# Exchange rates and correlation matrices

I wanted to upload here a small problem I started to work on…. unfortunatley, I could not find (yet) a proper answer. Any comments and suggestions are welcomed. The problem is simple: consider 3 random variables that can be interpreted as exchange rates. Thus X is the exchange rate USD versus EUR, Y is the exchange rate EUR versus YEN, while Z is the exchange rate USD versus YEN. We then have the following constraint XY=Z. Given that constraint, what are the implied constraints on the correlation matrix of random vector (X,Y,Z) ?

• Bounds on correlation

There are classically standard constraints on correlation. For instance, from Cauchy-Schwarz’s inequality

but those bounds are not necessarily sharp, given distributions of  and . From Fréchet-Hoeffding bounds, we know that

where . Further, correlation matrices are necessarily positive-semidefinite matrices.
To go further to find possible bounds, recall that

and therefore

i.e.

Similarity,  will be a function of .
Thus, given marginal distributions of  and , covariances (and also correlations  and ) are functions of , and .
Somehow, we have obtained 2 degrees of freedom: if there are no additional constraints on those two coefficients, there should be no other constraints than having positive-semidefinite matrices.
I guess that  and  should not be connected. Those quantities are related to the co-skewness* and they should be different when dependence is asymmetric.
Given a 3 parameter copula for pair , respectively describing global dependence (that can be related to  and tail asymmetry (that should be related either to  and depending on the corner) it should be possible to derive any kind of triplets.

• Running simulations

I have tried to generate a lot of samples. The idea is to draw pairs from mixtures of Marshall-Olkins’ copula (wich are asymmetric), where parameters where generated randomly. I draw 250 values according to that copula. Then, the third variable is obtained taking the product of normalized pairs (or Studentized). And then calculate the associated correlation matrix.

1.  draw  from  (but actually any positive distribution should work) and
2. do 250 times the following (index )
• draw  with a Bernoulli  distribution
• draw&nbs
p; from copula  if  and  if
• set  and , and
1. estimate the correlation of sample

In dimension 3, I have the following graph,

In order to get a better understanding, I look at slices, for instance when . On the graph on the right, to dark area are values that can not be obtained since correlation have to be positive-semidefinite. Dots are points that have been obtained in a particular scenario. I have also included the convex hull if the points obtained with all the scenarios (here 50,000 scenarios), since I assume that the set of positive correlation is necessarily convex. Graphs below have been obtained when  and

So far I have not been able to obtain all possible correlations, I guess…  If anyone has suggestions…
* Recall that the co-skewness matrix, in dimension 2, for a pair  is simply

where .

# Interpréter la corrélation linéaire (2)

Je vais prendre 10 minutes pour continuer la discussion amorcée ici . Le carré de la corrélation est parfois interprété comme la “proportion de variance de Y expliquée par X“. Pour Rodgers and Nicewander (1988) il s’agit d’une “covariance standardisée” (où on transforme – de manière affine – les variables pour qu’elles soient alors de variance unitaire). J’avais essayé de trouver une interprétation en tant que probabilité de covariation (ou disons de concordance pour être plus juste), ou plutôt comme fonction de cette probabilité (Eisenbach et Falk (1984) notent d’ailleurs que certains étudiants pensent que les deux sont égales pour des variables positivement corrélées). Aujourd’hui je vais plutôt essayer de voir s’il n’existerait pas des interprétations “naturelles” de cette mesure de corrélation.

• Le cas du vecteur Gaussien et l’interprétation géométrique

Dans le cas du vecteur Gaussien, on avait évoqué que la corrélation (au sens de Pearson) pouvait être reliée à une probabilité de concordance, dans un précédant billet. Mais sinon, si on revient à la construction des vecteurs sphériques (que je devrais évoquer bientôt), on verra que la corrélation apparaissait naturellement, dans la matrice de rotation.
Comme le rappellent Dominque Drouet-Mari et Samuel Kotz, il existe aussi une interprétation géométrique du coefficient de corrélation. Comme nous l’avions rappelé ici, les courbes de niveau de la densité du vecteur Gaussien sont des ellipses (on supposera que l’on s’intéresse à un vecteur centré). Comme le montre la figure ci-dessous, le coefficient de corrélation indique la pente des tangents des courbes de niveaux avec les axes des coordonnées.

• La corrélation dans les tableaux de contingence 2×2

Mais c’est surtout dans le cas des tableaux de contingence que l’on devrait voir apparaître la corrélation. L’idée sous-jacente étant que la corrélation est très liée  à l’espérance du produit, qui dans le cas des lois de Bernoulli suit toujours une loi de Bernoulli. Et comme l’espérance est alors interprétée comme une probabilité pour ces variables dichotomiques, on ne devrait pas être surpris de voir apparaître de la corrélation de Pearson apparaître “naturellement“.
Dans le cas de variables qualitatives (disons un couple de variables de Bernoulli), la corrélation vaut

Aussi, on peut montrer facilement que la corrélation est nulle (dans le cas 2×2) si et seulement si les lignes (mais aussi les colonnes) sont proportionnelles, c’est à dire si et seulement les deux variables sont indépendantes.

• où on voit apparaître des régression,

Comme on le voit en économétrie, le coefficient de corrélation entre X et Y est compris entre la pente de la régression de Y sur X, et celle de la régression de X sur Y. Et plus précisément, on peut montrer (par un rapide calcul) que

ou encore

la signe étant donné par les coefficients de régressions (qui sont forcément de même signe). Autrement dit, comme l’avaient noté Rodgers et Nicewander (1988), la corrélation est la moyenne géométrique des pentes.

• et où on voit apparaître des probabilités conditionnelles…

Revenons dans le cas 2×2. Dans ce cas, les coefficients de régression (oui, ça peut paraître surprenant de s’intéresser à une régression linéaire pour deux variables dichotomiques, mais c’est pour la simplicité des calculs) s’interprètent comme des différences entre des probabilités conditionnelles, i.e.

soit

ce qui s’écrit enfin

Cette différence entres les probabilités conditionnelles – quand on lit horizontalement dans le tableau de contingence – se lit

Rappelons que ces différences de probabilités ne sont pas encore la corrélation linéaire, mais simplement un des termes dans la moyenne géométrique. Ce qui n’empêche pas de voir une confusion dans certains ouvrages, dont Shweder (1977) qui prétend que la corrélation est “a comparison between two conditional probabilities“, ou encore Ward et Jenkins (1965), pour qui, “perhaps the simplest formulation of contingency which is adequate to the case of unequal marginal frequencies involves a comparison of two conditional probabilities“. Cette idée est aussi évoquée dans Jennings, Amabile et Ross (1982), lorsqu’ils écrivent “one satisfactory method, for example, might involve comparing proportions (i.e., comparing the proportion of diseased people manifesting the particular symptom with the proportion of nondiseased people manifesting that symptom)“.
En fait, cette différence entre les probabilités conditionnelles pourrait davantage être vu comme une mesure causale que comme une mesure de corrélation (mais ça sera l’objet d’un autre billet, qui sera la suite de celui là).
Bref, la corrélation est la moyenne géométique des différences des probabilités conditionelles à la fois en lisant verticalement et horizon
talement le tableau de contingence, i.e.

• une apparition naturelle de la corrélation, dans un tableau 2×2

Bref, comme je l’évoquais un peu plus haut, il n’est pas surprenant de voir apparaître la corrélation au sens de Personne dans les tableaux de contingence (2×2, ne généralisons pas trop non plus). En fait, on retrouve la notation suivante dans Falk et Well (1996), si on suppose que les deux variables ont la même loi

 Y=0 Y=1 total X=0 r(1-p)+(1-r)(1-p)2 (1-r)p(1-p) 1-p X=1 (1-r)p(1-p) rp+(1-r)p2 p total 1-p p 1

et c’est d’ailleurs assez commun de voir cette écriture en épidémiologie. Le coefficient de corrélation est alors parfois appelé “probability of identity by descent“, comme dans Falk (1993).

# Quantile de sommes, ou somme de quantiles ?

Je reprends ici un commentaire que j’ai longtemps entendu dans mon expérience d’actuaire dans une vie antérieure (et qu’on peut lire – entre les lignes le plus souvent – dans certaines réactions de risk managers). Les quantiles sont la base des mesures de risques, en particulier via la VaR en finance, mais quand j’étais actuaire, on calculait des 90/10 pour désigner des quantiles à 90% des pertes. Donc tout ça n’est pas spécialement nouveau. Je rappelle que la fonction quantile est simplement  où

Les quantiles sont calculés par type de risque (en gestion des risques), et forcément à la fin, on souhaite un quantile de la somme des risques, et il a longtemps été coutume de prendre la somme des quantiles. Je vais donc discuter un peu le résultat suivant,

• L’égalité n’est pas vraie dans le cas indépendant

Suite à une espère de déformation professionnelle (à cause de la variance), beaucoup de monde pense que

mais ce résultat est faux…. Un exemple est d’ailleurs donné ci-dessous dans le cas de variables exponentielles.

• L’égalité est vraie dans le cas comonotone…

En fait, le résultat précédant est vrai dans le cas comonotone. La comonotonie correspond au cas de dépendance parfaite positive, de corrélation maximale (si la corrélation existe), i.e.  avec  une fonction strictement croissante. Alors

• … mais ce n’est pas un “worst case

Seconde bizarrerie, la comonotonie n’est pas le pire des cas. La comonotonie est souvent envisagée comme un worst case scenario mais il n’en est rien (cette idée se retrouve dans les QIS 3 par exemple, ici).
Formellement, si  (la classe de Fréchet), alors

et

En passant en dimension 2 (cas où la borne inférieure est effectivement une vraie fonction de répartition), si et  désignent respectivement des version anticomonotone et comonotone de , alors on peut se demander, en considérant une mesure de risque quelconque  si

En fait, Andre Tchen a montré en 1980 un résultat qui montre que la comonotonie est effectivement un worst case, mais seulement dans certains cas très limités.
Si est une fonction supermodulaire, i.e.

pour tout  et . Alors dans ce cas, pour tout ,

(la preuve se trouve ici). Je renvoie aux papiers de Michel Denuit, de Jan Dhaene ou de Marc Goovarts (ici ou ) pour des applications en tarification sur deux têtes, par exemple, ou sur les primes stop-loss en réassurance

• Borner (numériquement) le quantile d’une somme

Commençons par un exemple, avec deux lois exponentielles, car c’est le plus simple, et surtout on peut calculer explicitement les bornes (dans le cas général, on se contentera de méthode numérique comme l’avait fait Khalil ici).
Si  et , où, pour être plus précis,

est valide pour tout  quelle que soit la structure de dépendance entre et , où

Aussi, en prenant les inverses (car ces fonctions sont strictement croissante), on obtient une inégalité en terme de quantile, ou de Value-at-Risk,

pour tout .
Rappelons que dans le cas de variables indépendantes  alors que dans le cas comonotone . La figure ci-dessous montre les valeurs possible pour  la fonction de répartition de la somme, avec le cas indépendant en bleu, et le cas comotonone en rouge.

On peut aussi visualiser les valeurs possibles pour les quantiles de la somme. Dans un cas général, Ce problème a été traité par Makarov en 1981, et par Frank, Nelsen et Schweizer en 1997 (ici), tout en restant en dimension 2. En fait, ils ont travaillé sur les bornes de la fonction de répartition d’une somme mais c’est pareil, comme on l’a vu juste auparavant. Ils ont montré le résultat suivant: si  alors pour tout

désigne la copule anticomonotone (qui est une copule en dimension 2),

en posant , et

On peut retrouver des résultats plus fin en creusant dans la direction de l’arithmetic probability, par exemple avec la thèse de Williamson (ici, cette thèse est remarquable, et trop peu citée, malheureusement). Je ne parle que de la dimension 2, l’extension en dimension supérieure est délicate (je renvoie aux travaux de Paul Embrechts sur le sujet, ici ou , par exemple).

# Ecole d’été en actuariat à Brest

Exposé sur mesures de risques et dépendance, à Brest, dans le cadre de l’école d’été, la première partie est en ligne

ainsi que la seconde

# Hypothèse d’indépendance en assurance

Il y a deux semaines, j’ai reçu un mail dans ma boite à l’ensae (que je consulte rarement) qui posait une vraie question. “Pour le modèle de risque collectif : S=X1+X2+…+XN. On suppose que les Xi et N sont indépendants (montant de sinistres et nombre de sinistres). Question : Dans la pratique (par exemple : assurance automobile), comment peut-on expliquer cette indépendance.

Sur la forme de la question, on mélange un peu théorie et pratique: c’est la théorie qui impose cette hypothèse, et effectivement, il convient de la confronter à la pratique afin d’utiliser les résultats qui découlent du modèle collectif (en particulier en terme de solvabilité, j’en parlerai à la fin). Mais cela pose toutefois une question très intéressante.

Pour rappels, cette hypothèse a été faite par Filip Lundberg quand il a proposé les premiers résultats  en 1903 (voire plus tôt), à l’époque où l’étude des processus était assez peu développée… Charles Spearman n’a introduit sa mesure de corrélation qu’en 1904, par exemple (même si on peut trouver des choses chez Francis Galton en 1888, puis chez Karl Pearson en 18921). Autrement dit, le premier modèle reposait sur les hypothèses les plus simples possibles (pour l’époque). Depuis, l’étude des processus ponctuels s’est beaucoup développée, et énormément de résultats ont été obtenus. Autrement dit, il existe des résultats théoriques permettant de s’affranchir de cette indépendance.

Petite remarque en passant, dans les livres avec Michel Denuit, on avait insisté longuement sur cette hypothèse d’indépendance… et c’est précisément sur ce point que Claude Bébéar avait ouvert la préface (ici) et qu’Hans Bühlmann avait clôturé la postface (). C’est d’ailleurs Hans Bühlmann qui notait en 1963 que “the independence hypothesis is so common to be made that many authors forget to mention it“.
Pour être un peu complet, il y a trois indépendances distinctes dans les hypothèses du modèle collectif:

• d’indépendance entre les arrivées des sinistres, on parle plus proprement d’hypothèse d’un processus de Poisson homogène (les durées entre survenances suivent des lois exponentielles indépendantes),
• d’indépendance entre les coûts (individuels) des sinistres,
• d’indépendance entre les coûts de sinistres, et les arrivées.

C’est surtout la première hypothèse qui a été relâchée. On retrouvera des exemples dans les papiers suivants

• Malinovskii, V.K. (1998). Non-Poissonian claims’ arrivals and calculation of the probability of ruin. Insurance: Mathematics and Economics, 22, 2, 123-138.
• Gyllenberg, M. & Silvestrov, D.S. (2000). Cramer-Lundberg approximation for nonlinearly perturbed risk processes. Insurance: Mathematics and Economics, 26, 1, 75-90.

Sur les aspects pratiques, on peut retrouver ce phénomène en particulier sur les catastrophes naturelles qui sont très cycliques. L’exemple le plus connu et le plus étudié est les ouragans,

• Parisi, F. & Lund, R. (2000). Seasonality and return periods of landfalling Atlantic basin hurricanes. Australian and New Zealand Journal of Statistics, 42, 3, 271-282.

Mais on a la même chose en assurance auto, à cause de la pluie et du brouillard (en France en tous cas2).
Pour la seconde, on peut trouver des choses dans les derniers papiers de Stéphane Loisel (ici).
Mais c’est le dernier point qui était évoqué, et seulement celui là… Avec la même dichotomie que tout à l’heure, on trouve des résultats théoriques, en particulier dans les papiers d’Hansjorg Albrecher

• Albrecher, H. & Boxma, O.J. (2004). A ruin model with dependence between claim sizes and claim intervals. Insurance: Mathematics and Economics, 35, 2, 245-254.

Sur les aspects pratiques, l’exemple le plus classique et le plus étudié est celui des tremblements de terre. Pour faire très simple, un tremblement de terre est causé par une accumulation d’énergie: plus on attend, plus le tremblement de terre risque d’être important. Bref, d’un point de vue pratique, cette hypothèse peut être délicate à supposer. On avait utilisé un modèle ACD avec un processus marqué dans le cas des crues de rivières par exemple, dans un papier avec David Sibaï (ici). On modélisait un processus joint prenant en compte les durées des crues, les durées entre crue, et les importances des crues. Là aussi, intensités et durées ne sont pas indépendant.

Mais au delà de l’explication, il faut aussi – peut être – essayer de tester cette indépendance. Si quelqu’un a des données ou des résultats sur ce sujet, je suis preneur.

Pour conclure, je dirais que cette hypothèse d’indépendance est fondamentale. Si on la supprime, on peut perdre beaucoup de résultats classiques, sur la solvabilité par exemple. Pour reprendre une idée commune partagée par beaucoup de monde, dans l’Encyclopaedia of Financial Engineering and Risk Management, (ici) on apprend que “reinsurance is able to offer additional underwriting capacity for cedants, but also to reduce the probability of a direct insurer’s ruin“. En fait, ce résultat devient faux si l’on supprime cette hypothèse d’indépendance: on peut augmenter la probabilité de ruine en se réassurance ! La réassurance diminue alors la solvabilité de la compagnie d’assurance (ou tout du moins peut le faire). C’est dans un papier que j’ai soumis récemment, je garde donc tout ça pour un billet dans les mois à venir… à suivre donc.

1 Sur la corrélation de Pearson – que j’ai beaucoup critiqué sur ce blog – je renvoie à un très beau papier que je viens (seulement) de découvrir, de Joseph Rodgers et Alan Nicewander, intitulé Thirteen Ways to Look at the Correlation Coefficient (ici)
2 Si quelqu’un a des données pour illustrer ce point, je suis preneur !

# Séminaire Probabilité et Statistique, UBO, Brest

Talk at the statistical seminar at the Université de Bretagne Occidentale, in Brest, Wednesday May 6th Tuesday May 5th, 14h (in  10 days), on “multivariate extremes. Slides can be found here.

The talk will give a detailed introduction on multivariate extremes and related concepts. Then the case of Archimedean copula will be fully described (following the paper with Johan Segers).

[04/05/2009]: some applications in risk management will be shown at the end of talk, as well as some news things on spatial correlation.

and in order to illustrate tail convergence of Archimedean copulas, I have uploaded two animations, with tail independence below,

with tail dependence (or asymptotic dependence),

# Pariwise and global dependence

I was just contacted by some researchers willing to test if a multivariate copula is – or not – Gaussian. They use a test proposed in an unpublished paper by Malevergne and Sornette, stating that one should simply test for pairwise normality. In this paper, the following result is mentioned

In other words, it is stated that (or at least something closed to this)

Unfortunately, this result is (probably) not correct (and if it is valid, it is nontrivial). It should be possible to construct a counterexample (thanks to Roger Nelsen (web) for the idea) by letting the correlation in each pair be close to -1 (i.e. global pairwise contercomonotonicity). Then the correlation matrix of the triplet would fail to be positive definite (which is a requierment for Gaussian vectors). This idea can be related to the “compatibility” condition in Joe (1997).

My colleague Mihai Gradinaru (web) mentioned the book by Wlodzimierz Bryc, Normal distribution: characterizations with applications, but I did not find any result in it (I looked very quickly). Anyway, I am still working on this… any comment is welcome !

# Dynamic dependence ordering for Archimedean copulas and distorted copulas

The paper on Dynamic dependence ordering for Archimedean copulas and distorted copulas should appear soon in Kybernetika.

This paper proposes a general framework to compare the strength of the dependence in survival models, as time changes, i.e. given remaining lifetimes X, to compare the dependence of X given X>t, and X given X>s, where s>t. More precisely, analytical results will be obtained in the case the survival copula of X is either Archimedean or a distorted copula. The case of a frailty based model will also be discussed in details.

# Copulas, risk dependence and applications to Solvency II

Exposé dans le cadre de la Summer School of the Groupe Consultatif Actuariel Européen: Enterprise Risk Management (ERM) and Solvency II. Petite réflexion à partir des déclarations du rapport technique QIS3, en particulier la déclaration qui mériterait des heures de commentaires,
In view of the insufficiency of currently available data, the setting of these correlation coefficients will necessarily include a certain degree of judgement. This is also true because, when selecting correlation coefficients, allowance should be made for non-linear tail correlation, which is not captured under a “pure” linear correlation approach. To allow for this, the correlations used should be higher than simple analysis of relevant data would indicate.

# International Workshop on Applied Probability

Exposé au Workshop dans la session de Fabio Spizzichino, sur la déformation des structures de dépendance en présence de vieillissement, dans le cas de copules Archimédiennes (slides).

Je serais chairman de la session Copulas le lundi soir.

# Conférence couverture des risques extrêmes

Exposé sur les dépendances extrêmes (slides) à l’Université Paris Dauphine, en insistant sur le comportement des copules Archimédiennes. L’intégralité des présentations peut se télécharger depuis http://researchfund.axa.com/

# Copules, avenir de l’actuariat ou gadget statistique?

Exposé sur les copules cette semaine, à Paris 6. Petite réflexion sur le sujet, inspiré du papier de Thomas Mikosch sur ce sujet,

Il y a de longues années vivait un empereur qui aimait par-dessus tout les beaux habits neufs ; il dépensait tout son argent pour être bien habillé. Il ne s’intéressait nullement à ses soldats, ni à la comédie, ni à ses promenades en voiture dans les bois, si ce n’était pour faire parade de ses habits neufs. Il en avait un pour chaque heure du jour et, comme on dit d’un roi : « Il est au conseil », on disait de lui : « L’empereur est dans sa garde-robe. »

La vie s’écoulait joyeuse dans la grande ville où il habitait ; beaucoup d’étrangers la visitaient. Un jour arrivèrent deux escrocs, se faisant passer pour tisserands et se vantant de savoir tisser l’étoffe la plus splendide que l’on puisse imaginer.

Non seulement les couleurs et les dessins en étaient exceptionnellement beaux, mais encore, les vêtements cousus dans ces étoffes avaient l’étrange vertu d’être invisibles pour tous ceux qui étaient incapables dans leur emploi, ou plus simplement irrémédiablement des sots. « Ce seraient de précieux habits, pensa l’empereur, en les portant je connaîtrais aussitôt les hommes incapables de mon empire, et je distinguerais les intelligents des imbéciles. Cette étoffe, il faut au plus vite la faire tisser. »

Il donna d’avance une grosse somme d’argent aux deux escrocs pour qu’ils se mettent à l’ouvrage. Ils installèrent bien deux métiers à tisser et firent semblant de travailler, mais ils n’avaient absolument aucun fil sur le métier.

Ils s’empressèrent de réclamer les plus beaux fils de soie, les fils d’or les plus éclatants, ils les mettaient dans leur sac à eux et continuaient à travailler sur des métiers vides jusque dans la nuit. J’aimerais savoir où ils en sont de leur étoffe, se disait l’empereur, mais il se sentait très mal à l’aise à l’idée qu’elle était invisible aux sots et aux incapables.

Il pensait bien n’avoir rien à craindre pour lui-même, mais il décida d’envoyer d’abord quelqu’un pour voir ce qu’il en était. Tous les habitants de la ville étaient au courant de la vertu miraculeuse de l’étoffe et tous étaient impatients de voir combien leurs voisins étaient incapables ou sots.

Je vais envoyer mon vieux et honnête ministre, pensa l’empereur. C’est lui qui jugera de l’effet produit par l’étoffe, il est d’une grande intelligence et personne ne remplit mieux sa fonction que lui. Alors le vieux ministre honnête se rendit dans l’atelier où les deux menteurs travaillaient sur les deux métiers vides. Mon Dieu ! pensa le vieux ministre en écarquillant les yeux, je ne vois rien du tout ! Mais il se garda bien de le dire. Les deux autres le prièrent d’avoir la bonté de s’approcher et lui demandèrent si ce n’était pas là un beau dessin, de ravissantes couleurs.

Ils montraient le métier vide et le pauvre vieux ministre ouvrait des yeux de plus en plus grands, mais il ne voyait toujours rien puisqu’il n’y avait rien. « Grands dieux ! se disait-il, serais-je un sot ? Je ne l’aurais jamais cru et il faut que personne ne le sache ! Remplirais-je mal mes fonctions ? Non, il ne faut surtout pas que je dise que je ne vois pas cette étoffe. » Eh bien ! vous ne dites rien ? dit l’un des artisans. Oh ! c’est vraiment ravissant, tout ce qu’il y a de plus joli, dit le vieux ministre en admirant à travers ses lunettes. Ce dessin ! … ces couleurs ! …

Oui, je dirai à l’empereur que cela me plaît infiniment. Ah ! nous en sommes contents. Les deux tisserands disaient le nom des couleurs, détaillaient les beautés du dessin. Le ministre écoutait de toutes ses oreilles pour pouvoir répéter chaque mot à l’empereur quand il serait rentré, et c’est bien ce qu’il fit. Les escrocs réclamèrent alors encore de l’or et encore des soies et de l’or filé. Ils mettaient tout dans leurs poches, pas un fil sur le métier, où cependant ils continuaient à faire semblant de travailler.

Quelque temps après, l’empereur envoya un autre fonctionnaire important pour voir où on en était du tissage et si l’étoffe serait bientôt prête. Il arriva à cet homme la même chose qu’au ministre, il avait beau regarder, comme il n’y avait que des métiers vides, il ne voyait rien. N’est-ce pas là une belle pièce d’étoffe ? disaient les deux escrocs, et ils recommençaient leurs explications. « Je ne suis pas bête, pensait le fonctionnaire, c’est donc que je ne conviens pas à ma haute fonction. C’est assez bizarre, mais il ne faut pas que cela se sache. »

Il loua donc le tissu qu’il ne voyait pas et les assura de la joie que lui causait la vue de ces belles couleurs, de ce ravissant dessin. C’est tout ce qu’il y a de plus beau, dit-il à l’empereur. Tous les gens de la ville parlaient du merveilleux tissu. Enfin, l’empereur voulut voir par lui-même, tandis que l’étoffe était encore sur le métier.

Avec une grande suite de courtisans triés sur le volet, parmi lesquels les deux vieux excellents fonctionnaires qui y étaient déjà allés, il se rendit auprès des deux rusés compères qui tissaient de toutes leurs forces – sans le moindre fil de soie. N’est-ce pas magnifique, s’écriaient les deux vieux fonctionnaires, que Votre Majesté admire ce dessin, ces teintes. Ils montraient du doigt le métier vide, s’imaginant que les autres voyaient quelque chose.

« Comment ! pensa l’empereur, je ne vois rien ! Mais c’est épouvantable ! Suis-je un sot ? Ne suis-je pas fait pour être empereur ? Ce serait terrible ! Oh ! de toute beauté, disait-il en même temps, vous avez ma plus haute approbation. » Il faisait de la tête un signe de satisfaction et contemplait le métier vide. Il ne voulait pas dire qu’il ne voyait rien. Toute sa suite regardait et regardait sans rien voir de plus que les autres, mais ils disaient comme l’empereur : « Oh ! de toute beauté ! » Et ils lui conseillèrent d’étrenner l’habit taillé dans cette étoffe splendide à l’occasion de la grande procession qui devait avoir lieu bientôt. Magnifique ! Ravissant ! Parfait ! Ces mots volaient de bouche en bouche, tous se disaient enchantés.

L’empereur décora chacun des deux escrocs de la croix de chevalier pour mettre à leur boutonnière et leur octroya le titre de gentilshommes tisserands. Toute la nuit qui précéda le jour de la procession, les escrocs restèrent à travailler à la lueur de seize chandelles. Toute la ville pouvait ainsi se rendre compte de la peine qu’ils se donnaient pour terminer les habits neufs de l’empereur. Ils faisaient semblant d’enlever l’étoffe de sur le métier, ils taillaient en l’air avec de grands ciseaux, ils cousaient sans aiguille et sans fil, et à la fin ils s’écrièrent :

Voyez, l’habit est terminé ! L’empereur vint lui-même avec ses courtisans les plus haut placés. Les deux menteurs levaient un bras en l’air comme s’ils tenaient quelque chose : Voici le pantalon, voici l’habit ! voilà le manteau ! et ainsi de suite. C’est léger comme une toile d’araignée, on croirait n’avoir rien sur le corps, c’est là le grand avantage de l’étoffe. Oui oui, dirent les courtisans de la suite, mais ils ne voyaient rien, puisqu’il n’y avait rien.

L’empereur enleva tous ses beaux vêtements et les escrocs firent les gestes de lui en mettre. Dieu ! comme cela va bien
! Comme c’est bien pris, disait chacun. Quel dessin, quelles couleurs, voilà des vêtements luxueux. Les chambellans qui devaient porter la traîne du manteau de cour tâtonnaient de leurs mains le parquet et les élevaient ensuite comme s’ils ramassaient cette traîne. C’est ainsi que l’empereur marchait devant la procession sous le magnifique dais, et tous ses sujets s’écriaient :

Dieu ! que le nouvel habit de l’empereur est admirable. Personne ne voulait avouer qu’il ne voyait rien, puisque cela aurait montré qu’il était incapable dans son emploi, ou simplement un sot. Jamais un habit neuf de l’empereur n’avait connu un tel succès. Mais il n’a pas d’habit du tout ! cria un petit enfant dans la foule. Grands dieux ! entendez, c’est la voix de l’innocence, dit son père. Et chacun de chuchoter de l’un à l’autre :

Il n’a pas d’habit du tout … Il n’a pas d’habit du tout ! cria à la fin le peuple entier. L’empereur frissonna, car il lui semblait bien que tout son peuple avait raison, mais il pensait en même temps qu’il fallait tenir bon jusqu’à la fin de la procession. Il se redressa encore plus fièrement, et les chambellans continuèrent à porter le manteau de cour et la traîne qui n’existait pas.

(Andersen, les habits neufs de l’empereur)

# Convergence of Archimedean Copulas

The paper on Convergence of Archimedean Copulas, with Johan Segers, just appeared, in Statistics and Probability Letters.

Convergence of a sequence of bivariate Archimedean copulas to another Archimedean copula or to the comonotone copula is shown to be equivalent with convergence of the corresponding sequence of Kendall distribution functions. No extra differentiability conditions on the generators are needed.

# Mesures de risques et dépendance

Deux séances dans le cadre de la formation Gestion des risques bancaires et financiers, chez EdF

10. Mesures de risques, aspect règlementaires et principes de base (slides)

11. Copules et dépendance (slides)

# Advances in copula density estimation

Exposé aux Gemeinsame Jahrestagung der Deutschen Mathematiker-Vereinigung und der Gesellschaft für Didaktik der Mathematik, dans la session Multivariate Dependence Modelling using Copulas – Applications in Finance, Humboldt-Universität zu Berlin, Mars 2007, à partir du chapitre écrit avec Jean David Fermanian et Olivier Scaillet sur The estimation of copulas : theory and pratice.

Copulas are a way of formalising dependence structures of random vectors. Although they have been known about for a long time (Sklar (1959)), they have been rediscovered relatively recently in applied sciences (biostatistics, reliability, biology, etc). In finance, they have become a standard tool with broad applications: multiasset pricing (especially complex credit derivatives), credit portfolio modelling, risk management, etc. For example, see Li (1999), Patton (2001) and Longin and Solnik (1995). […] In this chapter, we focus on the practical issues practitioners are faced with, in particular concerning estimation and visualisation. In the first section, we give a general setting for the estimation of copulas. Such a framework embraces most of the available techniques. In the second section, we deal with the estimation of the copula density itself, with a particular focus on estimation near the boundaries of the unit square.