Chapitre 4 Copule Et Risque Multiples en Assurance PDF

Introduction
Comonotonie et anticomonotonie
Mesures de dpendance
Comparing Risks
Copule
Economtrie de l'Assurance : Gestion de risques multiples

en assurance, Mesure de dpendance et Copules
Elena Di Bernardino
elena.di_bernardino@cnam.fr
CNAM, 292 rue Saint-Martin, 75003 Paris, FRANCE,

A.A. 2012-2013
Economtrie de l'Assurance
1 / 35
Introduction
Comparing Risks
Copule
Introduction
Traditionnellement, les dveloppements actuariels sont base sur l'hypothse
d'indpendance des variables alatoires.
La complexit croissante des produits d'assurance et l'obligation de
couverture d'vnements a cependant mis en valeur l'importance de la prise
en compte de la dpendance.
Ce chapitre est consacr l'tude de la dpendance stochastique, sujet
classiquement ignor les ouvrages de thorie du risque, de mesures de
dpendance entre dirents risques et de copule.
S'il n'y a qu'une seule faon pour des risques d'tre mutuellement
indpendants, de ne pas s'inuencer, traduit mathmatiquement par le fait
que leur fonction de rpartition jointe se factorise en le produit de ses
marginales, il y a bien entendu une innit de manires d'introduire de la
dpendance dans un modle actuariel.
2 / 35
Introduction
Comparing Risks
Copule
Introduction
Pendant trs longtemps, la loi normale multivarie fut le seul outil utilis
pour rendre compte d'une certaine dpendance, en statistique tout comme
en nance et en sciences actuarielles.
Ce n'est que rcemment que les techniques reposant (implicitement ou
explicitement) sur la loi normale multivarie ont t svrement critiques,
et que des alternatives plus ralistes ont t dveloppes an de modliser la
corrlation entre variable alatoires de lois diverses.
3 / 35
Introduction
Comparing Risks
Copule
Classes de Frchet
Ainsi nommes en hommage aux travaux du mathmaticien franais Maurice
Frchet, ces ensembles contiennent toutes les lois de probabilit dont les
marginales sont xes.
Les classes de Frchet constituent donc le cadre idal pour tudier la
dpendance, puisque deux lment d'une mme classe ne dierent que par
leur structure de corrlation, pas par leur comportement marginal.
Denition
On notera
F(F1 , F2 )
l'ensemble des fonctions de rpartition bivaries dont les
fonctions de rpartition marginales sont
F1
et
F2
respectivement, i.e.
F(F1 , F2 ) = {fonctions de rpartition FX telles que limt FX (x1 , t ) =

F1 (x1 ), limt FX (t , x2 ) = F2 (x2 ), x1 et x2 R.}
4 / 35
Introduction
Comparing Risks
Copule
Classes de Frchet
Dans chaque classe de Frchet
F(F1 , F2 )
deux lments jouent un rle trs
particulier: il s'agit des bornes suprieure et infrieure de Frchet, dnies

ci-dessous.
Denition
La fonction de rpartition
dnie par
W (x1 , x2 ) = min{F1 (x1 ), F2 (x2 )}, x1

est appele borne suprieure de Frchet dans
la fonction de rpartition
et
x2 R}
F(F1 , F2 ).
De la mme manire,
dnie par
M (x1 , x2 ) = max{F1 (x1 ) + F2 (x2 ) 1, 0}, x1

est appele borne infrieure de Frchet dans
et
x2 R}
F(F1 , F2 ).
5 / 35
Introduction
Comparing Risks
Copule
Bornes de Frchet
L'appellation borne de Frchet provient du rsultat suivant, qui montre que toute
FX dans F(F1 , F2 ) est contrainte infrieurement par M

W . Les bornes de Frchet dlimitent donc l'ensemble
fonction de rpartition
suprieurement par
F(F1 , F2 ).
et
Proposition
La classe de Frchet F(F1 , F2 ) est borne, au sens o pour tout FX F(F1 , F2 ),

M (x) F (x) W (x),
x R2 .
Preuve du rsultat.
6 / 35
Introduction
Comparing Risks
Copule
Dpendance parfaite: comonotonie et

anticomonotonie
On parle de dpendance parfaite lorsque deux risques peuvent s'crire comme des
fonctions croissantes ou dcroissantes d'une mme variable alatoire sous-jacente.
Denition
Le couple X
dcroissantes
= (X1 , X2 )
g1
et
g2
est dit comonotone s'il existe des fonctions non-
et une variable alatoire
X
Le couple X
dcroissante
= (g1 (Z ), g2 (Z ))
telles que :
en loi.
= (X1 , X2 ) est dit anticomonotone s'il existe une fonction nong1 , une fonction non-croissante g2 et une variable alatoire Z telles
que :
= (g1 (Z ), g2 (Z ))
en loi.
Exemples :
A prsent que nous avons dni les concepts de dpendance parfaite, examinons
quelques situations o la comonotonie et l'anticomonotonie font naturellement leur apparition.
7 / 35
Introduction
Comparing Risks
Copule
Dpendance parfaite: comonotonie et

anticomonotonie
Cette situation de dpendance parfaite correspond prcisment aux bornes de
Frchet, comme le montre le rsultat suivant.
Proposition
Le couple X = (X1 , X2 ) est comonotone si, et seulement si, il admet
W (x1 , x2 ) = min{F1 (x1 ), F2 (x2 )}, x1 et x2 R}
comme fonction de rpartition.
Le couple X = (X1 , X2 ) est anticomonotone si, et seulement si, il admet
M (x1 , x2 ) = max{F1 (x1 ) + F2 (x2 ) 1, 0}, x1 et x2 R}
comme fonction de rpartition.
Le rsultat suivant indique que les VaR sont additives dans le cas de risques
comonotones.
8 / 35
Introduction
Comparing Risks
Copule
Additivit des VaR pour risques comonotones
Proposition
Soit X comonotone dont la fonction de rpadition jointe fait partie de F(F1 , F2 )
avec F1 et F2 continues et croissantes. On a alors
VaR [X1 + X2 , ] = VaR [X1 , ] + VaR [X2 , ]

quel que soit le niveau de risque [0, 1].
Preuve du rsultat.
9 / 35
Introduction
Comparing Risks
Copule
Concept
Bien que d'usage courant en assurance et en nance, le terme corrlation est
souvent mal compris.
Alors que la corrlation n'est qu'une mesure de dpendance particulire en
statistique (souvent appele corrlation linaire, ou de Pearson), les
praticiens ont tendance designer tous les concepts de dpendance par ce
mme terme.
Dans cette section, nous tudierons certaines mesures de dpendance.
Nous verrons que le coecient de corrlation linaire, mesure canonique de
la dpendance en univers gaussien, perd beaucoup de sa pertinence lorsqu'on
quitte cet univers
Donc il convient de dnir ce qu'on entend par bonne mesure de dpendance.
10 / 35
Introduction
Comparing Risks
Copule
Mesure de concordance
Denition
Une mesure de dpendance
(, ) est une mesure de concordance si elle possde
les bonnes proprits suivantes:

P1 (symmetrie)
(X1 , X2 ) = (X2 , X1 );
P2 (normalisation)
P3
(X1 , X2 ) = 1
P4
(X1 , X2 ) = 1
1 (X1 , X2 ) 1;
si, et seulement si,
X1
si, et seulement si,
et
X1
X2
et
sont comonotones;
X2
sont anticomonotones;
P5 Quelle que soit la fonction strictement monotone
(g (X1 ), X2 ) =
(X1 , X2 ),
(X1 , X2 ),
si
si
g
g
g : R 7 R,
est croissante
est dcroissante.
Ainsi, me autre proprit paraissant intressante est

(X1 , X2 ) = 0 X1 et X2 sont indpendantes.
Malheureusement, cette proprit contredit P5 et donc il n'existe pas de mesure de concordance
satisfaisant cette proprit.
11 / 35
N
Introduction
La corrlation linaire
Comparing Risks
Copule
La corrlation vise corriger le dfaut de la covariance: elle fournit un indice qui

ne dpendra ni des unit de mesure, ni de la variabilit propre des deux variables.
Denition
Le coecient de correlation linaire: entre
X1
et
X2 ,
not
r (X1 , X2 )
est deni
par
1 ,X2 )
r (X1 , X2 ) = Cov (X
VAR (X1 ) VAR (X2 )
il est possible d'avoir un couple X = (X1 , X2 ) dont le coecient de corrlation

linaire est quasiment nul alors que les composantes de celui-ci sont en dpendance parfaite.
Ceci contredit clairement l'intuition que des faibles valeurs du coecient de corrlation linaire
traduisent une faible dpendance1 .
Remarque:
voir McNeil, Embrechts et Straumann, (2002)

12 / 35
Introduction
Comparing Risks
Copule
Dpendance dans les modles de risque

r (X1 , X2 ) avec X1 LN (0, 1) et
r (X1 , X2 ) [rmin (X1 , X2 ), rmax (X1 , X2 )], avec
Probleme : Domaine de variation de
X2 LN (0, 2 ).
On a
rmin (X1 , X2 ) =
e 1
et
e2 1 e1
rmax (X1 , X2 ) =
e 1
.
e2 1 e1
De plus r (X1 , X2 ) = rmax (X1 , X2 ) si, et seulement si X1 et X2 sont comonotone,

r (X1 , X2 ) = rmin (X1 , X2 ) si, et seulement si X1 et X2 sont anticomonotone.
On constate que lim rmax (X1 , X2 ) = lim rmin (X1 , X2 ) = 0.
13 / 35
Introduction
Nous pouvons donc conclure que
mesure de concordance
Comparing Risks
Copule
le coecient de corrlation linaire n'est pas une
puisque les proprits P3 et P4 de la Dnition ne sont
pas satisfaites.
Malgr ses dfauts, le coecient de corrlation reste trs utilise en pratique, et ce
pour trois raisons majeures :
Son rle de concert avec la loi normale : le coecient de corrlation linaire
apparait de faon naturelle comme paramtre de la densit des vecteurs
gaussiens.
Son rle dam les modles de rgression linaire.
Son rle dans le modle d'Evaluation des Actifs Financiers (CAPM) de
Markowitz (1952) : le coecient de corrlation linaire apparait comme un
facteur fondamentale dans la thorie du portefeuille. En eet, en notant
le rendement du march,
Ri
le rendement du
i eme
titre risqu et
R0
RM
le taux
sans risque, alors la thorie du CAPM permet d'crire :
E[Ri R0 ] = i E[RM R0 ]
Le coecient
du titre
(Ri ,RM )
i = Cov
VAR (RM )
est alors directement li la corrlation entre le rendement
et le rendement moyen du march.

14 / 35
Introduction
Le
de Kendall
(X1 , X2 )
et
(X10 , X20 )
X2 > X2 )
Copule
indpendants et identiquement
de Kendall se dnit comme la probabilit de concordance (i.e.
la probabilit que l'on ait simultanment
Comparing Risks
Dnition du de Kendall
Disposant de deux couples

distribus le
X1 < X10
et
X2 < X20
ou
X1 > X10
et
moins la probabilit de discordance (i.e. la probabilit que l'on ait
simultanment
X1 > X10
et
X2 < X20
ou
X1 > X10
et
X2 < X20 ).
Denition
Le
de Kendall associ au couple
(X1 , X2 )
de variable alatoire possdant des
fonctions de rpartition marginales continues est dni par
(X1 , X2 ) = P[(X1 X10 )(X2 X20 ) > 0] P[(X1 X10 )(X2 X20 ) < 0],
o
(X10 , X20 ) est indpendant de (X1 , X2 ) et possde la mme loi que ce dernier.
Proposition
Etant donn un couple X = (X1 , X2 ) de fonctions de rpartition marginales

continues, alors (X1 , X2 ) = 4 E[FX (X1 , X2 )] 1.
Preuve du rsultat.
15 / 35
Introduction
Le
de Kendall
Comparing Risks
Copule
Proprits du de Kendall
Quelles que soient les fonctions
g1
et
deux dcroissantes sur les supports de
g2 , toutes deux croissantes

X1 et de X2 , on a
ou toutes
(g1 (X1 ), g2 (X2 )) = (X1 , X2 ).

Supposons les fonctions de rpartition
continues.
X1
et
X2
De plus,
X1
et
X1
X2
sont indpendantes alors
Si
et
X2
F1
de
X1
et
F2
de
X2
toutes deux
(X1 , X2 ) = 1.
si, (X1 , X2 ) = 1.
sont comonotones si, et seulement si,
sont anticomonotones si, et seulement
(X1 , X2 ) = 0.
Preuves des rsultats.
16 / 35
Introduction
Le
de Spearman
Comparing Risks
Copule
Dnition du de Spearman
Tout comme le
de Kendall, le
de Spearman est bas sur les notions de
concordance et de discordance.
Denition
= (X1 , X2 ) de fonction de rpartition marginales F1 et
X = (X1 , X2 ) une version indpendantes de X
admet F1 F2 comme fonction de rpartition jointe). Le de Spearman
Considrons le couple X
F2
continues et dnissons
(i.e.
est
(X1 , X2 ) = 3 {P[(X1 X1 )(X2 X2 ) > 0] P[(X1 X1 )(X2 X2 ) < 0]},

i.e. le triple de la dirence des probabilits de concordance et de discordance
de X et de X
17 / 35
Introduction
Le
de Spearman
Comparing Risks
Copule
Quelles que soient les fonctions
g1
et
deux dcroissantes sur les supports de
g2 , toutes deux croissantes

X1 et de X2 , on a
ou toutes
(g1 (X1 ), g2 (X2 )) = (X1 , X2 ).

Supposons les fonctions de rpartition
continues.
X1
et
X2
De plus,
X1
et
X1
X2
sont indpendantes alors
Si
et
X2
F1
de
X1
et
F2
de
X2
toutes deux
(X1 , X2 ) = 1.
si, (X1 , X2 ) = 1.
sont comonotones si, et seulement si,
sont anticomonotones si, et seulement
Remarque : II est noter que le
(X1 , X2 ) = 0.
de Spearmam
0.5 et = 0.
de Kendall et le
sens o il est par exemple impassible d'avoir
sont lis, au
18 / 35
Introduction
Le
de Spearman
Comparing Risks
Copule
Proposition
Les ingalits 1 3 2 1 sont vries quel que soit le couple alatoire
X dont les marginales sont continues.
19 / 35
Introduction
Comparing Risks
Copule
Stochastic Dominance Order

Cette partie du cours est reprise essentiellement de l'ouvrage :
M. Denuit, J. Dhaene, M. Goovaerts, R. Kaas (2005).
Dependent Risks : Measures, Orders and Models,
Actuarial Theory for
John Wiley & Sons Ltd,
England.
In order to compare a pair of risks
concept of VaR, and to consider
VaRX () VaRY ()
and
Y,
it seems natural to resort to the
as less dangerous than
for some prescribed probability level
if
Denition
Let
and
X is said to be smaller than Y in stochastic

X ST Y , if the inequality VaRX () VaRY () is
be two rvs. Then
dominance, denoted as
satised for all
(0, 1).
20 / 35
Introduction
Comparing Risks
Copule
Stochastic Dominance Order

Let
be a monotone objective risk measure. Then
X ST Y
(X ) (Y ).
Proposition
Given any rvs X and Y , the following equivalence holds:

X ST Y E[v (X )] E[v (Y )],
for all non-decreasing functions v , such that the expectations exist.
Let us now comment on the meaning of ST in
economics
and in
actuarial science
In economics, the rvs represent fortunes, incomes, etc., so that X ST

`larger' than X .
Y means that Y
is
In actuarial science, however, the risks to be compared represent future random nancial
losses, so that X ST Y means that X is `smaller' than Y .
Another way to bridge these two disciplines is based on the following equivalence:
ST
Y ST X
21 / 35
Introduction
Comparing Risks
Copule
Ordering compound sums

We are able to compare random sums in stochastic dominance. The following
result shows that
ST
is stable under compounding.
Proposition
Let {X1 , X2 , . . .} and {Y1 , Y2 , . . .} be two sequences of non-negative independent rvs, and let N and M be two integer-valued random variables, independent
of those sequences. Then,
PM
PN
Xn ST Yn for all n, and M ST N
n=1 Xn ST n=1 Yn .
Proposition
Let X and Y be two rvs. If there exists a real number c for which dFX (x )
dFY (x ) for all x < c and dFX (x ) dFY (x ) for all x > c, then, X ST Y .
22 / 35
Introduction
Comparing Risks
Copule
C'est quoi une copule?

Denition
Une copule de dimension 2 est une fonction de [0, 1] [0, 1]
(Marginales uniformes) pour tout
C (u , 0) = 0,
2
et
C (u , 1) = u ,
(croissante) quelque soit
v1 v2 ,
u1 , u2 , v1 , v2
[0, 1] telle que :
dans [0, 1],
C (0, v ) = 0,
C (1, v ) = v .
dans [0, 1]tels que
u 1 u2
et
C (u2 , v2 ) C (u2 , v1 ) C (u1 , v2 ) + C (u1 , v1 ) 0
Une copule est une fonction de rpartition bivarie admettant des marginales
Uniforme sur [0, 1]
23 / 35
Introduction
Comparing Risks
Copule
A quoi a sert?
Proposition
Soit FXY une distribution bivarie admettant pour marginales FX et FY . Alors

il existe une copule C telle que
FXY (x , y ) = C (FX (x ), FY (y )) .
Si FX et FY sont continues alors C est unique.
Par consquent, si C est une copule et FX et FY sont des distributions univaries, on sait, par la formule prcdente que FXY est une fonction de rpartition
bivarie admettant comme marginales FX et FY .
24 / 35
Introduction
Comparing Risks
Copule
A quoi a sert?
Proposition
Soit C une copule, FXY une distribution bivarie admettant pour marginales
FX et FY (continues). Notons par FX1 et FY1 les fonctions (quasi-) inverses
de FX et FY . Alors
C (u , v ) = FXY FX1 (u ), FY1 (v )
pour tout u et v dans [0, 1]2 .
Si on connait
FXY , FX
et
FY ,
on connait la copule.
25 / 35
Introduction
Comparing Risks
Copule
Facile tendre au cas multi-dimensionnel

Denition
Une copule
de dimension
est une fonction de rpartition sur
[0, 1]d
de
marginales uniforme sur [0, 1].
Proposition
Soit C une copule et F1 , ..., Fd d distributions marginales, alors F (x ) =

C (F1 (x1 ), ..., Fd (xd )) est une fonction de rpartition avec F F(F1 , ..., Fd ).
A l'inverse, si F F(F1 , ..., Fd ), il existe une copule C telle que F (x ) =
C (F1 (x1 ), ..., Fd (xd )). De plus, si les Fi sont continues, alors C est unique et
donn par

C (u ) = F F11 (u1 ), ..., Fd1 (ud ) .
26 / 35
Introduction
Comparing Risks
Copule
Exemple de copule : P(U u, V v )
27 / 35
Introduction
Comparing Risks
Exemple de densit de copule :
Copule
2 C (u ,v )
u v
28 / 35
Introduction
Comparing Risks
Copule
Copules classiques
C (u , v ) = uv = C (u , v ).
Une version indpendante de (X , Y ) sera note (X , Y ). C'est un vecteur

L
L
alatoire tel que X

= X et Y = Y avec une copule C En dimension
suprieure, C (u1 , ..., ud ) = u1 .... ud .
La copule comonotone
La copule indpendante
C (u , v ) = min{u , v } = C + (u , v ).
+
+
Une version comonotone de (X , Y ) sera note (X , Y ). C'est un vecteur
L
+ L
alatoire tel que X
= X et Y + = Y et une copule C +
(X , Y ) adment une copule comonotone si et seulement si il existe une
fonction croissante h telle que Y = h(X ).
+
En dimension suprieure, C (u 1, ..., ud ) = min(u1 , ..., ud ).
29 / 35
Introduction
Comparing Risks
Copule
Copules classiques
La copule contre-comonotone (contercomotonic)

C (u , v ) = max{u + v 1, 0} = C (u , v ).
Une version contre-comonotone de (X , Y ) sera note (X , Y ). C'est un

L
L
vecteur alatoire tel que X

= X et Y = Y et une copule C
(X , Y ) adment une copule contre-comonotone si et seulement si il existe
une fonction dcroissante h telle que Y = h(X ).
+
En dimension suprieure, C (u 1, ..., ud ) = max(u1 + ... + ud d + 1, 0)
n'est pas une copule.
Proposition
Si C est une copule, alors

C (u1 , ..., ud ) C (u1 , ..., ud ) C + (u1 , ..., ud )
30 / 35
Introduction
Comparing Risks
Copule
Copules classiques : Contre-comonotone,

indpendante et comonotone
31 / 35
Introduction
Comparing Risks
Copule
Copules classiques : Copules elliptiques (t et

gaussienne)
La copule gaussienne de paramtre
(1, 1),

Z 1 (u) Z (v )1
1
(x 2 + y 2 2xy )
C (u , v ) =
dxdy .
exp
2(1 2 )
2 1 2
De la mme faon, on dnit la

fonction de rpartition de
(X , Y )
t -copule
(T (X ), T (Y ))
ou copule de Student comme la

o
est la fdr d'une Student et
suit une distribution de Student multivarie. La copule de Student
de paramtre
C (u , v ) =
(1, 1)
est dnie par :
Z t1 (u) Z t1 (v )
1
1
et
x 2 2xy + y 2
2(1
+2 2
2 )
dxdy .
32 / 35
Introduction
Comparing Risks
Copule
Copules classiques : Copules Archimdiennes
Les copules archimdiennes sont dnies par
C (u , v ) = 1 ((u ) + (v ))
o
est convexe dcroissante sur
Si
(t ) = log(t )
Si
(t ) = ( log t )
Si
(t ) = t 1
on obtient
(0, 1)
avec
(0) =
et
(1) = 0.
C .
alors on obtient la copule de Gumbel.
alors
est la copule de Clayton.
33 / 35
Introduction
Comparing Risks
Copule
Copules classiques : Copules Archimdiennes
34 / 35
Introduction
Comparing Risks
Copule
References
Mathmatiques de l'assurance non vie :
Principes fondamentaux de thorie de risque (Tome I), Economica;
Charpentier, A., Denuit, M. (2004).

(Chapitre 8)
M. Denuit, J. Dhaene, M. Goovaerts, R. Kaas (2005).
Dependent Risks : Measures, Orders and Models,
Actuarial Theory for
John Wiley & Sons Ltd,
England
Correlation and
dependence in risk management: properties and pitfalls, Risk Management:
Embrechts, P., McNeil, A., Straumann, D. (2002).
Value at Risk and Beyond, ed. M.A.H. Dempster, Cambridge University

Press, Cambridge, pp. 176-223
35 / 35

Chapitre 4 Copule Et Risque Multiples en Assurance PDF

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Chapitre 4 Copule Et Risque Multiples en Assurance PDF

Încărcat de

Drepturi de autor:

Formate disponibile

Introduction

Economtrie de l'Assurance : Gestion de risques multiples

CNAM, 292 rue Saint-Martin, 75003 Paris, FRANCE,

l'ensemble des fonctions de rpartition bivaries dont les

fonctions de rpartition marginales sont

F(F1 , F2 ) = {fonctions de rpartition FX telles que limt FX (x1 , t ) =

deux lments jouent un rle trs

particulier: il s'agit des bornes suprieure et infrieure de Frchet, dnies

W (x1 , x2 ) = min{F1 (x1 ), F2 (x2 )}, x1

M (x1 , x2 ) = max{F1 (x1 ) + F2 (x2 ) 1, 0}, x1

FX dans F(F1 , F2 ) est contrainte infrieurement par M

La classe de Frchet F(F1 , F2 ) est borne, au sens o pour tout FX F(F1 , F2 ),

Dpendance parfaite: comonotonie et

est dit comonotone s'il existe des fonctions non-

et une variable alatoire

Dpendance parfaite: comonotonie et

Additivit des VaR pour risques comonotones

avec F1 et F2 continues et croissantes. On a alors

VaR [X1 + X2 , ] = VaR [X1 , ] + VaR [X2 , ]

Une mesure de dpendance

(, ) est une mesure de concordance si elle possde

les bonnes proprits suivantes:

si, et seulement si,

si, et seulement si,

P5 Quelle que soit la fonction strictement monotone

Ainsi, me autre proprit paraissant intressante est

La corrlation vise corriger le dfaut de la covariance: elle fournit un indice qui

il est possible d'avoir un couple X = (X1 , X2 ) dont le coecient de corrlation

voir McNeil, Embrechts et Straumann, (2002)

Dpendance dans les modles de risque

Probleme : Domaine de variation de

De plus r (X1 , X2 ) = rmax (X1 , X2 ) si, et seulement si X1 et X2 sont comonotone,

Nous pouvons donc conclure que

le coecient de corrlation linaire n'est pas une

puisque les proprits P3 et P4 de la Dnition ne sont

sans risque, alors la thorie du CAPM permet d'crire :

est alors directement li la corrlation entre le rendement

et le rendement moyen du march.

de Kendall se dnit comme la probabilit de concordance (i.e.

la probabilit que l'on ait simultanment

Disposant de deux couples

moins la probabilit de discordance (i.e. la probabilit que l'on ait

de Kendall associ au couple

de variable alatoire possdant des

fonctions de rpartition marginales continues est dni par

Etant donn un couple X = (X1 , X2 ) de fonctions de rpartition marginales

Quelles que soient les fonctions

deux dcroissantes sur les supports de

g2 , toutes deux croissantes

(g1 (X1 ), g2 (X2 )) = (X1 , X2 ).

sont indpendantes alors

sont comonotones si, et seulement si,

sont anticomonotones si, et seulement

Preuves des rsultats.

de Spearman est bas sur les notions de

(X1 , X2 ) = 3 {P[(X1 X1 )(X2 X2 ) > 0] P[(X1 X1 )(X2 X2 ) < 0]},

Quelles que soient les fonctions

deux dcroissantes sur les supports de

g2 , toutes deux croissantes

(g1 (X1 ), g2 (X2 )) = (X1 , X2 ).

sont indpendantes alors

sont comonotones si, et seulement si,

sont anticomonotones si, et seulement

particulier: il s'agit des bornes suprieure et infrieure de Frchet, dnies

il est possible d'avoir un couple X = (X1 , X2 ) dont le coecient de corrlation

le coecient de corrlation linaire n'est pas une

puisque les proprits P3 et P4 de la Dnition ne sont

de Kendall se dnit comme la probabilit de concordance (i.e.

moins la probabilit de discordance (i.e. la probabilit que l'on ait

fonctions de rpartition marginales continues est dni par

Les ingalits 1 3 2 1 sont vries quel que soit le couple alatoire

In economics, the rvs represent fortunes, incomes, etc., so that X ST

De la mme faon, on dnit la

est dnie par :

Les copules archimdiennes sont dnies par