Abstracts
Résumé
Dans cette note, nous modélisons les nouveaux aspects quantitatifs de la gestion du risque de marché des banques que Bâle a décidé en 2016 et mis en vigueur en janvier 2019. Le risque de marché est mesuré par la valeur à risque conditionnelle, ou CVaR, à un degré de confiance de 97,5 %. Le backtest réglementaire reste, en grande partie, basé sur la VaR à 99 %. De plus, à titre de procédures statistiques supplémentaires comme suggéré par Bâle, des backtests complémentaires sur la VaR et la CVaR doivent être effectués. Nous appliquons ces tests sur différentes distributions paramétriques et utilisons des mesures non paramétriques de la CVaR, dont la CVaR- et la CVaR+ comme compléments de validation des distributions utilisées. Nos données sont relatives à une période de turbulences extrêmes des marchés. Avec huit distributions paramétriques mises à l’épreuve par ces données, nos résultats montrent que l’information obtenue sur leurs performances empiriques est très liée aux conclusions des backtests des modèles.
Mots-clés :
- Bâle,
- VaR,
- CVaR,
- Backtest,
- Modèle paramétrique,
- Modèle non paramétrique,
- Mélange de distributions,
- Distribution à queue épaisse
Appendices
Bibliographie
- Acerbi, C. et Szekely, B. (2014). Back-testing expected shortfall. Risk, 27(11) : 76-81.
- Acerbi, C. et Szekely, B. (2017). General properties of backtestable statistics. Available at SSRN : https://ssrn.com/abstract=2905109 or http://dx.doi.org/10.2139/ssrn.2905109.
- Basel Committee on Banking Supervision (BCBS) (2016). Minimum capital requirements for market risk, publication no 352. Bank For International Settlements (BIS), (Jan-2016) : 1-92.
- Basel Committee on Banking Supervision (BCBS) (2019). Minimum capital requirements for market risk, publication no 457. Bank For International Settlements (BIS), (Jan-2019) : 1-136.
- Broda, S.A. et Paolella, M.S. (2011). Expected shortfall for distributions in finance. In Statistical Tools for Finance and Insurance, pages 57-99.Springer.
- Caivano, M. et Harvey, A. (2014). Time-series models with an egb2 conditional distribution. Journal of Time Series Analysis, 35(6) : 558-571.
- Christoffersen, P.F. (1998). Evaluating interval forecasts. International Economic Review, 39(4) : 841-862.
- Cummins, J.D., Dionne, G., McDonald, J.B. et Pritchett, B.M. (1990). Applications of the GB2 family of distributions in modeling insurance loss processes. Insurance : Mathematics and Economics, 9(4) : 257-272.
- Dionne, G. (2019). Corporate risk management : Theories and applications. John Wiley, 384 pages.
- Dionne, G. et Saissi Hassani, S. (2017). Hidden Markov regimes in operational loss data : Application to the recent financial crisis. Journal of Operational Risk, 12(1) : 23-51.
- Efron, B. et Tibshirani, R.J. (1994). An introduction to the bootstrap. Chapman and Hall/CRC press, 456 p.
- Engle, R.F. et Manganelli, S. (2004). CAViaR : Conditional autoregressive value at risk by regression quantiles. Journal of Business and Economic Statistics, 22(4) : 367-381.
- Fernandez, C., Osiewalski, J. et Steel, M.F. (1995). Modeling and inference with ↑-spherical distributions. Journal of the American Statistical Association, 90(432) : p. 1331-1340.
- Haas, M. (2009). Modelling skewness and kurtosis with the skewed Gauss-Laplace sum distribution. Applied Economics Letters, 16(12) : p. 1277-1283.
- Haas, M., Mittnik, S. et Paolella, M.S. (2006). Modelling and predicting market risk with laplace-gaussian mixture distributions. Applied Financial Economics, 16(15) : p. 1145-1162.
- Kerman, S.C. et McDonald, J.B. (2015). Skewness-kurtosis bounds for egb1, egb2, and special cases. Communications in Statistics-Theory and Methods, 44(18) : p. 3857-3864.
- Kupiec, P.H. (1995). Techniques for verifying the accuracy of risk measurement models. Journal of Derivatives, 3(2) : p. 73-84.
- McDonald, J.B. (2008). Some generalized functions for the size distribution of income. Dans : Modeling Income Distributions and Lorenz Curves, Springer, p. 37-55.
- McDonald, J.B. (1984). Some generalized functions for the size distribution of income. Econometrica, 52(3) : p. 647-663.
- McDonald, J.B. et Michelfelder, R.A. (2016). Partially adaptive and robust estimation of asset models : accommodating skewness and kurtosis in returns. Journal of Mathematical Finance, 7(1) : p. 219.
- McDonald, J.B. et Xu, Y.J. (1995). A generalization of the beta distribution with applications. Journal of Econometrics, 66(1-2) : p. 133-152.
- Miao, D.W.C., Lee, H.C. et Chen, H. (2016). A standardized normal-Laplace mixture distribution fitted to symmetric implied volatility smiles. Communications in Statistics-Simulation and Computation 45(4) : p. 1249-1267.
- Rigby, B., Stasinopoulos, M., Heller, G. et Voudouris, V. (2014). The distribution toolbox of GAMLSS. gamlss.org.
- Righi, M. et Ceretta, P.S. (2015). A comparison of expected shortfall estimation models. Journal of Economics and Business, 78 : p. 14-47.
- Rockafellar, R.T. et Uryasev, S. (2002). Conditional value-at-risk for general loss distributions. Journal of Banking & Finance, 26(7) : p. 443-1471.
- Taylor, J.W. (2019). Forecasting value at risk and expected shortfall using a semiparametric approach based on the asymmetric laplace distribution. Journal of Business and Economic Statistics 37 (1) : p. 121-133.
- Theodossiou, P. (2018). Risk measures for investment values and returns based on skewed-heavy tailed distributions : Analytical derivations and comparison. https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3194196.