Méthodes de Monte Carlo appliquées au pricing d ... - Maths-fi.com

5.3. Calcul de la charge en capital pour le risque opérationnelF n⋆ est la distribution de la somme de n pertes ζ 1 , . . . , ζ n . La charge en capital réglementaire(Capital-at-Risk) correspond à la valeur en risque au seuil de confiance α :CaR (α) = G −1 (α)Pour information, le Comité de Bâle a fixé α égal à 99.9% dans son dernier document consultatif.Remarque 5.2 Même si cela n’est pas l’objet du cours, précisons ce que peut être un risque desévérité. Pour cela, nous utilisons les données réelles du Crédit Lyonnais. Pour un type de risque,nous calculons le rapport entre la perte maximale observée et le quantile α empirique. Nous obtenonsles résultats suivants :α Maximum/Quantile50% ≃ 16000075% ≃ 2700090% ≃ 13825Bien sûr, ce type de risque présente des rapports Maximum/Quantile peu communs. Néanmoins,cela illustre parfaitement la nature de nombreux types de risque opérationnel. A titre de comparaison,le rapport du quantile 99.9999% de la distribution gaussienne sur le quantile 90% de ladistribution gaussienne est beaucoup plus faible :Φ −1 (99.9999%)Φ −1 (90%)= 3.7En fait, le risque opérationnel est sûrement le risque qui présente le plus d’événements rares. Lechoix de la distribution de sévérité est donc crucial. Généralement, les distributions les plus utiliséessont les lois lognormale, Pareto, Weibull, GEV.L’agrégation est un problème relativement difficile dans le cas du risque opérationnel. Bien sûr,nous pouvons faire l’hypothèse que les différents types de risque sont indépendants. Dans ce cas,le problème est résolu. Si nous voulons prendre en compte la dépendance entre les risques, nouspouvons– soit corréler les fréquences ;– soit corréler les pertes agrégées.Corrélation des fréquencesLa première méthode a été proposée par [2, Bouyé et al., 2000]. L’idée est de construire desdistributions multidimensionnelles de variables aléatoires de Poisson à partir des copules :(n1)∑ λ n 1 e −λ1 ∑n 2λ n 2 e −λ2P {N 1 = n 1 , N 2 = n 2 } = C,n! n!n=0n=0( n1−1)∑ λ n 1 e −λ1 ∑n 2λ n 2 e −λ2− C,n! n!n=0n=0(n1)∑ λ n 1 e −λ1 n∑2−1λ n 2 e −λ2− C,n!n!n=0n=0( n1−1)∑ λ n 1 e −λ1 n∑2−1λ n 2 e −λ2+ C,n!n!A titre d’illustration, les tables 5.9 et 5.10 correspondent aux probabilités p i,j = P {N 1 = i, N 2 = j}de la distribution de Poisson bivariée avec λ 1 = 1, λ 2 = 1 et une copule Normale de paramètre ρ.Néanmoins, les simulations que nous avons faites montrent que le paramètre ρ de la copuleNormale a peu d’influence sur la mesure de risque. Les explications sont les suivantes :n=0n=071