Expected Shortfall et dépendance de queue : ce que votre mesure de risque ne vous dit pas encore
Voici une expérience de pensée directe. Deux portefeuilles affichent le même Expected Shortfall au niveau 99 %. Le premier est concentré sur un seul secteur ; le second est réparti sur plusieurs classes d'actifs supposément décorrélées. Lequel est réellement moins risqué en période de stress ? La réponse dépend entièrement de la structure de dépendance en queue entre les composantes du second portefeuille — une information que l'Expected Shortfall individuelle ne contient pas.
L'Expected Shortfall au niveau alpha est définie comme l'espérance des pertes conditionnellement au fait qu'elles dépassent le quantile d'ordre alpha. C'est une mesure cohérente au sens de Artzner, Delbaen, Eber et Heath : elle satisfait les propriétés de sous-additivité, de monotonie, d'homogénéité positive et d'invariance par translation. La sous-additivité est particulièrement importante pour l'analyse de risque multi-actifs : elle garantit que le risque agrégé d'un ensemble de positions ne dépasse pas la somme des risques individuels. Mais cette propriété est une borne supérieure, pas une description précise du risque conjoint. L'Expected Shortfall d'un portefeuille agrégé peut être bien inférieure à la somme des Expected Shortfalls individuelles — ou s'en approcher dangereusement — selon la structure de dépendance entre les composantes. Ce que la mesure individuelle ne dit pas, c'est dans quelle direction le risque conjoint s'éloigne de cette borne, et de combien. C'est précisément là que la dépendance de queue entre en jeu.
Considérez deux actifs dont les distributions marginales sont identiques et dont l'Expected Shortfall individuelle est fixée. Si ces deux actifs sont liés par une copule de Clayton — forte dépendance de queue inférieure — la probabilité de pertes extrêmes simultanées est substantiellement plus élevée que si la dépendance est modélisée par une copule gaussienne avec la même corrélation linéaire. L'Expected Shortfall du portefeuille combiné sera donc différente dans les deux cas, parfois de manière significative. Ce résultat n'est pas contre-intuitif une fois que l'on a compris que la corrélation linéaire ne suffit pas à caractériser la dépendance en queue. Mais il a des implications pratiques importantes : deux analyses de risque utilisant la même mesure de risque individuelle et la même corrélation peuvent aboutir à des évaluations du risque conjoint radicalement différentes, uniquement parce qu'elles supposent des structures de dépendance de queue différentes. Rendre cette hypothèse explicite est une exigence de rigueur minimale, pas un raffinement optionnel.
Des extensions de l'Expected Shortfall ont été développées pour capturer la dimension conditionnelle du risque extrême. La Marginal Expected Shortfall mesure la contribution d'un actif individuel à la perte extrême d'un portefeuille global, conditionnellement au fait que ce portefeuille est en situation de perte extrême. Le CoVaR, proposé par Adrian et Brunnermeier, mesure la Value-at-Risk d'un actif conditionnellement à ce qu'un autre actif est lui-même en situation de stress. Ces mesures sont conceptuellement plus riches que l'Expected Shortfall individuelle car elles intègrent explicitement une structure de dépendance conditionnelle. Leur estimation requiert cependant une modélisation explicite de cette dépendance — typiquement via des copules ou des modèles de régression quantile — et les mêmes précautions s'appliquent : choix du seuil, taille d'échantillon effective dans les queues, stabilité temporelle des estimations. Elles ne résolvent pas le problème de la dépendance de queue ; elles le posent de manière plus précise, ce qui est déjà un progrès substantiel.
Un point pratique que les présentations de résultats négligent fréquemment : l'Expected Shortfall estimée est elle-même une quantité aléatoire, soumise à une variance d'échantillonnage qui peut être substantielle dans les queues. Sur des données financières quotidiennes couvrant cinq ans, l'estimation de l'Expected Shortfall au niveau 99 % repose sur environ douze à treize observations dans la queue — un effectif qui produit des intervalles de confiance larges. Ces intervalles s'élargissent encore lorsqu'on conditionne l'estimation à une période de stress particulière. Calculer et communiquer ces intervalles n'est pas une formalité académique : c'est une information nécessaire pour juger si deux estimations sont réellement distinctes ou si leur différence apparente est absorbée par l'incertitude d'échantillonnage. Le bootstrap par blocs, adapté à la structure d'autocorrélation des séries financières, est la méthode de référence pour ce calcul. Son implémentation est directe et son coût computationnel est modeste au regard de l'information qu'elle apporte.
Une pratique analytique utile consiste à comparer systématiquement l'Expected Shortfall estimée sous différentes hypothèses de dépendance de queue, pour quantifier la sensibilité de la mesure de risque aux choix de modélisation. Calibrez votre modèle avec une copule gaussienne, une copule t de Student, et une copule Clayton ou Gumbel selon le diagnostic préalable de vos données. Calculez l'Expected Shortfall du portefeuille agrégé sous chaque spécification. L'écart entre les résultats est une mesure directe du risque de modèle lié à la dépendance de queue — une quantité que les cadres réglementaires standard ne capturent généralement pas mais qui peut être substantielle. Si cet écart est faible, votre mesure de risque est robuste aux hypothèses de dépendance. Si cet écart est large, vous avez identifié une source d'incertitude qui mérite d'être documentée et prise en compte dans les décisions d'analyse de risque sur votre horizon pluriannuel.
L'Expected Shortfall est une mesure de risque solide. Mais la solidité d'une mesure individuelle ne dispense pas d'analyser la structure de dépendance en queue entre actifs. Ces deux niveaux d'analyse sont complémentaires, non substituables. Les ignorer l'un pour l'autre, c'est répondre à moitié à la question posée.