ecm ecm

Modélisation Catastrophique (Focus Queue de Distribution)

Scénario de test & Cas d'usage

Contexte Métier

Un réassureur se concentre uniquement sur les événements extrêmes (Tremblements de terre et Cyclones). Le but est de modéliser finement la queue de distribution (au-delà du 95ème centile) pour calibrer la couverture 'Excess of Loss'.
Préparation des Données

Données avec distribution à queue lourde (Pareto) et configuration de queue spécifique.

Copié !
1 
2DATA work.copule_cata;
3call streaminit(888);
4DO i=1 to 10000;
5u_eq = rand('Uniform');
6u_cyc = rand('Uniform');
7OUTPUT;
8END;
9 
10RUN;
11 
12DATA work.sinistre_eq;
13call streaminit(111);
14DO i=1 to 500;
15montant = rand('Pareto', 3, 100000);
16OUTPUT;
17END;
18 
19RUN;
20 
21DATA work.sinistre_cyc;
22call streaminit(222);
23DO i=1 to 500;
24montant = rand('Pareto', 2.5, 150000);
25OUTPUT;
26END;
27 
28RUN;
29 
30PROC CAS;
31upload path="work.copule_cata" casout={name="copule_cata", replace=true};
32upload path="work.sinistre_eq" casout={name="m_eq", replace=true};
33upload path="work.sinistre_cyc" casout={name="m_cyc", replace=true};
34 
35RUN;
36 

Étapes de réalisation

1
Exécution ECM avec seuil de queue élevé (tailStart=0.95) et comptage exact
Copié !
1 
2PROC CAS;
3ecm.ecm / copulaSample={name="copule_cata"} tailStart=0.95 doExactFinalCount=true marginals={{TABLE={name="m_eq"}, sampleVarName="montant", idVarValue="u_eq"}, {TABLE={name="m_cyc"}, sampleVarName="montant", idVarValue="u_cyc"}} OUTPUT={outSample={name="res_cata", replace=true}} outsum={outSummary={name="stats_cata", replace=true}, percentiles={{percentile=99.9, variable="VaR_Extreme"}}};
4 
5RUN;
6 

Résultat Attendu


L'action doit concentrer l'échantillonnage sur les 5% supérieurs de la distribution (tailStart=0.95). La table 'stats_cata' doit fournir une estimation précise de la VaR 99.9% pour ces événements rares.