A DARE for VaR

Abstract

Cet article introduit une nouvelle classe de modèles pour la Value-at-Risk ( VaR ) et l’ Expected Shortfall ( ES ), appelés modèles Dynamic AutoRegressive Expectiles ( DARE ). Notre approche est fondée sur une moyenne pondérée de modèles de VaR et d’ ES , calculés à partir des expectiles, i.e . les modèles Conditional Autoregressive Expectile ( CARE ) introduits par Taylor (2008a) et Kuan et al . (2009). Premièrement, nous recensons brièvement les principales approches non paramétriques, paramétriques et semi paramétriques d’estimation de la VaR et de l’ ES . Deuxièmement, nous détaillons l’approche DARE et montrons comment les expectiles peuvent être utilisés pour estimer ces mesures de risque. Troisièmement, nous utilisons différents tests de validation ( backtesting ) afin de comparer l’approche DARE à différentes méthodes alternatives de prévision de la VaR . Finalement, nous évaluons l’impact du choix des pondérations sur la qualité des prévisions et déterminons les poids optimaux dans le but de sélectionner de façon dynamique le modèle de prévision le plus adapté.