Slionlombienel
Valeurs extrêmes

Estimation par seuil Peak-over-Threshold : calibrer le bon seuil sans sacrifier la robustesse statistique

Équipe Slionlombienel 12 novembre 2026
Graphique de sélection de seuil pour estimation de queue

L'approche Peak-over-Threshold est l'un des outils les plus puissants issus de la théorie des valeurs extrêmes. Elle permet de modéliser les excès au-delà d'un seuil par une distribution de Pareto généralisée, offrant ainsi une fenêtre directe sur le comportement des queues. Mais sa qualité repose entièrement sur un paramètre que la théorie ne fixe pas automatiquement : le seuil lui-même. Trop bas, on pollue l'estimation avec des observations ordinaires. Trop haut, on manque de données pour une inférence fiable. Voici comment aborder ce compromis avec méthode.

Question centrale

Comment choisir un seuil d'estimation Peak-over-Threshold qui soit à la fois statistiquement défendable et pratiquement exploitable sur des données financières de taille limitée ?

Le graphique mean excess plot révèle la zone de validité du modèle Pareto

Diagnostic visuel

Le mean excess plot trace la moyenne des excès observés au-dessus de chaque seuil candidat en fonction du seuil lui-même. Si la distribution des excès suit bien une loi de Pareto généralisée au-delà d'un certain seuil, cette courbe doit devenir approximativement linéaire à partir de ce point. En pratique, on cherche la zone où la linéarité s'établit et reste stable sur une plage de seuils raisonnables. Ce diagnostic graphique est simple à produire et donne une première orientation, mais il demande une interprétation prudente : la linéarité apparente peut être trompeuse sur de petits échantillons, et deux analystes peuvent lire le même graphique différemment. Il doit donc être complété par des tests formels plutôt que utilisé seul comme critère de sélection du seuil final.

La stabilité des paramètres estimés valide la robustesse du seuil choisi

Stabilité paramétrique

Une fois le seuil provisoirement fixé par le mean excess plot, on réestime les paramètres de la distribution de Pareto généralisée — l'indice de queue xi et le paramètre d'échelle sigma — pour une gamme de seuils voisins. Si les estimations restent stables sur cette plage, le seuil est robuste. Si elles varient fortement, le modèle est sensible au choix exact du seuil, ce qui doit conduire soit à réviser la plage d'analyse, soit à communiquer explicitement cette sensibilité dans les conclusions. Cette vérification de stabilité paramétrique est particulièrement importante pour l'indice de queue xi, dont la valeur conditionne directement l'interprétation sur la lourdeur de la queue et les probabilités d'événements extrêmes estimées par le modèle.

La taille d'échantillon effective au-delà du seuil conditionne la fiabilité des intervalles de confiance

Taille effective

Un seuil élevé garantit que les observations retenues sont vraiment extrêmes, mais réduit mécaniquement la taille de l'échantillon utilisé pour l'estimation. Sur des données financières quotidiennes couvrant cinq ans, retenir les excès au-delà du 95e percentile laisse environ 65 observations — un nombre qui permet une estimation, mais avec des intervalles de confiance larges. Dépasser le 99e percentile réduit cet effectif à une douzaine d'observations, ce qui rend l'inférence très instable. Il est donc essentiel de calculer et de présenter explicitement les intervalles de confiance associés aux estimations, plutôt que de communiquer uniquement les valeurs ponctuelles. Une estimation honnête sur ses incertitudes est plus utile qu'une estimation précise en apparence mais fragile en pratique.

Les tests de goodness-of-fit formels complètent indispensablement les diagnostics graphiques

Validation formelle

Des tests statistiques formels — comme le test de Kolmogorov-Smirnov adapté aux distributions conditionnelles, ou les tests basés sur les résidus de Rosenblatt — permettent de vérifier objectivement si la distribution de Pareto généralisée ajuste correctement les excès au-delà du seuil retenu. Ces tests ne remplacent pas le diagnostic graphique, mais ils le complètent en fournissant une p-valeur qui peut être communiquée et reproduite. Un point de vigilance : ces tests ont eux-mêmes une puissance limitée sur de petits échantillons, ce qui signifie qu'une p-valeur acceptable ne garantit pas un bon ajustement, et qu'une p-valeur faible peut parfois refléter la taille d'échantillon plutôt qu'un mauvais modèle. L'interprétation doit toujours combiner le résultat du test avec le diagnostic visuel et la stabilité paramétrique.

La validation croisée temporelle teste la robustesse du seuil sur des régimes de marché distincts

Robustesse temporelle

Une fois le seuil calibré sur l'ensemble des données disponibles, il est utile de vérifier si ce même seuil produit des estimations cohérentes lorsqu'on divise l'échantillon en sous-périodes distinctes — par exemple en isolant les années de faible volatilité des années de stress marqué. Si l'indice de queue estimé varie substantiellement entre ces sous-périodes, cela indique que la queue de distribution n'est pas stationnaire, et qu'un modèle à seuil unique peut masquer des changements de régime importants. Dans ce cas, une estimation conditionnelle au régime de marché, ou une approche à seuil variable dans le temps, sera plus honnête sur ce que les données montrent réellement que le maintien artificiel d'un seuil constant sur toute la période.

À retenir

Le seuil optimal n'existe pas en absolu — il existe relativement à vos données, à votre taille d'échantillon et à l'usage que vous ferez des estimations. Documentez votre choix, présentez vos intervalles de confiance, et testez la stabilité avant de conclure.

Cookies et données
Nous utilisons des cookies pour analyser la navigation et améliorer le site.
Politique de cookies