Cet article introduit une nouvelle classe de modèles pour la Value-at-Risk ( VaR ) et l’ Expected Shortfall ( ES ), appelés modèles Dynamic AutoRegressive Expectiles ( DARE ). Notre approche est fondée sur une moyenne pondérée de modèles de VaR et d’ ES , calculés à partir des expectiles, i.e . les modèles Conditional Autoregressive Expectile ( CARE ) introduits par Taylor (2008a) et Kuan et al . (2009). Premièrement, nous recensons brièvement les principales approches non paramétriques, paramétriques et semi paramétriques d’estimation de la VaR et de l’ ES . Deuxièmement, nous détaillons l’approche DARE et montrons comment les expectiles peuvent être utilisés pour estimer ces mesures de risque. Troisièmement, nous utilisons différents tests de validation ( backtesting ) afin de comparer l’approche DARE à différentes méthodes alternatives de prévision de la VaR . Finalement, nous évaluons l’impact du choix des pondérations sur la qualité des prévisions et déterminons les poids optimaux dans le but de sélectionner de façon dynamique le modèle de prévision le plus adapté.
La mesure du risque systémique des institutions financières est devenue un enjeu essentiel pour la stabilité du système financier. La plupart des mesures actuellement proposées reposent sur l’estimation de quantiles conditionnels, qui ont la caractéristique d’être extrêmement sensibles à la méthode d’estimation et à la spécification des modèles de risque utilisés. Nous proposons de corriger les mesures de risque systémique à partir de procédures de validation statistique. Notre application sur la c o v a r suggère que le risque de modèle est important et que les institutions identifiées comme « systémiques » diffèrent selon que l’on prenne en compte ou non le risque de modèle.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.