Expected shortfall estimation and capital coverage under overlapping scenarios

Martin Aichele; Igor Cialenco; Damian Jelito; Marcin Pitera

Résumé IA · arXiv: 2610.41624v1 · q-fin.RM

Expected shortfall estimation and capital coverage under overlapping scenarios

Martin Aichele, Igor Cialenco, Damian Jelito, Marcin Pitera

Article original Soumis à arXiv le 30 Oct. 2026 Licence : NONEXCLUSIVE-DISTRIB 1.0 Aussi en : en

Comment lire ce résumé ? Guide illustré

L’essentiel

L’étude montre que les scénarios de rendement chevauchants entraînent une sous-estimation de l’ES et une couverture du capital dégradée, que des pondérations plus prudentes n’éliminent pas.

Question

Les estimateurs non paramétriques d’ES conçus pour des observations indépendantes restent-ils fiables lorsqu’ils sont appliqués aux scénarios chevauchants utilisés en pratique ? L’étude examine aussi comment la dépendance temporelle et l’épaisseur des queues affectent l’estimation et la couverture du capital.

Méthode

Les auteurs comparent six estimateurs d’ES fondés sur des statistiques d’ordre, dans le cadre des estimateurs de risque cohérents, pour une fenêtre de 250 observations et un niveau de confiance de 2,5 %, avec la VaR à 1 % comme référence. Ils combinent des simulations de lois statiques et de modèles GARCH, évaluées sur 10^6 échantillons, et des données de marché comprenant douze séries de facteurs de risque et 99 portefeuilles d’actions, sous des schémas chevauchants et non chevauchants.

Résultats

Résultat Dans les simulations, le chevauchement déplace les estimations vers le bas et détériore simultanément les indicateurs d’ajustement, de biais et de sécurité.
Voir le passage dans l’article
Overlapping samples do more than inflate variance through a smaller effective sample size: they are associated with a directional bias, systematically underestimating risk across fit, bias, and safety metrics – the most adverse direction for capital adequacy.
Résultat La dépendance GARCH accentue le biais négatif, tandis que les queues épaisses aggravent les difficultés de couverture.
Voir le passage dans l’article
For the GARCH models, the bias becomes more negative for all estimators under both schemes, by roughly 7–11 percentage points for non-overlapping and 7–13 percentage points for overlapping samples, relative to the i.i.d. model with the same innovation family (Gaussian or Student-$t$); see Figure 1 (middle, gray shaded area).
Interprétation des auteurs Des pondérations plus conservatrices améliorent certains indicateurs de biais et de sécurité, mais le compromis avec l’ajustement est marqué et l’amélioration n’assure pas toujours une couverture adéquate.
Voir le passage dans l’article
Conservative weighting helps, but does not always suffice, and when heavy tails, serial dependence and overlapping sampling are jointly present, even the most conservative estimators #5-#6 remain outside the safe zone, while under non-overlapping sampling they stay within the green zone for the static models.
Résultat Sur les données de marché, le seuil de confiance de couverture médian augmente approximativement d’un facteur deux sous échantillonnage chevauchant.
Voir le passage dans l’article
In contrast, under overlapping, 10-day construction the realized CT roughly doubles, to $3.6$–$11.6\%$, with medians of $8.0\%$ (#1) to $7.2\%$ (#6).
Interprétation des auteurs Le ratio ES/VaR varie peu entre les schémas et ne suffit donc pas à diagnostiquer la couverture absolue du capital.
Voir le passage dans l’article
A ratio above $0.9$ test on overlapping data therefore says little about the absolute ES estimation error, and should be combined with other diagnostics, such as the CT values.

Limites

L’analyse se concentre sur ES à 2,5 % et des échantillons de taille 250, ce qui limite la portée directe des résultats à d’autres calibrages.
Voir le passage dans l’article
Furthermore, while we focus on $\ES_{2.5\%}$ and $n=250$, motivated by the FRTB Pillar I market risk framework, the underlying estimation problem is not specific to this regulatory calibration.
Dans les données de marché, la véritable ES est inconnue et plusieurs indicateurs de simulation ne peuvent donc pas être évalués directement.
Voir le passage dans l’article
Unlike in the simulation study of Section 4, the true ES is unknown in the market data setting, so we have to adapt the assessment framework of Section 3.
La comparaison des schémas chevauchant et non chevauchant en simulation mêle dépendance et changement de la loi cible, sauf dans le cas gaussien.
Voir le passage dans l’article
The comparison therefore mixes the effect of serial dependence with that of a target law closer to Gaussian, except the Gaussian case, where the 10-day law remains Gaussian and the effect of dependence is isolated.

Portée

Les auteurs soutiennent que l’application inchangée d’estimateurs calibrés sous indépendance peut sous-estimer sensiblement le capital fondé sur l’ES. Ils préconisent une validation et un suivi intégrant des diagnostics de couverture, ainsi qu’une théorie dédiée à l’estimation sous scénarios chevauchants et dépendants.

Rédigé par une IA à partir de l’article. Les passages cités sont vérifiés mot pour mot dans le texte analysé ; le reste peut contenir des erreurs.

Mots clés générés par l'IA : expected shortfall fenêtres chevauchantes dépendance temporelle risque de queue sécurité du capital

Pour aller plus loin

Résumé Complet
Résumé vulgarisé
Article de blog
Abstract original

L’article examine la fiabilité des estimateurs non paramétriques de l’espérance de perte en queue (expected shortfall, ou ES) lorsqu’ils sont appliqués à des scénarios financiers chevauchants, alors qu’ils ont été conçus principalement pour des observations indépendantes. Dans le cadre du dispositif FRTB, les banques estiment souvent l’ES à 2,5 % à partir d’environ 250 scénarios de dix jours, construits en faisant glisser une fenêtre quotidienne. Deux fenêtres consécutives partagent ainsi neuf journées sur dix, ce qui crée une dépendance, même lorsque les rendements journaliers sont indépendants. Les auteurs étudient également les effets de la dépendance temporelle déjà présente dans les rendements et des distributions à queues épaisses. L’étude compare six estimateurs de l’ES fondés sur des statistiques d’ordre. Leurs pondérations vont de la moyenne empirique des pertes dans la queue à des variantes accordant davantage de poids aux pertes extrêmes. Pour certains estimateurs, les pondérations sont renormalisées afin de respecter les propriétés d’une mesure de risque cohérente. La comparaison inclut également un estimateur de la VaR à 1 %. Les auteurs évaluent neuf mesures réparties en trois catégories : précision, biais et sécurité du capital. Parmi les indicateurs de sécurité figure le seuil de confiance sûr, soit le niveau auquel le capital estimé suffit à couvrir le risque résiduel. Les simulations portent sur des échantillons de 250 observations et comprennent un million de répétitions par modèle. Elles couvrent les lois normale, de Student, de Pareto généralisée et normale-inverse-gaussienne, ainsi que des modèles GARCH à innovations gaussiennes ou suivant une loi de Student. Une analyse complémentaire s’appuie sur douze séries de facteurs de risque et 99 portefeuilles d’actions Fama-French. Le principal résultat est que le chevauchement ne réduit pas uniquement la précision en diminuant la quantité d’information disponible : il s’accompagne également d’une sous-estimation systématique du risque. Dans les simulations, le biais moyen des estimateurs de l’ES devient négatif avec l’échantillonnage chevauchant. Il varie d’environ −5 % dans le cas normal à −19 % pour une loi de Pareto généralisée dont le paramètre de queue est de 1/3. La dépendance GARCH détériore également les résultats. Pour une série gaussienne, un échantillon chevauchant de 250 observations contient, en termes de variance, autant d’information qu’environ 57 observations indépendantes. En moyenne, tous modèles et estimateurs confondus, le seuil de confiance sûr augmente de 104,4 % lorsqu’on passe d’un schéma non chevauchant à un schéma chevauchant. Pour les seuls modèles statiques, il passe d’environ 2,91 % à 6,95 %. Les pondérations plus conservatrices, qui accordent davantage de poids aux pertes extrêmes, améliorent généralement le biais et la sécurité, mais peuvent entraîner une erreur symétrique plus élevée. Elles ne corrigent toutefois pas entièrement la sous-estimation lorsque le chevauchement, la dépendance et les queues épaisses se combinent. Les données de marché confirment cette tendance. Pour les séries de facteurs de risque, le seuil de confiance sûr médian passe, selon l’estimateur, de 4,0–3,2 % en données journalières à 8,0–7,2 % avec des données chevauchantes sur dix jours. Les portefeuilles d’actions présentent une évolution comparable.

Pourquoi les scénarios chevauchants compliquent l’estimation du risque

Pour mesurer les pertes extrêmes, les banques utilisent notamment l’espérance de perte en queue, ou expected shortfall (ES). Dans le cadre réglementaire FRTB, cette mesure est souvent estimée à 2,5 % à partir d’environ 250 scénarios de dix jours. Ces scénarios sont généralement construits en faisant glisser une fenêtre sur les rendements quotidiens : deux fenêtres successives partagent alors neuf journées sur dix.

Ce procédé crée une dépendance entre les observations, même si les rendements quotidiens sont indépendants. Or, les estimateurs non paramétriques courants de l’ES ont surtout été conçus pour des données indépendantes. Dans leur article Expected shortfall estimation and capital coverage under overlapping scenarios, Martin Aichele, Igor Cialenco, Damian Jelito et Marcin Pitera étudient la fiabilité de ces méthodes lorsque les scénarios se chevauchent. Ils examinent aussi l’effet d’une dépendance temporelle déjà présente dans les rendements et celui des distributions à queues épaisses.

Une comparaison de plusieurs estimateurs et modèles

Les auteurs comparent six estimateurs de l’ES fondés sur des statistiques d’ordre. Ils diffèrent par le poids accordé aux pertes situées dans la queue de la distribution : certains calculent une moyenne empirique, tandis que d’autres donnent plus d’importance aux pertes les plus extrêmes. Pour certaines méthodes, les pondérations sont renormalisées afin de préserver les propriétés d’une mesure de risque cohérente. L’étude inclut aussi un estimateur de la valeur à risque (VaR) à 1 %.

Les méthodes sont évaluées selon neuf mesures, réparties en trois catégories :

Précision : à quel point les estimations se rapprochent du risque réel.
Biais : dans quelle mesure elles tendent à surestimer ou sous-estimer le risque.
Sécurité du capital : si le capital estimé suffit à couvrir le risque résiduel.

Un indicateur central de cette dernière catégorie est le seuil de confiance sûr : le niveau auquel le capital calculé permet effectivement de couvrir le risque restant.

Les simulations utilisent des échantillons de 250 observations et un million de répétitions pour chaque modèle. Elles couvrent des distributions normale, de Student, de Pareto généralisée et normale-inverse-gaussienne, ainsi que des modèles GARCH avec innovations gaussiennes ou suivant une loi de Student. Pour compléter ces expériences, les auteurs analysent douze séries de facteurs de risque et 99 portefeuilles d’actions Fama-French.

Le chevauchement entraîne une sous-estimation du risque

Le résultat principal va au-delà d’une simple perte de précision. Le chevauchement réduit bien la quantité d’information utile, mais il s’accompagne aussi d’une sous-estimation systématique de l’ES. Dans les simulations, le biais moyen devient négatif pour tous les estimateurs de l’ES étudiés lorsque les observations se chevauchent. Il va d’environ −5 % dans le cas normal à −19 % pour une loi de Pareto généralisée dont le paramètre de queue est de 1/3.

La dépendance temporelle aggrave le problème. Dans une série gaussienne, 250 observations chevauchantes contiennent, en termes de variance, autant d’information qu’environ 57 observations indépendantes. Autrement dit, un échantillon qui semble fournir 250 scénarios peut offrir beaucoup moins d’information statistique qu’on ne le penserait en supposant l’indépendance.

Cette fragilité se reflète également dans les mesures de couverture du capital. Tous modèles et estimateurs confondus, le seuil de confiance sûr augmente en moyenne de 104,4 % lorsqu’on passe d’un échantillonnage non chevauchant à un échantillonnage chevauchant. Pour les modèles statiques seulement, il passe d’environ 2,91 % à 6,95 %.

Des pondérations plus prudentes, mais pas infaillibles

Donner davantage de poids aux pertes extrêmes améliore généralement le biais et la sécurité du capital. Cette prudence a toutefois un coût : elle peut augmenter l’erreur symétrique, qui pénalise aussi bien une surestimation qu’une sous-estimation. Surtout, aucune pondération étudiée ne corrige entièrement la sous-estimation lorsque le chevauchement, la dépendance temporelle et les queues épaisses sont réunis.

Les données de marché confirment les enseignements des simulations. Pour les séries de facteurs de risque, le seuil de confiance sûr médian varie, selon l’estimateur, de 4,0 à 3,2 % avec des données journalières, contre 8,0 à 7,2 % avec des données chevauchantes sur dix jours. Les portefeuilles d’actions présentent une évolution comparable.

Ce que ces résultats impliquent pour la gestion des risques

L’étude met en évidence un enjeu pratique pour les banques : appliquer directement à des scénarios chevauchants des estimateurs conçus pour des observations indépendantes peut conduire à une évaluation trop optimiste des pertes extrêmes et du capital nécessaire. La précision apparente d’un échantillon de 250 scénarios ne garantit donc ni une quantité équivalente d’information ni une couverture suffisante.

Les méthodes accordant plus de poids aux pertes extrêmes peuvent renforcer la prudence, mais elles ne remplacent pas une prise en compte explicite de la dépendance et du chevauchement. Pour interpréter les estimations d’ES, il faut tenir compte de la structure des scénarios, du comportement temporel des rendements et de l’épaisseur des queues de distribution. C’est à cette condition que les résultats statistiques peuvent éclairer plus sûrement les décisions de capital.

Créé le 02 Nov. 2026

Cette synthèse vous a-t-elle été utile ?

Note : 0

Posez des questions sur cet article à notre assistant IA

Comment discuter avec cet article ? Guide illustré

Comparer avec le PDF

Vous pouvez aussi discutez avec plusieurs papiers à la fois ici.

Instructions pour utiliser l'assistant IA ?

Outils pour cet article

Expliquer autrement 3 réécritures gratuites restantes aujourd'hui

Enregistrer dans une collection Regroupez des articles en collections pour les comparer, les interroger et les exporter. Créer un compte gratuit Se connecter

Exporter BibTeX · RIS (Zotero, Mendeley, EndNote) · Obsidian (Markdown) · Notion (Markdown)

Outils avancés Premium

Pour suivre un domaine de près : alertes de citations, diapositives de journal club, comparaison des versions et envoi vers Zotero. Découvrir Premium

Zotero

Alertes de citation Guide des alertes de citations

Qui travaille dessus ? Les personnes et institutions qui publient sur son sujet

Lettre hebdomadaire Présenté dans « Économie et finance cette semaine » du 2 novembre 2026. Économie et finance cette semaine : ce que nos instruments nous laissent voir

Journal club Premium+ Des slides pour le présenter Proposer pour le journal club

Versions Ce qui a changé entre les versions

En parler en public Premium+ Kit presse : communiqué, questions, détecteur de hype Guide du kit presse

Les articles autour de celui-ci

Les voir sur une carte

Classés selon la proximité de leur titre et de leur résumé avec ceux de cet article. Sélectionnez-en pour les lire ensemble.

Les articles les plus proches

Proche Contexte plus large
Risk measures induced by efficient insurance contracts
Qiuqi Wang, Ruodu Wang, Ricardas Zitikis · 2021 · Theoretical Economics · cité 4 fois · Résumé IA disponible

Risk measures induced by efficient insurance contracts caractérise les mesures de risque liées aux contrats d’assurance efficients et incluent une combinaison de la moyenne et de l’ES.

Résumé scientifique
The Expected Shortfall (ES) is one of the most important regulatory risk measures in finance, insurance, and statistics, which has recently been characterized via sets of axioms from perspectives of portfolio risk management and statistics. Meanwhile, there is large literature on insurance design with ES as an objective or a constraint. A visible gap is to justify the special role of ES in insurance and actuarial science. To fill this gap, we study characterization of risk measures induced by efficient insurance contracts, i.e., those that are Pareto optimal for the insured and the insurer. One of our major results is that we characterize a mixture of the mean and ES as the risk measure of t…
Apparenté Contexte plus large
Forecast Evaluation in Large Cross-Sections of Realized Volatility
Christis Katsouris · 2021 · Machine Learning · Pas encore résumé

Forecast Evaluation in Large Cross-Sections of Realized Volatility évalue des prévisions de volatilité sous dépendance transversale, plutôt que l’estimation de l’ES sous scénarios chevauchants.

Résumé scientifique
In this paper, we consider the forecast evaluation of realized volatility measures under cross-section dependence using equal predictive accuracy testing procedures. We evaluate the predictive accuracy of the model based on the augmented cross-section when forecasting Realized Volatility. Under the null hypothesis of equal predictive accuracy the benchmark model employed is a standard HAR model while under the alternative of non-equal predictive accuracy the forecast model is an augmented HAR model estimated via the LASSO shrinkage. We study the sensitivity of forecasts to the model specification by incorporating a measurement error correction as well as cross-sectional jump component measur…
Apparenté Autre approche du problème
A semi-parametric dynamic conditional correlation framework for risk forecasting
Giuseppe Storti, Chao Wang · 2022 · Risk Management · cité 3 fois · Résumé IA disponible

A semi-parametric dynamic conditional correlation framework for risk forecasting prévoit conjointement VaR et ES par un modèle semi-paramétrique de dépendance entre actifs.

Résumé scientifique
We develop a novel multivariate semi-parametric framework for joint portfolio Value-at-Risk (VaR) and Expected Shortfall (ES) forecasting. Unlike existing univariate semi-parametric approaches, the proposed framework explicitly models the dependence structure among portfolio asset returns through a dynamic conditional correlation (DCC) parameterization. To estimate the model, a two-step procedure based on the minimization of a strictly consistent VaR and ES joint loss function is employed. This procedure allows to simultaneously estimate the DCC parameters and the portfolio risk factors. The performance of the proposed model in risk forecasting on various probability levels is evaluated by m…
Apparenté Contexte plus large
Nonparametric Tests of Tail Behavior in Stochastic Frontier Models
William, C. Horrace, Yulong Wang · 2020 · Econometrics · cité 5 fois · Résumé IA disponible

Nonparametric Tests of Tail Behavior in Stochastic Frontier Models teste les queues de distributions par des méthodes non paramétriques, dans des modèles de frontière stochastique.

Résumé scientifique
This article studies tail behavior for the error components in the stochastic frontier model, where one component has bounded support on one side, and the other has unbounded support on both sides. Under weak assumptions on the error components, we derive nonparametric tests that the unbounded component distribution has thin tails and that the component tails are equivalent. The tests are useful diagnostic tools for stochastic frontier analysis. A simulation study and an application to a stochastic cost frontier for 6,100 US banks from 1998 to 2005 are provided. The new tests reject the normal or Laplace distributional assumptions, which are commonly imposed in the existing literature.
Apparenté Contexte plus large
Double Descent in Portfolio Optimization: Dance between Theoretical Sharpe Ratio and Estimation Accuracy
Yonghe Lu, Yanrong Yang, Terry Zhang · 2024 · Portfolio Management · cité 2 fois · Résumé IA disponible

Double Descent in Portfolio Optimization étudie comment la précision d’estimation affecte les performances hors échantillon de portefeuilles moyenne-variance.

Résumé scientifique
We study the relationship between model complexity and out-of-sample performance in the context of mean-variance portfolio optimization. Representing model complexity by the number of assets, we find that the performance of low-dimensional models initially improves with complexity but then declines due to overfitting. As model complexity becomes sufficiently high, the performance improves with complexity again, resulting in a double ascent Sharpe ratio curve similar to the double descent phenomenon observed in artificial intelligence. The underlying mechanisms involve an intricate interaction between the theoretical Sharpe ratio and estimation accuracy. In high-dimensional models, the theore…
Apparenté Contexte plus large
Risk sharing for capital requirements with multidimensional security markets
Felix-Benedikt Liebrich, Gregor Svindland · 2018 · Risk Management · cité 27 fois · Résumé IA disponible

Risk sharing for capital requirements with multidimensional security markets analyse le partage des risques associés aux exigences de capital et aux tests d’adéquation.

Résumé scientifique
We consider the risk sharing problem for capital requirements induced by capital adequacy tests and security markets. The agents involved in the sharing procedure may be heterogeneous in that they apply varying capital adequacy tests and have access to different security markets. We discuss conditions under which there exists a representative agent. Thereafter, we study two frameworks of capital adequacy more closely, polyhedral constraints and distribution based constraints. We prove existence of optimal risk allocations and equilibria within these frameworks and elaborate on their robustness.
Apparenté Contexte plus large
Sample Efficient Deep Reinforcement Learning via Uncertainty Estimation
Vincent Mai, Kaustubh Mani, Liam Paull · 2022 · Machine Learning · cité 62 fois · Résumé IA disponible

Sample Efficient Deep Reinforcement Learning via Uncertainty Estimation pondère les estimations bruitées par leur incertitude pour améliorer l’efficacité de l’apprentissage par renforcement.

Résumé scientifique
In model-free deep reinforcement learning (RL) algorithms, using noisy value estimates to supervise policy evaluation and optimization is detrimental to the sample efficiency. As this noise is heteroscedastic, its effects can be mitigated using uncertainty-based weights in the optimization process. Previous methods rely on sampled ensembles, which do not capture all aspects of uncertainty. We provide a systematic analysis of the sources of uncertainty in the noisy supervision that occurs in RL, and introduce inverse-variance RL, a Bayesian framework which combines probabilistic ensembles and Batch Inverse Variance weighting. We propose a method whereby two complementary uncertainty estimatio…
Apparenté Contexte plus large
Portfolio liquidation under transient price impact -- theoretical solution and implementation with 100 NASDAQ stocks
Ying Chen, Ulrich Horst, Hoang Hai Tran · 2019 · Mathematical Finance · cité 12 fois · Résumé IA disponible

Portfolio liquidation under transient price impact étudie l’optimisation de la liquidation de portefeuilles et estime les paramètres d’impact à partir de données boursières.

Résumé scientifique
We derive an explicit solution for deterministic market impact parameters in the Graewe and Horst (2017) portfolio liquidation model. The model allows to combine various forms of market impact, namely instantaneous, permanent and temporary. We show that the solutions to the two benchmark models of Almgren and Chris (2001) and of Obizhaeva and Wang (2013) are obtained as special cases. We relate the different forms of market impact to the microstructure of limit order book markets and show how the impact parameters can be estimated from public market data. We investigate the numerical performance of the derived optimal trading strategy based on high frequency limit order books of 100 NASDAQ s…

Aller plus loin

Comment ces articles sont-ils trouvés ?

Nous comparons le titre et le résumé de cet article avec ceux de tous les articles résumés sur ce site, et avec les articles que Semantic Scholar recommande, ceux qu’il cite et ceux qui le citent (pour un article très cité, ses citations les plus récentes et, depuis OpenAlex, les plus citées). Parmi les travaux antérieurs et les suites, les articles qui s’utilisent en profondeur, une méthode qu’il utilise et les suites très citées remontent un peu. Les niveaux (très proche, proche, apparenté) viennent de la similarité des textes, pas d’un jugement de qualité ; * signale un article sans résumé, comparé par son titre. La phrase sous un article est écrite par une IA à partir des deux résumés : vérifiez-la dans les articles. Un article jugé hors sujet par trois lecteurs quitte la liste.

Mis à jour le 2 novembre 2026.

Avertissement : Notre outil de synthèse basé sur l'IA et l'assistant virtuel fournis sur ce site Web peuvent ne pas toujours fournir des résumés complets ou des réponses exactes. Nous vous encourageons à examiner attentivement et à évaluer le contenu généré pour vous assurer de sa qualité et de sa pertinence par rapport à vos besoins.

Expected shortfall estimation and capital coverage under overlapping scenarios

L’essentiel

Question

Méthode

Résultats

Limites

Portée

Pour aller plus loin

Definitions

Pourquoi les scénarios chevauchants compliquent l’estimation du risque

Une comparaison de plusieurs estimateurs et modèles

Le chevauchement entraîne une sous-estimation du risque

Des pondérations plus prudentes, mais pas infaillibles

Ce que ces résultats impliquent pour la gestion des risques

Posez des questions sur cet article à notre assistant IA

Outils pour cet article

Outils avancés Premium

Les articles autour de celui-ci

Les articles les plus proches

Aller plus loin

Citer cet article (BibTeX)