Lerby Ergun est économiste-expert au département des Marchés financiers de la Banque du Canada. Il s’intéresse principalement à la mesure des risques liés aux marchés financiers et, depuis récemment, aux flux d’informations sur les marchés de gré à gré. Avant d’entrer à la Banque, Lerby a travaillé comme agent de recherche au Systemic Risk Centre de la London School of Economics. Il possède un doctorat de l’Université Erasmus de Rotterdam. Sa thèse avait pour titre « Fat Tail in Financial Markets ».
Nous caractérisons le biais dans les estimations de Hill en coupe transversale causé par les facteurs sous-jacents communs, puis proposons deux solutions simples pour le corriger. Pour déterminer la présence, le sens et l’ampleur du biais, nous utilisons les rendements mensuels du marché boursier américain et les données annuelles de population par comtés du recensement des États-Unis.
Nous examinons le contenu informationnel de l’évaluation des prix des marchés hors cote opaques fournie par les services d’agrégation. Nous montrons que les données publiques sur les prix informent avant tout les participants sur les estimations des autres participants, plutôt que sur la valeur d’un titre de placement.
Document de travail du personnel 2019-46Lerby Ergun
Les marchés financiers peuvent connaître des mouvements à la baisse soudains et extrêmes. Dans de tels scénarios, le rendement des actifs est une réelle source d’inquiétude pour les investisseurs. Certains actifs enregistrent de mauvais résultats en période de repli du marché, tandis que d’autres ont des réactions plus modérées.
Bien qu’ils soient rares, les événements les plus extrêmes (p. ex., les crises économiques) ont souvent d’énormes répercussions. Comme l’échantillon est restreint, il est difficile de déterminer avec précision la probabilité de leur survenue.
Depuis la récente crise financière, l’analyse du pire scénario est utilisée par les autorités de réglementation du secteur financier pour évaluer le risque extrême. Nous apportons de nouvelles perspectives sur cette méthode et sur l’estimation de la valeur extrême qui en découle. Nous calculons le biais des estimateurs d’ordre non paramétrique de la queue de distribution et le comparons au biais associé à la méthode semi-paramétrique de la théorie des valeurs extrêmes (TVE).
