HEC MONTRÉAL
HEC MONTRÉAL
HEC MONTRÉAL
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
Queue épaisse<br />
Pertes<br />
Fig. 2.7: Distribution à queue épaisse.<br />
Gains<br />
partie de ce groupe où les événements de crédit sont rares mais les pertes causées<br />
très grandes. Un autre article de référence sur les copules, écrit par Frees et Valdez<br />
[17], introduit cette notion dans le domaine de l’actuariat ; différents types de copules<br />
(normale, archimédienne (Clayton, Gumbel, Frank), etc.) sont présentés ainsi que la<br />
façon de les générer par simulation. Cherubini et al. [6] et Galiani [20] présentent<br />
également une revue des techniques de simulation de copules, spécifiquement pour<br />
la valorisation de produits dérivés sur crédit. Il est à noter que depuis 1997, tel<br />
qu’expliqué par Frey et McNeil [18], les modèles industriels CreditMetrics et KMV<br />
utilisent, bien qu’implicitement, des copules normales dans la modélisation du risque<br />
de crédit.<br />
Modèle hybride avec copule gaussienne<br />
Le premier modèle à véritablement utiliser cette fonction de copule de façon expli-<br />
cite est celui de Li [36] en 1999 par l’introduction du modèle avec copule gaussienne<br />
(Gaussian Copula) pour estimer la dépendance des temps de défaut dans le cas de<br />
deux compagnies. Dans ce contexte, la modélisation des temps de défaut individuels<br />
est effectuée de façon similaire au modèle d’intensité présenté pour la valorisation des<br />
CDS : un taux de hasard ht constant, équivalent à l’intensité λt d’un processus de<br />
comptage de Poisson, est défini. La fonction de copule gaussienne est ensuite utilisée<br />
pour lier les temps de défaut individuels.<br />
Plus spécifiquement, puisque les données directes (historiques ou prix) sont très<br />
22