Mélanges de GLMs et nombre de composantes : application ... - Scor
Mélanges de GLMs et nombre de composantes : application ... - Scor
Mélanges de GLMs et nombre de composantes : application ... - Scor
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
Chapitre 4. Sélection <strong>de</strong> mélange <strong>de</strong> <strong>GLMs</strong><br />
Figure 4.2 – Taux <strong>de</strong> rachat trimestriel <strong>de</strong>s produits Mixtes, en fonction <strong>de</strong> la catégorie <strong>de</strong><br />
prime <strong>de</strong> risque <strong>et</strong> du taux <strong>de</strong>s obligations 10 ans en Espagne.<br />
!"#$%&'%(")*"+%+(,-'.+(,'/%'0%120)320%&#%+"#$%45%"0.%'+%&'%/"%6(,-'%&'%(,.7#'%89,$+'.:%<br />
,-,,7+,-1,7$ ,-1,7+.-,,7$ .-,,7+.-1,7$ .-1,7+6-,,7$ 6-,,7+6-1,7$<br />
!"#!$<br />
%"&&'($<br />
+,-.//$<br />
+,-.01$<br />
+,-,23$<br />
+,-,44$<br />
+,-,40$<br />
+,-,3/$<br />
+,-,30$<br />
+,-,15$<br />
+,-,11$<br />
+,-,1.$<br />
+,-,/0$<br />
+,-,/0$<br />
+,-,05$<br />
+,-,62$<br />
+,-,6.$<br />
+,-,.5$<br />
,-,,0$<br />
,-,,1$<br />
,-,.6$<br />
,-,6,$<br />
,-,64$<br />
,-,01$<br />
,-,//$<br />
,-,/2$<br />
,-,12$<br />
,-,4,$<br />
,-,46$<br />
,-,40$<br />
,-,42$<br />
,-,2.$<br />
,-.65$<br />
,-./1$<br />
')*$<br />
conditionnelles à l’observation <strong>de</strong>s variables explicatives, <strong>et</strong> nous sommes limités aux trois<br />
dimensions pour visualiser une surface malgré certains logiciels utiles tels que GGobi (il y a<br />
toujours plus <strong>de</strong> <strong>de</strong>ux variables explicatives...). Nous pourrions dès lors fixer certaines <strong>de</strong>s variables<br />
explicatives <strong>et</strong> ne faire varier que les <strong>de</strong>ux qui différencient les groupes selon nous, mais<br />
là encore les interprétations ne sont pas forcément évi<strong>de</strong>ntes (voir exemple <strong>de</strong> la figure 4.2).<br />
C<strong>et</strong>te limitation due au fait <strong>de</strong> travailler avec ce type <strong>de</strong> modèles nous empêche par exemple<br />
<strong>de</strong> discuter <strong>de</strong> certaines restrictions à imposer sur l’espace <strong>de</strong>s paramètres qui pourraient jouer<br />
sur la forme <strong>de</strong>s clusters désirés.<br />
Un autre point à développer ultérieurement serait <strong>de</strong> regar<strong>de</strong>r l’évolution (dans le temps<br />
calendaire) <strong>de</strong> la <strong>de</strong>nsité du mélange conditionnellement aux valeurs évolutives <strong>de</strong> certains indices<br />
économiques <strong>et</strong> financiers, afin <strong>de</strong> visualiser sa déformation engendrée par le changement<br />
<strong>de</strong> contexte économique. Une <strong>application</strong> intéressante serait alors <strong>de</strong> comparer les <strong>de</strong>nsités <strong>de</strong><br />
chaque composante conditionnellement à la valeur d’un indice économique, <strong>et</strong> d’en déduire<br />
les différents comportements. D’un point <strong>de</strong> vue calculatoire, l’estimateur ML cc E est plus<br />
difficile à calculer : <strong>de</strong>s solutions algorithmiques sont proposées dans Baudry (2009), faisant<br />
intervenir une adaptation <strong>de</strong> l’algorithme EM pour prendre en compte dans la maximisation<br />
le terme d’entropie. En pratique, nous utilisons l’estimateur MLE avec le critère ICL car il<br />
ressort <strong>de</strong> nos discussions avec les chercheurs spécialistes <strong>de</strong> la question que dans la plupart<br />
<strong>de</strong>s cas, les résultats numériques entre MLE <strong>et</strong> ML cc E sont assez proches (lorsque le modèle<br />
n’est pas trop surdimensionné). Nous comparons donc les résultats donnés par le critère <strong>de</strong><br />
sélection ICL avec ceux fournis via le BIC pour l’estimateur MLE, <strong>et</strong> donnons un premier<br />
aperçu <strong>de</strong> la différence due à un simple changement <strong>de</strong> critère prenant en compte l’entropie.<br />
4.4.2 Mise en oeuvre sur nos familles <strong>de</strong> produits<br />
Le fil général <strong>de</strong> la présentation <strong>de</strong>s résultats sera le suivant : pour chaque famille <strong>de</strong><br />
produits nous exposons les calibrages donnés par la sélection via BIC <strong>et</strong> les prévisions associées,<br />
suivi <strong>de</strong>s calibrages fournis par le critère <strong>de</strong> sélection ICL <strong>et</strong> ses prévisions. Il est à noter que<br />
l’estimation <strong>de</strong>s poids <strong>de</strong> chaque composante est rendu plus robuste par la diminution du<br />
<strong>nombre</strong> <strong>de</strong> <strong>composantes</strong> d’un mélange (ces graphiques ne sont pas exposés ici pour alléger la<br />
présentation). Nous limitons le <strong>nombre</strong> <strong>de</strong> <strong>composantes</strong> possibles à 9. Il est aussi important<br />
<strong>de</strong> gar<strong>de</strong>r en tête que les modèles sélectionnés résultent bien souvent <strong>de</strong> maximum locaux<br />
(on ne sait jamais vraiment si nous sommes tombés sur le maximum global) ; cependant la<br />
comparaison BIC/ICL est évi<strong>de</strong>mment réalisée sur le même maximum !<br />
160