Statistique de risque de queue égale à l'espérance des pertes conditionnelles aux pertes dépassant le seuil de VaR à un niveau de confiance spécifié pour une distribution de pertes donnée ; elle quantifie la gravité moyenne des pertes dans la queue au-delà du cutoff VaR.

Principe

En conditionnant sur le dépassement du seuil VaR, la CVaR saisit la gravité moyenne de la queue et fournit ainsi une mesure cohérente et convexe du risque à la baisse, sensible à la forme de la queue de perte et non seulement à un quantile.

Démonstration

Calcul illustratif : pour une distribution de pertes de portefeuille et un niveau de confiance de 97,5 %, identifiez la VaR telle que 2,5 % des pertes la dépassent, puis calculez la moyenne des pertes conditionnées à être supérieures à cette VaR ; cette moyenne conditionnelle est la CVaR à 97,5 %.

Mauvaise application

Confondre VaR et CVaR ou considérer la CVaR comme une description complète du risque de queue sans préciser le modèle de distribution, la méthode d'agrégation ou si les pertes sont liquidables ; l'erreur sémantique est de supposer que la CVaR à elle seule caractérise toute la dépendance de queue ou les besoins en capital.

Conséquence

La CVaR est utilisée pour l'allocation de capital réglementaire et interne, l'optimisation et les évaluations de stress car elle pénalise de façon plus cohérente les pertes extrêmes que la VaR ; toutefois, sa valeur numérique dépend des choix de modélisation, d'agrégation et du niveau de confiance, influençant décisions de capital et de portefeuille.

Inversion

Pour des queues discrètes, bornées ou mal estimées, ou lorsque les distributions de pertes sont soumises à incertitude de modèle, l'espérance conditionnelle au-delà d'un quantile peut être instable ou indéfinie sous certaines définitions ; des métriques de queue alternatives ou une robustification peuvent être nécessaires.

Limite

S'applique aux distributions de pertes et requiert la spécification du niveau de confiance, de la définition des pertes (par ex. mark-to-market, liquidation) et de la méthode d'agrégation ; elle n'impose pas en soi de règles d'allocation, de traitement réglementaire ou d'hypothèses de recouvrement.

Tension sémantique

Conservatisme contre sensibilité au modèle : la CVaR est plus conservative et plus informative sur la gravité de la queue que la VaR mais plus sensible aux hypothèses de queue et à l'erreur d'estimation, créant un compromis entre prudence et stabilité numérique.

Synthèse

La CVaR offre un résumé par espérance des pertes de queue au-delà d'un quantile choisi, ce qui la rend préférable à la VaR pour l'optimisation et les cadres de risque cohérents ; son utilisation pratique exige toutefois une spécification soignée du modèle, de l'agrégation et du niveau de confiance et une attention au risque d'estimation.