On présente une nouvelle approche de simulation pour la fonction de densité conjointe du surplus avant la ruine et du déficit au moment de la ruine, pour des modèles de risque déterminés par des subordinateurs de Lévy. Cette approche s'inspire de la décomposition "Ladder height" pour la probabilité de ruine dans le Modèle Classique. Ce modèle, déterminé par un processus de Poisson composé, est un cas particulier du modèle plus général déterminé par un subordinateur, pour lequel la décomposition "Ladder height" de la probabilité de ruine s'applique aussi.
La Fonction de Pénalité Escomptée, encore appelée Fonction Gerber-Shiu (Fonction GS), a apporté une approche unificatrice dans l'étude des quantités liées à l'événement de la ruine été introduite. La probabilité de ruine et la fonction de densité conjointe du surplus avant la ruine et du déficit au moment de la ruine sont des cas particuliers de la Fonction GS. On retrouve, dans la littérature, des expressions pour exprimer ces deux quantités, mais elles sont difficilement exploitables de par leurs formes de séries infinies de convolutions sans formes analytiques fermées. Cependant, puisqu'elles sont dérivées de la Fonction GS, les expressions pour les deux quantités partagent une certaine ressemblance qui nous permet de nous inspirer de la décomposition "Ladder height" de la probabilité de ruine pour dériver une approche de simulation pour cette fonction de densité conjointe.
On présente une introduction détaillée des modèles de risque que nous étudions dans ce mémoire et pour lesquels il est possible de réaliser la simulation. Afin de motiver ce travail, on introduit brièvement le vaste domaine des mesures de risque, afin d'en calculer quelques unes pour ces modèles de risque.
Ce travail contribue à une meilleure compréhension du comportement des modèles de risques déterminés par des subordinateurs face à l'éventualité de la ruine, puisqu'il apporte un point de vue numérique absent de la littérature. / We discuss a simulation approach for the joint density function of the surplus prior to ruin and deficit at ruin for risk models driven by Lévy subordinators. This approach is inspired by the Ladder Height decomposition for the probability of ruin of such models. The Classical Risk Model driven by a Compound Poisson process is a particular case of this more generalized one.
The Expected Discounted Penalty Function, also referred to as the Gerber-Shiu Function (GS Function), was introduced as a unifying approach to deal with different quantities related to the event of ruin. The probability of ruin and the joint density function of surplus prior to ruin and deficit at ruin are particular cases of this function. Expressions for those two quantities have been derived from the GS Function, but those are not easily evaluated nor handled as they are infinite series of convolutions with no analytical closed form. However they share a similar structure, thus allowing to use the Ladder Height decomposition of the Probability of Ruin as a guiding method to generate simulated values for this joint density function.
We present an introduction to risk models driven by subordinators, and describe those models for which it is possible to process the simulation. To motivate this work, we also present an application for this distribution, in order to calculate different risk measures for those risk models. An brief introduction to the vast field of Risk Measures is conducted where we present selected measures calculated in this empirical study.
This work contributes to better understanding the behavior of subordinators driven risk models, as it offers a numerical point of view, which is absent in the literature.
| Identifer | oai:union.ndltd.org:LACETR/oai:collectionscanada.gc.ca:QMU.1866/3798 |
| Date | 03 1900 |
| Creators | Ibrahim, Rabï |
| Contributors | Morales, Manuel |
| Source Sets | Library and Archives Canada ETDs Repository / Centre d'archives des thèses électroniques de Bibliothèque et Archives Canada |
| Language | French |
| Detected Language | French |
| Type | Thèse ou Mémoire numérique / Electronic Thesis or Dissertation |
Page generated in 0.0023 seconds