t bivariée implicite est non nul. La GPD ajustée sur |X| au-dessus du 95ᵉ percentile devrait retourner ξ autour de 1/ν = 0,2.

Demo: Peaks-over-threshold + tail-coupling χ

Synthetic Student-t pair (X,Y) with linear coupling λ. Fit GPD on |X| excesses above the 95th percentile; compute empirical χ(u) on (X,Y) ranks.

n (sample size)2000

λ (coupling)0.50

ν (df, tail)5

threshold pct (u)95

seed=13

threshold u

2.537

# excesses

100

ξ (shape)

0.044

σ (scale)

0.834

empirical χ(q), tail-coupling

q = 0.90.320

q = 0.950.260

q = 0.990.150

Histogram of 100 excesses above threshold u=2.537. Amber line: fitted GPD density with ξ=0.044, σ=0.834. ξ > 0 indicates a heavy (Pareto-type) tail. The χ(0.99) value at left measures how often X and Y simultaneously exceed their 99th percentile, a model-free tail-coupling estimator.

Note: GPD fit uses method-of-moments (Hosking & Wallis 1987). The reference implementation uses MLE. Both estimators are consistent; MoM is preferred here for in-browser determinism.

Figures

Loading…

Fig. 1:Survie de queue POT-GPD ajustée P(|R| > r) en axes log-log pour le P&L quotidien de stratégies, au-dessus du 95ᵉ percentile, avec la forme MLE ξ̂ indiquée par série dans la légende. Le P&L de stratégies crypto vit sans ambiguïté dans le régime de queue lourde (ξ̂ > 0).

Fig. 2:χ̂(0,95) empirique entre rendements quotidiens agrégés cross-asset de stratégies sur une fenêtre commune de 4 ans. Les entrées hors diagonale sont visiblement positives, les extrêmes conjoints entre BTC, ETH, SOL, DOGE et apparentés surviennent strictement plus souvent que l'indépendance ne le prédirait, le contenu empirique de « tout se corrèle en crise ».

Pourquoi c'est important pour les stratégies systématiques

Deux usages pratiques dans le pipeline du cabinet. D'abord, les ajustements GPD sur les distributions de drawdown par stratégie fournissent des estimations honnêtes de VaR de queue et d'expected-shortfall qui ne s'effondrent pas lors des changements de régime, l'alternative gaussienne de VaR sous-estime le risque de queue d'un ordre de grandeur durant les mêmes crises. Ensuite, χ sur les rendements cross-asset à u = 0,99 est un indicateur avancé de contagion. Lorsque le χ(0,99) de BTC–XAU dérive au-dessus de 0,4, le motif empirique est cohérent avec de larges épisodes de « flight-to-cash » au cours desquels des actifs historiquement non corrélés co-bougent dans leurs queues.

Reproductibilité

DaruFinance / tail-evt

Rust · implémentation de référence open-source

Invocation minimale

use tail_evt::{pot_fit, tail_chi};

// X: &[f64] of returns
let fit = pot_fit(&x, /*pct=*/ 0.95);
println!("xi = {:.3}, sigma = {:.3}", fit.xi, fit.sigma);

// Pairwise tail dependence on (X, Y)
let chi_99 = tail_chi(&x, &y, 0.99);
println!("chi(0.99) = {:.3}", chi_99);

Références

[1]Pickands, J. (1975). Statistical inference using extreme order statistics. Annals of Statistics 3, 119–131.
[2]Balkema, A. A. & de Haan, L. (1974). Residual life time at great age. Annals of Probability 2, 792–804.
[3]Coles, S. (2001). An Introduction to Statistical Modeling of Extreme Values. Springer Series in Statistics.
[4]McNeil, A. J., Frey, R. & Embrechts, P. (2015). Quantitative Risk Management: Concepts, Techniques and Tools (rev. ed.). Princeton University Press.

Tous les projets Voir sur GitHub