CHAPITRE 1

Volatilité et risques financiers

Michel LUBRANO using lecture notes by Luc Bauwens

Avril 2011

Contents
1 Introduction 2

2 Rendements et volatilité 2
2.1 Rendements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
2.2 Volatilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
2.3 Propriétés des rendements . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2.4 Mesures de volatilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.5 Realised volatility . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.6 Volatilité intra day . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6

3 La modélisation de la volatilité 7
3.1 Riskmetrics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
3.2 Modèle GARCH . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
3.3 Volatility clustering . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
3.4 Garch and leverage effects . . . . . . . . . . . . . . . . . . . . . . . . . . 8

4 La suite du cours 9

1
1 INTRODUCTION 2

1 Introduction
Cours PST salle 402, Video auprès de Josette à l’accueil de la Fac de Marseille

Lundi 11 Avril: 10H à 12h

Mardi 12 Avril: 14H à 16H

Mercredi 13 Avril: 14H à 16H

Lundi 18 Avril: 14h à 16h

2 Rendements et volatilité
2.1 Rendements
Soit pt le prix d’un actif à la date t. On va s’intéresser à une transformation de ce prix par
rapport à une durée, ou une fréquence d’échantillonnage. C’est le rendement
pt − pt−1
yt = log pt − log pt−1 ≃
pt−1
On choisit en général de multiplier par 100 pour passer en pourcentages.
La fréquence d’une série de rendements est la longueur de l’intervalle de temps entre t
and t − 1. On aura des données de basse fréquence quand l’intervalle d’échantillonnage est
la semaine ou le mois. On commence à avoir des hautes fréquences à partir d’un jour ou à
partir des données intra-day.
Il y a des problèmes particuliers aux données haute fréquence.

1. pour la semaine, pas de pb

2. pour les journalières, il y a des WE, des jours fériés où les marchés sont fermés.
Donc que va t il se passer à la reprise.

3. Intra day, les mouvement ne sont pas uniformes au cours de la journée. Que se
passe-t-il à l’ouverture, à midi, à la fermeture? Microstructure

2.2 Volatilité
On passe maintenant à la volatilité. La volatilité d’un actif financier fait allusion au fait
que le prix de l’actif, et donc le rendement associé, sont aléatoires. Ceci signifie qu’on ne
peut pas être certain, a priori, des prix futurs (ou des rendements). Dès lors, le rendement
fluctue dans le temps. Il monte et descend d’un jour à l’autre, ou même d’une transaction à
l’autre sur le marché.
2 RENDEMENTS ET VOLATILITÉ 3

Rendements journaliers de l’indice Nasdaq

Nasdaq daily returns (08/02/71−09/08/05)
10

−10
0 1000 2000 3000 4000 5000 6000 7000 8000
28/07/87−28/07/88

−10

4150 4175 4200 4225 4250 4275 4300 4325 4350 4375 4400
03/11/98−01/11/02
10

−10
7000 7100 7200 7300 7400 7500 7600 7700 7800 7900 8000

Chaire Francqui 0 – p. 4/97

Figure 1: Rendements du Nasdaq sur différentes périodes

Techniquement, la volatilité d’un actif est l’écart-type du rendement considéré

comme une variable aléatoire.
Le rendement et la volatilité sont toujours relatifs à un intervalle de temps sous-jacent
(jour, semaine, année...).
On part des prix journaliers sur 6 jours consécutifs

pt−1 , pt , pt+1 , pt+2 , pt+3 , pt+4

Il correspond 5 rendements journaliers

yt , yt+1 , ..., yt+4

Le rendement à 5 jours (week) est égal à la somme des rendements journaliers

4
X
yw = yt+i = log pt+4 − log pt−1
i=0

Si les rendements sont equidistribués IID, alors la moyenne des rendements weekly est
égale à 5 fois la moyenne des rendements journaliers et la variance weekly à 5 fois la
variance daily (somme des variances si indépendance).
La volatilité est de façon inhérente une variable inobservable. Comme le rendement,
elle évolue de façon aléatoire. Ceci n’implique pas qu’elle soit totalement imprévisible.
La volatilité peut être mesurée indirectement, puisque les rendements sont observés. La
mesure de la volatilité est basée sur des modèles économétriques. Les modèles relient
2 RENDEMENTS ET VOLATILITÉ 4

les observations sur les rendements à la volatilité. Comment faire de l’inférence sur la
volatilité à partir des rendements a été restera un thème de recherche central en économétrie
financière.

La volatilité journalière du Nasdaq

Nasdaq absolute returns 08/02/71−09/08/05

10 Mean 0.78, SD 0.91

0 1000 2000 3000 4000 5000 6000 7000 8000

6 GARCH Volatility

Mean 1.01, SD 0.65

4

0 1000 2000 3000 4000 5000 6000 7000 8000

Chaire Francqui 0 – p. 9/97

Figure 2: Volatilité journalière du Nasdaq

2.3 Propriétés des rendements

1. Les rendements fluctuent autour de 0 à court terme. Pour les indices de marché et
pour les titres de firmes qui survivent, la moyenne est légèrement positive à long
terme.
2. La moyenne est nettement plus petite que la volatilité. Par conséquent, connaı̂tre la
moyenne ne permet pas de prédire avec précision le rendement futur et certainement
pas de faire un profit sans prendre des risques.
3. Les rendements sont peu autocorrélés (et d’autant moins que la fréquence est basse).
Cette propriété impliqe que les rendements ne sont pas prévisibles à partir de leurs
réalisations passées.
4. Les grands rendements (positifs ou négatifs) ont tendance à se suivre, et les petits
rendements également. La volatilité se produit en ”grappes” (volatilité clustering).
5. Cela se traduit par une fonction d’autocorrélation (ACF) des carrés des rendements,
qui decroı̂t lentement à partir d’une valeur faible mais positive. Cette forme typique
de l’ACF est plus prononcée pour une fréquence élevée que faible.
2 RENDEMENTS ET VOLATILITÉ 5

6. Cette propriété implique que la volatilité est prévisible dans une certaine mesure (ce
qui n’est pas le cas pour les rendements).
7. Il y a plus de rendements extrêmes que si la distribution était normale (non-normalité).
8. La proportion de rendements extrêmes négatifs est plus élevée que celle de rende-
ments extrêmes positifs (asymétrie négative de la distribution).

ACF des rendements journaliers du Nasdaq

1.0
ACF of returns

0.5

0.0

−0.5

0 10 20 30 40 50 60 70 80 90 100
1.00
ACF of squared returns

0.75

0.50

0.25

0 10 20 30 40 50 60 70 80 90 100

Chaire Francqui 0 – p. 12/97

Figure 3: ACF journalière du Nasdaq

2.4 Mesures de volatilité

1. Le rendement absolu: |yt |
2. Fenetres roulantes: l’écart-type empirique des r rendements precedents:
v
u r−1
u1 X 1 r−1
X
σt (r) = t (y t−i − ȳt ) où ȳt =
2 yt−i
r i=0 r i=0

Inconvenient: le choix de r est arbitraire.

3. Mesures basees sur un modele (RiskMetrics, GARCH, volatilite stochastique).
4. Mesures basees sur des rendements de frequence plus elevee: la volatilite realisee,
l’ecart haut/bas.
2 RENDEMENTS ET VOLATILITÉ 6

Volatilité journalière du Nasdaq

15
Nasdaq absolute returns 08/02/71−09/08/05

10 Mean 0.78 SD 0.91

0 1000 2000 3000 4000 5000 6000 7000 8000

GARCH Volatility
5.0
Mean 1.01 SD 0.65
2.5

0 1000 2000 3000 4000 5000 6000 7000 8000

Rolling Volatility (r=25)
5.0
Mean 0.95 SD 0.68
2.5

0 1000 2000 3000 4000 5000 6000 7000 8000

Corrélations: GARCH et roulantes: 0.96

Rendements absolus et autres: 0.56
Chaire Francqui 0 – p. 21/97

Figure 4: Mesure de volatilité journalières du Nasdaq

2.5 Realised volatility

On suppose que l’on a des observations sur les rendements qui sont de fréquence plus
élevée
yt,1 , yt,2 , ..., yt,k
On a donc k rendements de frequence superieure (par exemple: a 15 minutes dans un jour
t: k = 96). On verra avec le chapitre suivant l’utilisation de données à 5 minutes. Le
rendement journalier est alors
k
X
yt = yt,k
h=1

On a vu que Var(yt ) = kVar(yt,h ), et que (1/k) kh=1 (yt,h − ȳt )2 est un estimateur conver-
P

gent de Var(yt,h ).
Dès lors, kh=1 (yt,h − ȳt )2 est un estimateur convergent de Var(yt ).
P

La volatilite realisee est definie par

v v
u k u k
uX uX
RVt = t (y t,h − ȳt )2 ≃ t (y t,h )
2
h=1 h=1

2.6 Volatilité intra day

1. La volatilité change aussi pendant la journée.
3 LA MODÉLISATION DE LA VOLATILITÉ 7

2. Sur les marché boursiers (NYSE, Euronext, ...), la volatilité est plus élevée au début
et à la fin des séances, qu’au milieu.

3. Même si cette caractéristique est prise en compte, il subsiste des grappes de volatilité.
4. Mesurer la volatilité à une fréquance très élevée, de façon presque continue, est
possible en utilisant l’information sur toutes les transactions pendant les séances de
marché. Voir Bauwens and Hautsch (JoFE, 2006): ”Stochastic conditional intensity
models”.

3 La modélisation de la volatilité
3.1 Riskmetrics
RiskMetrics de JP Morgan est un systeme de gestion du risque qui utilise comme modele
de volatilite
i−1 2
σt2 = (1 − β) ∞ i=1 β yt−i
P

2 2
= βσt−1 + (1 − β)yt−1 ,
ou β = 0.94 est la valeur proposee par defaut.
RiskMetrics repose en plus sur l’hypothese que les rendements standardises (yt /σt )
sont independants et distribues selon une loi N(0, 1).

3.2 Modèle GARCH

Le modèle GARCH est une version plus souple de RiskMetrics:

yt |y0t−1 ∼ N(0, σt2 )

σt2 = ω + αyt−1
2 2
+ βσt−1

On peut introduire le changement de paramétrisation suivant où ω = (1 − α − β)σ 2

σt2 − σ = β(σt−1
2
− σ 2 ) + α(yt−1
2
− σ2 )

On peut montrer que la variance marginale Var(yt ) = σ 2 = E(σt2 ) si α + β < 1.

Riskmetrics correspond à une restriction de ce modèle avec

α =1−β ω = σ 2 = 0.

On va estimer ce modèle sur le NASDAQ

σt2 = 0.01 + 0.11yt−1

2 2
+ 0.88σt−1
2 2
= 1 + 0.11(yt−1 − 1) + 0.88(σt−1 − 1)

puisque σ 2 = 0.01/(1 − 0.11 − 0.88) = 1.

3 LA MODÉLISATION DE LA VOLATILITÉ 8

Ainsi, la prevision faite en t − 1 de σt2 pour t = 10/08/2005 (le jour suivant la date de
fin d’echantillon) est

σt2 = 1 + 0.88(0.58 − 1) + 0.11[(0.38)2 − 1] = 0.55

car le rendement observé le 09/08/2005 était de 0.38%.

3.3 Volatility clustering

2
Une valeur élevée de σt−1 dans l’equation GARCH a deux effets:
2
1. un efet direct car βσt−1 est élevé
2 2
2. un effet indirect : comme yt−1 ∼ N(0, σt−1 ), alors αyt−1 peut aussi être élevé.

• L’existence des grappes de volatilité engendre plus de valeurs extrêmes et moins de

valeurs centrales (proches de 0) que si les rendements étaient indépendants.

• De grands rendements (positifs ou négatifs) ont tendance à être suivis par de grands
rendements (positifs ou négatifs). De même, des rendements faibles tendent à se
produire en grappes.

• Ce mécanisme provoque l’apparition d’une proportion plus élevée de rendements

extrêmes et également de rendements faibles que si les rendements étaient normale-
ment distribués.

3.4 Garch and leverage effects

1. On constate que la volatilite d’une action tend a augmenter davantage apres une mau-
vaise nouvelle (cad un rendement negatif) qu’apres une bonne nouvelle. Si le rende-
ment est negatif, la valeur boursiere de la firme diminue, donc le rapport dette/fonds
propres est plus eleve, et l’action est plus risquee.

2. La courbe d’impact des nouvelles trace la volatilite en fonction du rendement prece-

dent, ceteris paribus. Cette courbe devrait etre a un niveau plus eleve pour un rende-
ment negatif que pour un rendement positif.

3. Le modele GJR-GARCH permet une courbe d’impact asymetrique:

σt2 = ω + α+ yt−1
2 2
1Iyt−1 >0 + α− yt−1 2
1Iyt−1 <0 + βσt−1

avec α− > α+ .

Bilan des GARCH

1. Ils sont faciles à utiliser, comprendre, estimer et raffiner (moyenne non-nulle et

évolutive, distributions autres que la loi normale: Student, asymétrie...).
4 LA SUITE DU COURS 9

Volatilité journalière du Nasdaq

15
Nasdaq absolute returns 08/02/71−09/08/05

10 Mean 0.78 SD 0.91

0 1000 2000 3000 4000 5000 6000 7000 8000

GARCH Volatility
5.0
Mean 1.01 SD 0.65
2.5

0 1000 2000 3000 4000 5000 6000 7000 8000

Rolling Volatility (r=25)
5.0
Mean 0.95 SD 0.68
2.5

0 1000 2000 3000 4000 5000 6000 7000 8000

Corrélations: GARCH et roulantes: 0.96

Rendements absolus et autres: 0.56
Chaire Francqui 0 – p. 21/97

Figure 5: Mesure de volatilité journalières du Nasdaq

2. Pour des séries longues. ils sont trop peu souples. Empiriquement, ils donnent
l’impression d’une persistence trop importante de la volatilité.

3. Ils sont sujets à controverse (’boı̂te noire’, peu d’aspect explicatif).

4. Une nouvelle génération de modèles GARCH plus souples est en développement.

5. Les modèles alternatifs qui utilisent une information identique ne donnent pas une
meilleure performance.

4 La suite du cours
1. Modélisation de la volatilité au moyen des modèles MIDAS

2. Bayesian option pricing using ARCH

3. Value at risk CAVIAR (?)