Modèles copule en pratique : choisir la structure de dépendance adaptée à vos données
Les modèles copule permettent de séparer la modélisation des marges individuelles de celle de la structure de dépendance entre actifs. En théorie, c'est une séparation élégante. En pratique, le choix de la famille copule conditionne fortement la qualité de l'estimation en queue, et ce choix est rarement aussi simple que les manuels ne le laissent entendre. Voici un cadre pour l'aborder avec méthode plutôt qu'avec intuition.
Avez-vous déjà sélectionné une copule gaussienne par défaut, sans vraiment interroger ce que cette hypothèse implique pour les queues de distribution ? Vous n'êtes pas seul. La copule gaussienne est omniprésente parce qu'elle est commode, pas parce qu'elle est juste. Elle suppose une dépendance asymptotiquement nulle dans les queues — ce qui signifie que dans un monde modélisé par une copule gaussienne, des événements extrêmes simultanés sont structurellement quasi impossibles. Pour des données financières en période de stress, c'est une hypothèse difficile à défendre. Les modèles copule archimédiennes — Clayton, Gumbel, Frank — offrent des alternatives avec des structures de dépendance de queue très différentes. Clayton concentre la dépendance dans la queue inférieure, Gumbel dans la queue supérieure, et Frank suppose une dépendance symétrique sans concentration extrême. Choisir entre elles n'est pas une question de préférence esthétique : c'est une décision qui change substantiellement les probabilités d'événements conjoints extrêmes que votre modèle produira.
Ingrédients d'une estimation copule robuste
Démarche d'estimation par étapes
Avant tout choix de modèle, calculez les indices de dépendance de queue supérieure et inférieure sur vos données brutes. Utilisez l'estimateur non paramétrique basé sur les rangs, qui ne suppose aucune forme distributionnelle. Si l'indice de queue inférieure est nettement supérieur à l'indice supérieur, une copule de type Clayton mérite d'être envisagée en priorité. Cette étape prend du temps, mais elle oriente toutes les décisions suivantes. Ne la sautez pas sous prétexte que vous avez déjà une intuition sur la structure de dépendance — les données ont souvent tort de confirmer nos intuitions.
Estimez séparément la distribution de chaque actif avant de construire la copule. Une approche semi-paramétrique — distribution empirique sur le corps, Pareto généralisée sur les queues — est souvent plus robuste qu'une loi paramétrique unique imposée sur toute la distribution. Vérifiez visuellement et statistiquement l'ajustement des marges avant de passer à l'étape suivante. Une mauvaise spécification des marges contamine l'estimation de la copule, même si la famille copule est bien choisie. C'est un point que les praticiens sous-estiment régulièrement.
Calibrez au minimum trois familles : une copule elliptique comme la copule t de Student avec son paramètre de degrés de liberté, une copule archimédienne à dépendance de queue inférieure comme Clayton, et une copule à dépendance de queue supérieure comme Gumbel. Comparez les valeurs de log-vraisemblance, les critères AIC et BIC, et les p-valeurs des tests d'adéquation. Résistez à la tentation de choisir uniquement sur la base du meilleur ajustement en échantillon — un modèle légèrement moins ajusté mais théoriquement cohérent avec votre diagnostic de queue préalable est souvent préférable.
Divisez votre échantillon en sous-périodes et réestimez la copule sur chacune. Une copule dont les paramètres varient fortement entre périodes calmes et périodes de stress n'est pas un modèle stable — c'est un indice que la structure de dépendance est elle-même conditionnelle au régime de marché. Dans ce cas, un modèle copule à régimes ou une estimation conditionnelle par périodes de stress sera plus honnête sur ce que les données montrent réellement. La stabilité paramétrique est un critère de robustesse souvent négligé dans les analyses standard.
Réservez une portion de vos données — idéalement incluant un épisode de stress documenté — pour la validation. Comparez les probabilités d'événements conjoints extrêmes prédites par votre copule aux fréquences observées dans cette période de test. Un écart important dans les queues est un signal d'alarme sérieux, même si l'ajustement global semblait satisfaisant. Cette étape est la plus exigeante en termes de données, mais c'est aussi celle qui distingue une estimation copule défendable d'une estimation simplement présentable.