Gestion des Risques en Milieu Bancaire

Gestion des Risques en Milieu Bancaire

Gestion des Risques en Milieu Bancaire

Master Banque Finance Négoce International & Gestion
Faculté d’économie, gestion & AES
Université de Bordeaux

2019 - 2020

A. Lourme
[Link]

1 / 102
Gestion des Risques en Milieu Bancaire
Introduction

Outline
Introduction

Généralités sur la Value-at-Risk

VaR Gaussienne

VaR historique

VaR Monte Carlo

Questions méthodologiques

VaR de Cornish-Fisher

Problèmes corrigés
2 / 102
Gestion des Risques en Milieu Bancaire
Introduction

La notion de risque en finance

◦ Le risque est l’ensemble des conséquences d’un événement non prévisible sur
le bilan ou le compte de résultat d’une banque/d’une entreprise.
En finance, la réalisation d’une perte est une conséquence importante pour une
banque ou une entreprise.
◦ Pour gérer le risque il faut le mesurer.
Une mesure standard du risque : la Value-at-Risk ou VaR ; elle résume en une
valeur le risque global pesant sur un portefeuille d’actifs financiers.

3 / 102
Gestion des Risques en Milieu Bancaire
Introduction

Le risque financier dans les banques

Risque Financier

Risque Opérationnel Risque de Crédit Risque de Marché

Risque causé par Risque de pertes Risque de pertes sur

inadéquation/défaillance consécutives au risque de les positions du bilan
des procédures, personnels, défaut d’un emprunteur et du hors-bilan à la
systèmes internes ou par sur un engagement de suite de variations
des événements extérieurs remboursement de dettes des prix de marché.

fraudes, attentats terror- défaillance, dégradation taux d’intérêt, cours

istes, crises pétrolières de la valeur de la créance de change, prix, etc.

maturité 4 / 102
Gestion des Risques en Milieu Bancaire
Introduction

Des catégories de risque non disjointes


La différence entre les catégories de risque n’est pas toujours marquée.


Risque opérationnel vs. risque de marché
Un dépositaire d’OPCVM oublie d’exécuter un ordre (apport des parts de l’OPCVM) à
une OPA.
C’est un risque opérationnel (oubli d’exécuter un ordre) qui se traduit par un risque de
marché (le dépositaire d’OPCVM devra valoriser les titres au niveau de l’offre de
l’OPA)
Risque de crédit vs. risque de marché.
Le portefeuille d’une banque contient des obligations d’une entreprise ; si l’entreprise
fait défaut, le prix des obligations chute et la valeur du portefeuille de la banque
diminue.
Le risque de crédit (défaut de remboursement) se traduit par un risque de marché.
Risque opérationnel vs. risque de crédit.
Le remboursement de prêts accordés par une institution financière prêts repose sur des
modèles mathématiques incorrects.
Le risque de modèle est un risque opérationnel mais il peut se transformer en un risque
de crédit puis de marché
5 / 102
Gestion des Risques en Milieu Bancaire
Introduction

La mesure du risque financier

? Connaissant la valeur d’un portefeuille à un instant donné, le risque mesure la

variation de la valeur du portefeuille dans les instants qui suivent.
◦ La variation mesurée de la valeur du portefeuille est relative.
? Jusqu’au début des années 90, la mesure standard du risque était la volatilité
marginale.
◦ La volatilité sert alors à la fois à mesurer le risque et à déterminer la
position optimale d’un portefeuille (méthode de sélection de portefeuille de
Markowitz).
? Aujourd’hui, la mesure du risque de marché la plus répandue est la
Value-at-Risk (VaR).

6 / 102
Gestion des Risques en Milieu Bancaire
Introduction

Pourquoi gérer le risque financier ?

? Gérer le risque financier : une contrainte réglementaire pour les banques

imposée par les accords Bâles 2 (2004) & Bâles 3 (2010).
? Quelques désastres financiers célèbres
année organisme perte ($) cause
1995 Barings 1, 33 × 109 stock index futures
1997 Natwest 1, 27 × 108 swaptions
1998 LTCM 2 × 109 crise de liquidité
2006 Amaranth 6, 5 × 108 contrats à terme (gaz)
2007 Société Générale 7, 1 × 109 fraude
2008 Madoff 6, 5 × 1010 fraude
? La Value-at-Risk : une mesure destinée à gérer ces types de risque.

7 / 102
Gestion des Risques en Milieu Bancaire
Introduction
Les enjeux de la gestion du risque financier

Les enjeux
Volatilité des marchés financiers.
Objectif de P&L Mesurer la perte potentielle qui
Créer de la valeur pour l’actionnaire peut survenir à la suite de mou-
(Shareholder Value Added ou SVA) vements adverses des prix de
marché (Value-at-Risk ou VaR)

Risque Financier

Rentabilité économique.
Politique de gestion
Calculer la rentabilité de chaque
des risques financiers
opération ou de chaque projet en
Développer des processus et procé-
tenant compte du montant de
dures pour tous les produits, activ-
fonds propres consommés (capital
ités et systèmes (e.g. Reporting)
réglementaire versus économique)

8 / 102
Gestion des Risques en Milieu Bancaire
Généralités sur la Value-at-Risk

Outline
Introduction

Généralités sur la Value-at-Risk

VaR Gaussienne

VaR historique

VaR Monte Carlo

Questions méthodologiques

VaR de Cornish-Fisher

Problèmes corrigés
9 / 102
Gestion des Risques en Milieu Bancaire
Généralités sur la Value-at-Risk

Qu’est-ce que la Value-at-Risk (VaR) ?

? La VaR, c’est quoi ?

La VaR est une mesure de la perte potentielle qui peut survenir à la suite de
mouvements adverses des prix de marché.
? La VaR permet de répondre à la question : combien la banque peut-elle
perdre avec probabilité α pour un horizon de temps h fixé ?
? Un exemple : la VaR journalière à 5% du portefeuille de trading d’une
banque est de 35 millions.
? Interprétation : il y a 5 chances sur 100 pour qu’une perte supérieure à 35
millions survienne dans les prochaines 24 heures.

10 / 102
Gestion des Risques en Milieu Bancaire
Généralités sur la Value-at-Risk

Définitions & notations préliminaires

Un portefeuille est composé de d actifs financiers.

? Description de l’actif j (j ∈ {1, . . . , d}) :
- son prix à l’instant t : Yj,t
- son rendement entre t et t + h : Xj,t,t+h = (Yj,t+h − Yj,t )/Yj,t
- son rendement approximatif : Xj,t,t+h ≈ ln(Yj,t+h ) − ln(Yj,t ).
? Description du portefeuille :
- structure : θj = poids de l’actif j
Pd
- profit & loss (P&L) entre t et t + h : PnLt,t+h = j=1 θj Xj,t,t+h
- perte entre t et t + h : Lt,t+h = −PnLt,t+h .
? On considère un portefeuille en temps discret : t ∈ {(n − 1)h; n = 1, . . . , N + 1}.

11 / 102
Gestion des Risques en Milieu Bancaire
Généralités sur la Value-at-Risk

Une définition de la VaR

PnL désigne le profit associé au portefeuille dans sa version aléatoire et F
la fonction de répartition de PnL.
Pour 0 < α < 1, la Value-at-Risk de seuil α associée au portefeuille, notée
VaRα , est l’opposé du quantile d’ordre α de la loi de probabilité de PnL.
En d’autres termes : −VaRα est la plus petite valeur à laquelle PnL est
inférieure avec probabilité au moins α :

−VaRα = inf{x; P(PnL ≤ x) ≥ α}

Si PnL est une variable continue et F bijective, alors −VaRα est l’image
de α par la reciproque de F :

VaRα = −F −1 (α).

12 / 102
Gestion des Risques en Milieu Bancaire
Généralités sur la Value-at-Risk

Une représentation de la VaR

y
Le P&L du portefeuille est :
inférieur à −VaRα avec probabilité α
densité de PnL supérieur à −VaRα avec probabilité 1 − α.

α 1−α
PnL
−VaRα 0

P(PnL ≤ −VaRα ) = α P(PnL > −VaRα ) = 1 − α

pertes profits
13 / 102
Gestion des Risques en Milieu Bancaire
Généralités sur la Value-at-Risk

Une autre définition de la VaR (P&L continus)

Si le profit : PnL associé à un portefeuille est une variable continue, la perte :

L = −PnL est aussi continue.
Dans un tel cas, la Value-at-Risk de seuil α (0 < α < 1) associée au
portefeuille est le quantile d’ordre 1 − α de la loi de probabilité de L.
En d’autres termes : VaRα est la plus petite valeur à laquelle L est inférieure
avec probabilité 1 − α :

VaRα = inf{x; P(L ≤ x) ≥ 1 − α}.

14 / 102
Gestion des Risques en Milieu Bancaire
Généralités sur la Value-at-Risk

Une autre représentation de la VaR (P&L continus)

y

densité de L

1−α α
L
0 VaRα

P(L ≤ VaRα ) = 1 − α P(L > VaRα ) = α

profits pertes

15 / 102
Gestion des Risques en Milieu Bancaire
Généralités sur la Value-at-Risk

La VaR : un quantile des pertes ou du profit ?

? Si la distribution de PnL ou de L est connue et continue, VaRα est à la fois :
◦ le quantile d’ordre 1 − α de la distribution de L
◦ l’opposé du quantile d’ordre α de la distribution de PnL.
0.20

profits
pertes
0.15
0.10
0.05
0.00

Quantile 5% des profits Quantile 95% des pertes

? Si la distribution de PnL ou de L est continue mais inconnue : le quantile

d’ordre 1 − α de la distribution empirique de L est d’autant plus proche de
VaRα que le nombre d’observations est grand.
? Si la distribution de PnL ou de L est discrète : VaRα est l’opposé du quantile
d’ordre α de la distribution de PnL.
16 / 102
Gestion des Risques en Milieu Bancaire
Généralités sur la Value-at-Risk

Les caractéristiques de la VaR

Pour un ensemble d’actifs donné la Value-at-Risk dépend :
? de la pondération des rendements (return weights)
On considère souvent un portefeuille équipondéré : θ1 = · · · = θd = 1/d.
? de la longueur h de la période de détention (holding period)
C’est la période sur laquelle la variation de valeur du portefeuille et le risque
sont mesurés.
? du seuil de risque α (risk threshold)
C’est la proportion nominale de violations de la VaR sur une période
d’observation longue.
? de la valeur du portefeuille
Par défaut, la valeur d’un portefeuille est 1 unité monétaire et la valeur de
l’actif i est θi .

17 / 102
Gestion des Risques en Milieu Bancaire
Généralités sur la Value-at-Risk

Interprétation des caractéristiques de VaR

Le seuil de risque : α et le niveau de confiance : 1 − α sont des indicateurs de
tolérance au rique.
Un exemple.
? Une VaR 1% (α = 0, 01) indique la valeur en deçà de laquelle tombe la perte
dans 99% des cas
? Ainsi, théoriquement, la perte ne devrait dépasser VaR0,01 qu’une période sur
cent en moyenne.
? Si la période de détention est de dix jours (h = 10), on observe un retour
tous les quatre ans en moyenne.
100 périodes × 10 jours = 1000 jours de trading = 4 années calendaires
(un an=250 jours ouvrés)
Une VaR 10 jours au seuil de 1% ou au niveau de confiance de 99% doit être
couverte sur quatre ans.

18 / 102
Gestion des Risques en Milieu Bancaire
Généralités sur la Value-at-Risk

Aspects réglementaires de la VaR

? Quelques repères historiques
− 1980 : J.P. Morgan propose des outils de type VaR pour mesurer le risque
− 1996 : le comité de Bâle approuve l’usage de la VaR pour déterminer la
couverture permettant aux banques de couvrir les risques de marché
− 2006 : les accords Bâle 2 et Bâle 3 imposent aux banques de disposer d’un
montant de fonds propres calculé sur la VaR
? Aucun modèle de VaR n’est imposé par les autorités de régulation bancaire.
? Seulement trois contraintes pour les établissement financiers :
− la perte potentielle quotidienne doit être estimée par une VaR 10 jours avec un
niveau de confiance de 99%
− la période d’observation permettant d’estimer la VaR doit être d’un an (250 jours
ouvrés) au moins
− tout modèle de VaR doit être évalué au moyen d’une procédure de back-test.
? Quelques références complémentaires :
− le comité de Bâle : [Link]/bcbs
− la commission bancaire : [Link]
− Prudential Regulation Authority : [Link]
19 / 102
Gestion des Risques en Milieu Bancaire
Généralités sur la Value-at-Risk

Le scaling de la VaR

? Le scaling consiste à convertir une VaR 1 jour en une VaR 10 jours.

√
? Pour un seuil α donné, VaRα [10 jours] est 10 fois plus grande que
VaRα [1 jour].
? Quelques éléments pour justifier cette règle de calcul :
− la perte observée en 10 jours est L = 10
P
i=1 Li
− en supposant les pertes quotidiennes Li indépendantes et distribuée selon
N (0, σ 2 ), la perte L est distribuée selon N (0, 10σ 2 )
− le quantile d’ordre 1 − α de chaque perte Li est : q1−α = −σ × zα
√
− le quantile d’ordre 1 − α de la perte globale L est : 10 × q1−α .
? De façon générale : lorsque la longueur de
√ la période de détention est
multipliée par K , VaRα est multipliée par K .

20 / 102
Gestion des Risques en Milieu Bancaire
Généralités sur la Value-at-Risk

Value-at-risk et volatilité
? Deux mesures du risque qui ne sont pas sans lien :
◦ La volatilité de l’actif j correspond à l’écart-type σj de la loi de probabilité du
rendement Xj ; elle traduit la dispersion du rendement Xj autour de sa moyenne µj .
◦ La Value-at-Risk de l’actif j est le quantile d’odre 1 − α de la perte marginale
−Xj .
◦ Lorsque la volatilité d’un actif est grande, la probabilité de voir cet actif s’éloigner
du rendement moyen est grande et la Value-at-Risk de cet actif est élevée.
? Illustration.
CAN/USD
GEM/USD
Density

VaRCAN
0.05
USD

VaRGEM
0.05
USD

0.17 0.32

Monthly returns
Rendements mensuels (densité estimée) de GEM/USD et CAD/USD sur la période 1973-1994
◦ Les rendements moyens de GEM/USD et CAN/USD sont les mêmes, mais la volatilité de
GEM/USD est plus grande que celle de CAN/USD. 21 / 102
Gestion des Risques en Milieu Bancaire
Généralités sur la Value-at-Risk

La Value-at-Risk : une mesure bornée

? Une propriété de la VaR.
En supposant que PnL est une variable continue, centrée,
√ symétrique et de variance
σ 2 finie, alors : VaRα est inférieure à VaRα
max = σ/ 2α.

? Remarque.
Aucune hypothèse n’est faite sur la structure du modèle de PnL.
? Conséquence. Quel que soit le modèle considéré :
◦ la Value-at-Risk 5% est inférieure à 3, 2 fois l’écart-type des pertes
◦ la Value-at-Risk 1% est inférieure à 7, 1 fois l’écart-type des pertes.
? En pratique.
◦ Le 19 Octobre 1987 Dow-Jones perd 23% de sa valeur.
◦ Cette perte est quinze fois plus grande que la volatilité des rendements précédant
le krach.
◦ Aucun modèle n’aurait pu prévoir une telle perte avec une Value-at-Risk standard
(5%, 1%).
◦ Le seuil de la Value-at-Risk pour détecter un tel risque est de 2%.

22 / 102
Gestion des Risques en Milieu Bancaire
Généralités sur la Value-at-Risk

Les limites de la VaR

? La perte observée peut être plus élevée que VaRα même en choisissant un
seuil α petit.
? VaRα représente la perte que l’on dépasse avec probabilité α, mais le
montant moyen des pertes au delà de VaRα est inconnu.
? VaRα indique le capital à détenir pour faire face au risque sous des conditions
normales de marché ; elle ne permet pas de prévenir une crise financière.
? Lorsque le portefeuille comporte beaucoup d’actifs, l’estimation de VaRα
basée sur des modèles paramétriques est coûteuse en calculs.
? La valeur observée de VaRα dépend beaucoup de la méthode d’estimation
choisie & du modèle postulé.
? VaRα ne permet pas de mesurer le risque encouru sur un marché lorsqu’un
autre marché est en situation de stress.

23 / 102
Gestion des Risques en Milieu Bancaire
Généralités sur la Value-at-Risk

Montant de la perte attendue au delà de la VaR

? Deux distributions des pertes (en Me) conduisant à la même mesure du
risque : VaR0,05 = 262, 8.

0.20
0.10
0.00

Quantile 95% des pertes : 262.7

0.20
0.10
0.00

Quantile 95% des pertes : 262.7

? Conséquences :
◦ si la VaR est prise comme indicateur du risque, l’alarme est déclenchée en
même temps dans les deux sitations,
◦ si la VaR est prise comme une mesure du risque, le capital propre dont la
banque doit disposer est le même dans les deux situations.
? Et pourant le montant moyen des pertes au delà de VaR0,05 n’est pas le
même : 299, 4 Me pour la première distribution et 378, 0 Me pour la seconde.24 / 102
Gestion des Risques en Milieu Bancaire
Généralités sur la Value-at-Risk

VaR et corrélation des risques

? Les Value-at-Risk de portefeuilles/organismes/marchés distincts peuvent être
liées.
? Un exemple.
0.05
NIKKEI
HANG SENG
0.04
0.03
0.02

Janv. 08 Janv. 09 Janv. 10

Value-at-risk journalière (seuil 5%) des indices Nikkei et Hang Seng au cours des années
2008 et 2009
◦ En période de pré-crise : on observe une augmentation conjointe du risque
sur les marchés chinois et japonais.
◦ En période de crise : une augmentation du risque sur le marché chinois
peut être associée à une diminution du risque sur le marché japonais.
? Comment décrire et prévoir le mouvement conjoint des risques portant sur
des portefeuilles distincts ?
25 / 102
Gestion des Risques en Milieu Bancaire
Généralités sur la Value-at-Risk

Le stress testing

? Une idée : compléter le dispositif de VaR et estimer le risque sous l’hypothèse

de fluctuations dangereuses et importantes du marché (e.g. crise financière).
? Le moyen : simuler des situations de crise (scénario de stress) afin d’évaluer
le montant des pertes exceptionnelles.
? Le but : déterminer le montant de la perte auquel la banque devra faire face
lors de la prochaine crise si la structure du portefeuille ne change pas.
? A la différence d’une méthodologie basée exclusivement sur la VaR on fait
référence à une perte maximale et non à un quantile.

26 / 102
Gestion des Risques en Milieu Bancaire
Généralités sur la Value-at-Risk

Deux catégories de stress testing

? Les méthodes objectives.
Elles incorporent les données historiques pour construire des scénarios de stress.
? Les méthodes subjectives.
Elles sont basées sur des hypothèses/des modèles définis par le département de gestion
des risques de la banque.
? Exemple 1. Sur un portefeuille d’actions on inclura les observations du 19 Octobre
1987 sur les indices boursiers dans les variations possibles.
? Exemple 2. Sur le marché des taux britanniques on inclura les variations du 10 Avril
1992 (les taux actuariels à 10 ans ont connu une variation de 7,7 écarts-types).
? On pourrait aussi étudier :
− l’impact qu’aurait une hausse des taux directeurs de 100 pb
− l’incidence d’une inversion de la courbe des taux sur la valeur du portefeuille
− les répercussions d’une dévaluation
− l’incidence d’une perte de liquidité sur les marchés

27 / 102
Gestion des Risques en Milieu Bancaire
Généralités sur la Value-at-Risk

Les recommandations du stress testing

? Un programme de stress testing doit être en mesure de répondre à trois

questions :
− quel est le pire des scénarios pour une institution ?
− quelles sont les pertes associées à ce scénario ?
− comment peut-on limiter les pertes associées à ce scénario ?
? Un programme de stress testing doit répondre à deux exigences :
− le scénario envisagé doit être crédible aux yeux de la direction générale
(DG) de la banque,
− l’exposition du portefeuille aux différents facteurs de risque préalablement
définis doit être lisible par la DG.

28 / 102
Gestion des Risques en Milieu Bancaire
Généralités sur la Value-at-Risk

Backtesting des modèles internes VaR

? De quoi s’agit-il ?
Il s’agit de contrôles ex post qui permettent de s’assurer que les estimations
fournies par la VaR ne sont pas trop fréquemment dépassées.
? Et en pratique ?
On appelle exception toute date où la perte réalisée est supérieure à VaRα . Sur
une période de test composée de D dates, le nombre d’exceptions observé
devrait être proche du nombre d’exceptions nominal : α.D.
? Un exemple
La perte ne devrait pas dépasser VaR0,05 [1jour] plus de dix jours sur une
période de 200 jours de trading.
Si on observe vingt exceptions sur 200 jours de test, les hypothèses ou le
modèle employés pour calculer la VaR sont inadaptés.

29 / 102
Gestion des Risques en Milieu Bancaire
Généralités sur la Value-at-Risk

Un modèle standard de VaR

? Une hypothèse réaliste.
On suppose que les rendements des actifs du portefeuille sont Gaussiens : ils
sont distribués selon une loi normale d-dimensionnelle.
? Conséquences :
− quelle que soit la structure du portefeuille, les pertes sont elles-mêmes
Gaussiennes
− la VaR se déduit de la perte moyenne m et de la variance des pertes s 2
selon :
VaRα = m + s × z1−α (1)
où z1−α désigne le quantile d’ordre 1 − α de la loi normale centrée réduite.
? Remarque.
La VaR estimée selon (1) est qualifiée de Gaussienne parce que les rendements
et la perte conduisant à (1) qui sont Gaussiens.

30 / 102
Gestion des Risques en Milieu Bancaire
Généralités sur la Value-at-Risk

L’hypothèse de perte moyenne nulle

? Une hypothèse répandue : on suppose souvent une perte moyenne nulle : m = 0. La

VaR Gaussienne devient alors : VaRα = s × z1−α .
? Pourquoi une telle hypothèse ?
Sur une période courte la moyenne des pertes est négligeable devant leur dispersion (la
volatilité prend le pas sur la rentabilité).
? Un exemple. Considérons un actif financier de type action, dont la rentabilité
annuelle espérée est de 20% et la volatilité quotidienne de 2%.
Sur un horizon d’un jour :
− la rentabilité journalière espérée est 20%/250 = 0.08%
− l’écart-type journalier est 2%.
Sur un horizon de dix jours :
− la rentabilité espérée est 0, 08% × 10 = 0.8%
√
− l’écart-type est 2% × 10 = 6, 3%.

31 / 102
Gestion des Risques en Milieu Bancaire
Généralités sur la Value-at-Risk

Retour sur la notion de quantile

? Rappels : (i) VaRα est le quantile d’ordre 1 − α de la perte (ii) lorsque la perte est
Gaussienne de moyenne m et de variance s 2 : VaRα = m + s × z1−α
La notion de quantile est centrale dans la définition de la VaR (Gaussienne ou non).
? Définition. (0 < γ < 1)
Le quantile d’ordre γ d’une loi de probabilité L est la valeur minimale à laquelle une
variable aléatoire distribuée selon L est inférieure avec probabilité au moins β.
? Illustration. Le quantile d’ordre 0, 95 de la loi N (3; 0, 1) est environ 3, 52.

densité de N (3; 0, 1)

y
0, 95
x
3, 52
P(N (3; 0, 1) ≤ 3, 52) = 0, 95
? Exemple.
Les valeurs de la perte enregistrée par un portefeuille au cours de dix jours consécutifs
sont : 0, 15, −0, 23, 0, 34, −0, 05, 0, 01, −0, 12, 0, 27, −0, 08, −0, 16, 0, 09.
Déterminez et interprétez le quantile d’ordre 0, 2 des pertes : (i) de façon empirique
(ii) de façon théorique en supposant les pertes Gaussiennes.
32 / 102
Gestion des Risques en Milieu Bancaire
Généralités sur la Value-at-Risk

Quantiles usuels de la loi normale centrée réduite

? Les quantiles usuels de N (0, 1)
ordre 0, 9 0, 95 0, 975 0, 98 0, 99 0, 999 0, 9999
quantile 1, 28 1, 64 1, 96 2, 05 2, 33 3, 09 3, 72
? Comment les interpréter ?
Une variable aléatoire distribuée selon une loi normale centrée réduite est :
◦ inférieure à 1, 28 dans 90% des cas,
◦ inférieure à 1, 64 dans 95% des cas, . . .
◦ inférieure à 3, 72 dans 99, 99% des cas.
? Comment les noter ?
Le quantile d’ordre α de N (0, 1) est noté zα . Ainsi : z0,90 = 1, 28,
z0,95 = 1, 64, etc.
? Comment les déterminer ?
◦ par lecture de la table des quantiles de N (0, 1)
◦ en utilisant un logiciel de bureautique/statistique
Le quantile d’ordre 0, 95 de N (0, 1) s’obtient
− sous R par : qnorm(0.95)
− sous LibreOfficeCalc par : LOINORMALEINVERSE(0,95;0;1) 33 / 102
Gestion des Risques en Milieu Bancaire
Généralités sur la Value-at-Risk

La table des quantiles de N (0; 1)

y

densité de N (0; 1)

α
x
zα

P(N (0; 1) ≤ zα ) = α

centièmes
zα 0, 00 0, 01 ... 0, 04 0, 05 ...
0, 0 0, 5000 0, 5040 ... 0, 5160 0, 5199 ...
0, 1 0, 5398 0, 5438 ... 0, 5557 0, 5596 ...
... ... ... ... ... ... ...
unités,
1, 0 0, 8413 0, 8438 ... 0, 8508 0, 8531 ...
dixièmes
... ... ... ... ... ... ...
1, 6 0, 9452 0, 9463 ... 0, 9495 0, 9505 ...
... ... ... ... ... ... ...
α = 0, 9495 ⇒ zα = 1, 64
α = 0, 9505 ⇒ zα = 1, 65 34 / 102
Gestion des Risques en Milieu Bancaire
Généralités sur la Value-at-Risk

Pour déterminer les autres quantiles de N (0, 1)

? Un exemple
◦ Le calcul de la VaR Gaussienne au seuil α = 0, 05 nécessite de connaître z0,95 le
quantile d’ordre 0, 95 de la loi normale centrée réduite.
◦ On cherche donc z0,95 de sorte que P(N (0, 1)) ≤ z0,95 ) = 0, 95.
◦ Or la table des quantiles de N (0, 1) donne :
P(N (0, 1) ≤ 1, 64) = 0, 9495
P(N (0, 1) ≤ 1, 65) = 0, 9505
◦ On en déduit 1, 64 ≤ z0,95 ≤ 1, 65 puisque la fonction de répartition de N (0, 1) est
strictement croissante.
z −1,64
0,95 1,65−1,64
◦ La méthode d’interpolation linéaire conduit à : 0,95−0,9495 ≈ 0,9505−0,9495 dont on
déduit : z0,95 ≈ 1, 64 + (0, 95 − 0, 9495) × (1, 65 − 1, 64)/(0, 9505 − 0, 9495) = 1, 645.
◦ Remarque. L’interpolation linéaire consiste à approcher la fonction de répartition de
N (0; 1) par une fonction affine entre deux quantiles dont on connaît l’ordre.

35 / 102
Gestion des Risques en Milieu Bancaire
Généralités sur la Value-at-Risk

VaR et diversification

On considère un portefeuille composé de dix millions d’euros d’actions France

Telecom et cinq millions d’euros d’actions Renault avec les paramètres
suivants :
− la corrélation des rendements des deux titres est ρ = 0, 3,
− la volatilité annuelle du titre France Telecom est de 32%,
− la volatilité journalière des rendements du titre Renault est de 1%.
On suppose que la distribution des rendements du portefeuille contenant les
deux titres est Gaussienne.
◦ Déterminez la VaR 1% à dix jours : (i) de chaque titre (ii) du portefeuille.
◦ Quel est le gain de diversification ?

36 / 102
Gestion des Risques en Milieu Bancaire
Généralités sur la Value-at-Risk

Trois méthodes pour calculer la Value-at-Risk

En pratique, trois types de méthode pour estimer la VaR : la méthode analytique, la
méthode historique et la méthode Monte Carlo.
? Méthode analytique.
− on émet l’hypothèse que les rendements/les pertes sont distribués selon un
modèle paramétrique,
− on estime le paramètre du modèle grâce aux données historiques,
− on déduit la VaR du paramètre estimé par une formule explicite.
? Méthode Monte Carlo.
− on émet l’hypothèse que les rendements/les pertes sont distribués selon un
modèle paramétrique,
− on estime le paramètre du modèle grâce aux données historiques,
− la VaR ne dépend pas explicitement du paramètre du modèle ; on l’estime donc
en simulant un nouvel échantillon de grande taille.
? Méthode historique.
Aucune hypothèse de modèle n’est formulée ; la VaR est calculée comme un quantile
empirique des pertes observées.

37 / 102
Gestion des Risques en Milieu Bancaire
Généralités sur la Value-at-Risk

Des prix à la Value-at-Risk

Inputs

modèles de pricing données historiques

Méthode d’estimation

analytique Monte Carlo historique

Output
Value at Risk
38 / 102
Gestion des Risques en Milieu Bancaire
VaR Gaussienne

Outline
Introduction

Généralités sur la Value-at-Risk

VaR Gaussienne

VaR historique

VaR Monte Carlo

Questions méthodologiques

VaR de Cornish-Fisher

Problèmes corrigés
39 / 102
Gestion des Risques en Milieu Bancaire
VaR Gaussienne

Les origines de la VaR : RiskMetrics

La VaR Gaussienne est un exemple de Value-at-Risk basée sur un modèle

paramétrique de rendements. Elle dérive de l’approche variance-covariance.
◦ Publication en 1994 de la méthodologie RiskMetrics par la banque J.P.
Morgan.
◦ Cette publication (téléchargeable à l’époque sur le site de RiskMetrics Group:
[Link]) permet la diffusion très large des méthodes VaR
auprès des professionnels et des régulateurs.
◦ Pour aller plus loin :
− RiskMetrics TM Technical Document, Fourth Edition, December 1996
− Return to RiskMetrics: The Evolution of a Standard, Jorge Mina and Jerry
Yi Xiao, April 2001

40 / 102
Gestion des Risques en Milieu Bancaire
VaR Gaussienne

Le principe d’une VaR paramétrique

? On suppose les vecteurs de rendements X t,t+h = (X1,t,t+h , . . . , Xd,t,t+h )0 ;

t = (n − 1)h et n = 1, . . . , N indépendants et distribués selon une loi
paramétrique d-dimensionnelle Ld .
? On écrit la perte entre t et t + h comme une combinaison linéaire des
rendements {Xj,t,t+h ; j = 1, . . . , d} : Lt,t+h = − dj=1 θj Xj,t,t+h .
P

? De la loi d-dimensionnelle Ld du vecteur aléatoire X t,t+h on déduit la loi

paramétrique unidimensionnelle L1 de la variable de perte Lt,t+h .
? De la loi unidimensionnelle L1 on déduit son quantile d’ordre 1 − α donnant
la Value-at-Risk de seuil α.

41 / 102
Gestion des Risques en Milieu Bancaire
VaR Gaussienne

Le principe de la VaR Gaussienne

? On suppose les vecteurs de rendements X t,t+h = (X1,t,t+h , . . . , Xd,t,t+h )0
indépendants et distribués selon une loi normale d-dimensionnelle.
? On note :
µj l’espérance de Xj,t,t+h
σj2 la variance de Xj,t,t+h
ρi,j la corrélation du couple (Xi,t,t+h , Xj,t,t+h )
NB. On suppose que les paramètres µj , σj2 , ρi,j ne dépendent pas de t.
? Les pertes Lt,t+h sont alors distribuées selon une loi normale
− de moyenne : − dj=1 θj µj
P

− de variance : di=1 dj=1 θi θj σi σj ρi,j

P P

? Le quantile d’ordre 1 − α des pertes est alors :

v
d
X
u d d
uX X
VaRα = − θj µj + z1−α × t θi θj σi σj ρi,j . (2)
j=1 i=1 j=1

42 / 102
Gestion des Risques en Milieu Bancaire
VaR Gaussienne

La version matricielle de la VaR Gaussienne

? On suppose les vecteurs de rendements X t,t+h = (X1,t,t+h , . . . , Xd,t,t+h )0
indépendants et distribués selon une loi normale d-dimensionnelle
− de moyenne : µ = (µ1 , . . . , µd )0
− de matrice des corrélations : R = (ρi,j )i=1,...,d;j=1...,d
− de matrice des écarts-types : T = diag(σ1 , . . . , σd ).
Σ = T RT est la matrice des covariances du vecteur aléatoire X t,t+h . Le coefficient
de Σ à l’intersection de la ligne i et de la colonne j est : σi,j = σi σj ρi,j ; c’est la
covariance du couple (Xi,t,t+h , Xj,t,t+h ).
? Les pertes Lt,t+h sont alors distribuées selon une loi normale unidimensionnelle
− de moyenne : −θ 0 µ
− de variance : θ 0 Σθ.
? Le quantile d’ordre 1 − α des pertes est alors :
√
VaRα = −θ 0 µ + z1−α × θ 0 Σθ. (3)

NB. (2) et (3) sont équivalentes.

43 / 102
Gestion des Risques en Milieu Bancaire
VaR Gaussienne

Application

Un portefeuille est composé de trois actifs : A, B, C dont les rendements journaliers

valent en moyenne : 5 × 10−3 , 3 × 10−3 , 2 × 10−3 et les volatilités journalières :
0, 02, 0, 03 et 0, 01.
La corrélation des actifs A et B vaut 0, 5, celle des actifs B et C vaut 0, 6 et celle des
actifs A et C vaut 0, 25.
Calculez et interprétez la VaR gaussienne à 1% dans chacun des cas suivants :
(i) le portefeuille est equipondéré pour une valeur globale de 1$
(ii) le portefeuille est equipondéré pour une valeur globale de 1000$
(iii) le portefeuille contient : deux titres A en position longue à 244$ chacun, un titre
B en position courte à 135$, un titre C en position longue à 315$.

44 / 102
Gestion des Risques en Milieu Bancaire
VaR Gaussienne

VaR Gaussienne sous R

On considère la structure (iii) du portefeuille précédent.
◦ le vecteur contenant les rendements moyens
> mu <- matrix(c(5,3,2)/1000,nrow=3,ncol=1)
◦ la matrice des écarts-types
> T <- diag(c(2,3,1)/100)
◦ la matrice des corrélations
> R <-
matrix(c(1,0.5,0.25,0.5,1,0.6,0.25,0.6,1),nrow=3,ncol=3,byrow=TRUE)
◦ la matrice des covariances
> Sigma = T%*%R%*%T
◦ la structure du portefeuille
> theta <- matrix(c(2*244,-135,315),nrow=3)
◦ la Value-at-Risk Gaussienne à 1%
> var = -t(theta)%*%mu+qnorm(0.99)*sqrt(t(theta)%*%Sigma%*%theta)

45 / 102
Gestion des Risques en Milieu Bancaire
VaR historique

Outline
Introduction

Généralités sur la Value-at-Risk

VaR Gaussienne

VaR historique

VaR Monte Carlo

Questions méthodologiques

VaR de Cornish-Fisher

Problèmes corrigés
46 / 102
Gestion des Risques en Milieu Bancaire
VaR historique

Le principe de la VaR historique

? La VaR historique ne fait aucune hypothèse de modèle : ni sur les
rendements, ni sur le P&L, ni sur la perte.
? La VaR historique est estimée comme un quantile empirique des pertes
observées sans qu’aucune contrainte ne structure l’estimation.
? Un avantage : le biais inhérent aux modèles paramétriques disparaît lorsque
la VaR est historique.
Dans un objectif descriptif, on préférera une VaR historique à une VaR
paramétrique
? Un inconvénient : la VaR historique est plus sensible aux fluctuations
d’échantillonnage que ne le serait une VaR paramétrique.
Dans un objectif prédictif, on préférera une VaR paramétrique à une VaR
historique

47 / 102
Gestion des Risques en Milieu Bancaire
VaR historique

Calcul d’une VaR historique

Un portefeuille comporte trois titres A, B, C dont on connait les prix journaliers

au cours de 251 jours consécutifs.
Les prix actuels des titres A, B, C sont respectivement de 244$, 135$, 315$.
Le portefeuille est composé de deux titres A en position longue, un titre B en
position courte et un titre C en position longue.
Calculez et interprétez la VaR historique à 1%.
Remarque. Aucune hypothèse n’est nécessaire ni sur les rendements moyens,
ni sur les écarts-types des rendements, ni sur leurs corrélations.

48 / 102
Gestion des Risques en Milieu Bancaire
VaR historique

La VaR historique en quatre étapes

Les quatre étapes nécessaires au calcul de la VaR historique de seuil α à partir

de prix journaliers de trois titres A, B, C.
(a) Calculer les rendements journaliers des trois titres A, B, C au cours des
251 jours de bourse
(b) Déterminer les P&L journaliers associés à la structure actuelle du
portefeuille
(c) Trier les 250 valeurs de P&L obtenues par ordre croissant
(d) Déterminer le quantile empirique d’ordre α des 250 P&L.
L’opposé du quantile empirique d’ordre α des 250 P&L observés est la VaR
historique associée au seuil α.

49 / 102
Gestion des Risques en Milieu Bancaire
VaR historique

VaR historique : les données

prix des actifs ($)
date A B C
1 t − 251 100, 00 110, 00 230, 00
2 t − 250 100, 98 111, 50 228, 99
3 t − 249 99, 58 106, 79 230, 87
... ... ... ... ...
250 t −2 233, 40 135, 30 316, 05
251 t −1 234, 31 134, 32 314, 44
prix actuel 244 135 315
Prix historiques observés au cours des 251 jours de bourse précédent la date t pour les
titres A, B, C

Actif A
Actif B
Actif C
Prix

0 50 100 150 200 250

Date
Représentation des prix historiques observés au cours des 251 jours de bourse
précédent la date t pour les titres A, B, C
50 / 102
Gestion des Risques en Milieu Bancaire
VaR historique

VaR historique : étapes 1 & 2 [rendements et P&L]

Pour un portefeuille composé de :
◦ deux titres A en position longue : θA = 2 × 244
◦ un titre B en position courte : θB = −1 × 135
◦ un titre C en position longue : θC = 1 × 315
le P&L correspondant aux rendements XA , XB , XC est :
PnL = θA XA + θB XB + θC XC = 2 × 244 × XA − 1 × 135 × XB + 1 × 315 × XC

rendement des actifs

(sans unité)
date A B C PnL
1 t − 251 − − − −
2 t − 250 0, 0098 0, 0135 −0, 0044 1, 57
3 t − 249 −0, 0139 −0, 0431 0, 0082 1, 62
... ... ... ... ... ...
250 t −2 −0, 0421 −0, 0555 −0, 0120 −16, 83
251 t −1 0, 0039 −0, 0073 −0, 0051 1, 28

Le P&L à la date t − 250 est :

PnLt−250 = 2 × 244 × 0, 0098 − 1 × 135 × 0, 0135 + 1 × 315 × (−0, 0044) = 1, 57
51 / 102
Gestion des Risques en Milieu Bancaire
VaR historique

VaR historique : étape 3 [tri croissant des P&L]

? Tri croissant des P&L observés

PnL croissant ordre date

−28, 43 1 t − 18
−22, 60 2 t − 37
−20, 98 3 t − 32
... ... ...
22, 91 249 t − 105
28, 70 250 t − 135

? Interprétation
Le P&L le plus petit est observé au 18e jour précédent t ; son montant est de
−28, 43 : c’est la statistique d’ordre de rang 1 des P&L observés.
Le P&L le plus grand est observé au 135e jour précédent t ; son montant est de
28, 70 : c’est la statistique d’ordre de rang 250 des P&L observés.
? Rappel
La statistique d’ordre de rang i d’un échantillon PnL1 , . . . , PnLN est la i e valeur
observée lorsque PnL1 , . . . , PnLN sont rangées par ordre croissant ; on la note PnL(i)
ou PnLi:N .
52 / 102
Gestion des Risques en Milieu Bancaire
VaR historique

VaR historique : étape 4

? Détermination de la VaR historique
L’estimation empirique de VaRα se calcule gâce à la statistique d’ordre de rang
n = bN × αc de l’échantillon PnL1 , . . . , PnLN .
d H est l’opposé de la statistique
◦ Cas 1 : N × α est un entier et n = N × α ; alors VaR α
d’ordre de rang n de PnL1 , . . . , PnLN :
d H = −PnL(n) .
VaR α
H
◦ Cas 2 : N × α n’est pas un entier et n < N × α < n + 1 ; alors VaR d s’obtient par
α
interpolation linéaire à partir des statistiques d’ordre de rangs n et n + 1 de
PnL1 , . . . , PnLN :
d H = −PnL(n) − (PnL(n+1) − PnL(n) ) × (N × α − n).
VaR α

? Dans notre exemple : N = 250 et α = 0, 01

d H se calcule grâce aux statistiques d’ordre
N × α = 2, 5 n’est pas entier ; donc VaR 0,01
de rangs 2 et 3 des PnL :

d H = −PnL(2) − (PnL(3) − PnL(2) ) × (250 × 0, 01 − 2)

VaR α
= −(−22, 60) − (−20, 98 − (−22, 60)) × (2, 5 − 2) = 21, 79. (4)53 / 102
Gestion des Risques en Milieu Bancaire
VaR historique

Interprétation de la VaR historique

La VaR historique à 1 jour au seuil de 1% est égale à 21, 79$.

PnL croissant ordre date

−28, 43 1 t − 18
−22, 60 2 d H = −21, 79
t − 37 → −VaR
0,01
−20, 98 3 t − 32
... ... ...
22, 91 249 t − 105
28, 70 250 t − 135

d H = 21, 79$ est une estimation du montant que l’on perdra dans les prochaines
VaR 0,01
24 heures avec une chance sur cent.
Il y a 1% de chances que la perte du portefeuille dépasse 21, 79$ dans les prochaines
24 heures : P(L > 21, 79$) = 0, 01.
Il y a 99% de chances que la perte du portefeuille soit inférieure à 21, 79$ dans les
prochaines 24 heures : P(L ≤ 21, 79$) = 0, 99.

54 / 102
Gestion des Risques en Milieu Bancaire
VaR historique

Attention : la VaR n’est pas linéaire

? Si on calcule séparément la VaR 1% de chacun des trois titres, on obtient :

d H [titre A] = 12, 43
VaR 0,01

d H [titre B] = 8, 52
VaR 0,01

d H [titre C] = 7, 85
VaR 0,01

? Une mauvaise idée :

d H [portefeuille] = 2 × VaR
VaR d H [titre A] − 1 × VaR
d H [titre B] + 1 × VaR
d H [titre C]
0,01 0,01 0,01 0,01
= 2 × 12, 43 − 1 × 8, 52 + 1 × 7, 85 = 24, 2

La VaR ainsi calculée est surestimée : 24, 2$ > 21, 79$.

55 / 102
Gestion des Risques en Milieu Bancaire
VaR historique

Programmation d’une VaR historique sous R

Méthode du cours

◦ Etape 1. Calcul des rendements

> prix <- [Link](’/chemin/[Link]’,sep=’,’,dec=’.’) les données
> rdmt=[Link]((prix[-1,]-prix[-250,])/prix[-250,]) les rendements
◦ Etape 2. Calcul des PnL
> theta=matrix(c(2*244,-1*135,1*315),nrow=3) la sructure du portefeuille
> pnl = rdmt%*%theta les PnL
◦ Etape 3. Tri croissant des PnL
> spnl = sort(pnl) les PnL rangés par ordre croissant
◦ Etape 4. Calcul de la VaR
hvar= -(spnl[2]+(spnl[3]-spnl[2])*(2.5-2)) la VaR historique 1%

56 / 102
Gestion des Risques en Milieu Bancaire
VaR historique

Programmation d’une VaR historique sous R

Pour aller plus vite

◦ Etape 1. Calcul des rendements

> rdmt=[Link](log(prix[-1,]/prix[-250,])) les rendements
◦ Etape 2. Calcul des PnL
> theta=matrix(c(2*244,-1*135,1*315),nrow=3) la sructure du portefeuille
> pnl = rdmt%*%theta les PnL
◦ Etapes 3 & 4 fusionnées
> hvar = -quantile(pnl,0.01) la VaR historique 1%

57 / 102
Gestion des Risques en Milieu Bancaire
VaR Monte Carlo

Outline
Introduction

Généralités sur la Value-at-Risk

VaR Gaussienne

VaR historique

VaR Monte Carlo

Questions méthodologiques

VaR de Cornish-Fisher

Problèmes corrigés
58 / 102
Gestion des Risques en Milieu Bancaire
VaR Monte Carlo

Le principe de la VaR Monte Carlo

? Le terme VaR Monte Carlo (MC) désigne une méthode d’estimation de la VaR
reposant sur le re-échantillonnage de données de marché à partir d’un modèle estimé
sur les données historiques.
? Le principe.
◦ estimation du paramètre d’un modèle sur les rendements historiques
◦ simulation de nouveaux rendements à partir du modèle estimé
◦ estimation de la VaR sur les rendements simulés
? La motivation.
Pourquoi simuler de nouvelles données lorsque les paramètres du modèle sont
estimés ? Autrement dit, pourquoi ne pas calculer la VaR à partir des paramètres
estimés comme on le fait dans le cas d’une VaR Gaussienne ?
Parce que la VaR associée à un modèle paramétrique n’est pas toujours analytique
(elle ne se déduit pas toujours des paramètres du modèle selon une formule explicite).
? L’avantage d’une VaR Monte Carlo sur une VaR historique
Elle permet de faire reposer le calcul de la VaR sur un modèle paramétrique et de
réduire la variabilité de l’estimation aux fluctuations des données historiques.
? L’avantage d’une VaR Monte Carlo sur une VaR paramétrique
La méthode Monte Carlo permet d’estimer la VaR même lorsque le modèle
paramétrique ne permet pas de le faire de manière analytique.
59 / 102
Gestion des Risques en Milieu Bancaire
VaR Monte Carlo

La VaR Monte Carlo en quatre étapes

? Les étapes du calcul de VaR par une méthode Monte Carlo sont :
(a) Obtenir/calculer les rendements historiques
(b) Estimer les paramètres d’un modèle postulé sur les données historiques
(c) Simuler un grand échantillon de rendements issus du modèle estimé
(d) Estimer la VaR sur les rendements simulés comme on le ferait sur des
données historiques.
? Remarque.
Puisque la méthode de Monte Carlo repose sur un modèle postulé, plusieurs
modèles peuvent être mis en compétition et une étape de choix de modèle peut
être ajoutée :
◦ un choix de modèle basé sur la VaR sera ajouté après 4,
◦ un choix de modèle basé sur un autre critère (un critère d’information par
exemple) sera inséré entre 2. et 3.

60 / 102
Gestion des Risques en Milieu Bancaire
VaR Monte Carlo

VaR Monte Carlo & risque de modèle

? Les risques associés à une mauvaise spécification du modèle
◦ La VaR estimée par MC est d’autant plus proche de la VaR recherchée que
le modèle considéré est proche du vrai modèle.
◦ Si le modèle estimé est biaisé, la VaR l’est aussi :
− une sous-estimation de la VaR accroît le risque de faux positif
(déclencher une alarme alors qu’il ne le faudrait pas)
− une surestimation de la VaR accroît le risque de faux négatif (ne pas
déclencher d’alarme alors qu’il le faudrait)
? Remarques.
◦ Si le modèle estimé est le vrai modèle, la VaR Monte Carlo et la VaR
historique convergent vers la vraie VaR lorsque la taille d’échantillon croît.
◦ Pour des rendements Gaussiens, la VaR historique, la VaR Monte Carlo et
la VaR analytique convergent vers la vraie VaR lorsque la taille d’échantillon
croît.

61 / 102
Gestion des Risques en Milieu Bancaire
VaR Monte Carlo

Programmation d’une VaR Monte Carlo sous R

Considérons les données de price02. On souhaite estimer la VaR 1% en supposant
que les rendements associés aux prix sont distribués selon une loi de Student de
dimension 3 et pour un portefeuille équipondéré d’une valeur totale de 1000$.
Rappel. La loi de Student sur R3 possède trois paramètres : (i) un centre µ ∈ R3 (ii)
une matrice de dispersion Σ ∈ R3×3 (iii) un degré de liberté ν > 0.
Remarque. La VaR n’est pas analytique lorsque les rendements sont distribués selon
une loi de Student multidimensionnelle.
◦ Etape 1. Calcul des rendements
> prix <- [Link](’/chemin/[Link]’,sep=’,’,dec=’.’) les données
> rendements=log(prix[-1,]/prix[-250,]) les rendements historiques
◦ Etape 2. Estimation des paramètres d’un modèle de Student
> library(QRM,mvtnorm) deux librairies pour travailler sous un modèle de Student
> fit <- [Link](rendements, method = "BFGS") estimation des paramètres
◦ Etape 3. Simuler un nouvel échantillon de rendements
> sample=[Link](rmvt(10000,delta=fit$mu,sigma=[Link](fit$Sigma),
df=fit$df)) simulation de nouveaux rendements
◦ Etape 4. Estimer la VaR sur les rendements simulés
> pnl=sample%*%matrix(c(1,1,1)*1000/3,nrow=3) les PnL simulés
> mcvar=-quantile(pnl,0.05) 62 / 102
Gestion des Risques en Milieu Bancaire
Questions méthodologiques

Outline
Introduction

Généralités sur la Value-at-Risk

VaR Gaussienne

VaR historique

VaR Monte Carlo

Questions méthodologiques

VaR de Cornish-Fisher

Problèmes corrigés
63 / 102
Gestion des Risques en Milieu Bancaire
Questions méthodologiques

Value-at-Risk et stationnarité
◦ −VaRα est le quantile d’ordre α de la variable PnL
Pd
◦ PnL est une combinaison linéaire de rendements d’actifs : PnL = j=1 θj Xj
◦ Les données servant à estimer VaRα [h] sont les rendements PnLt,t+h observés
lorsque t décrit {0, h, 2h, . . . , (N − 1)h}
◦ VaR
d α est une estimation de la valeur minimale en deçà de laquelle tombe PnL avec
une probabilité au moins α.
? Une question.
Quel serait le sens de VaR
d α si on apprenait que la loi de PnLNh,(N+1)h n’est pas la
même que celle de PnLt,t+h ; t ∈ {0, h, 2h, . . . , (N − 1)h} ?
? L’hypothèse de stationnarité (HS).
Pour que VaRα ait un sens, on suppose que la distribution de PnLNh,(N+1)h est la
même que celle de PnLt,t+h lorsque t ∈ {0, h, 2h, . . . , (N − 1)h}
Données de PnL servant à estimer la VaR (passé)
Prévision des pertes à l’horizon h basée sur la VaR estimée (futur)

... temps
0 h 2h (N − 1)h Nh (N + 1)h
(HS) : PnL0,h , PnLh,2h , . . . , PnLNh,(N+1)h i.i.d 64 / 102
Gestion des Risques en Milieu Bancaire
Questions méthodologiques

VaR Gaussienne & RiskMetrics

Rapels sur la VaR Gaussienne
? Lorsque les vecteurs de rendements X t,t+h sont distribués selon une loi normale
d-dimensionnelle de moyenne µ et de matrice√des covariances Σ, pour un portefeuille
structuré selon θ : VaRα = −θ 0 µ + z1−α × θ 0 Σθ
? Le calcul de VaRα dans la casde rendements Gaussien passe donc parl’estimation
2
σ1 σ1,2 ... σ1,d−1 σ1,d
 σ2,1 σ22 ... σ2,d−1 σ2,d
de : µ = (µ1 , . . . , µd )0 et Σ = 

... ... ... ... ...  où :
σ 2
σd−1,2 ... σd−1 σd−1,d

d−1,1
σd,1 σd,2 ... σd−1,d σd2

µj représente le rendement moyen de l’actif j, σj2 représente la variance du rendement

de l’actif j, σi,j la covariance du rendement des actifs i et j.
? Des estimateurs standard.
◦ µ̂j = N−1
P
n=0 Xj,nh,nh+h /N : moyenne des rendements obervés entre 1 et Nh
◦ σ̂j2 = N−1 2
P
n=0 (Xj,nh,nh+h − µ̂j ) /N : variance des rendements obervés entre 1 et Nh
PN−1
◦ σ̂i,j = n=0 (Xi,nh,nh+h − µ̂i )(Xj,nh,nh+h − µ̂j )/N covariance des rendements i et j
Les estimateurs standards attribuent le même poids : 1/N à toutes les
observations entre les instants 1 et Nh.
65 / 102
Gestion des Risques en Milieu Bancaire
Questions méthodologiques

VaR Gaussienne & RiskMetrics

L’estimation de la VaR Gaussienne selon RiskMetrics

RiskMetrics propose de pondérer les observations selon leur ordre d’apparition

chronologique
? Les estimateurs Exponentially Weighted Moving Average (EWMA) de RiskMetrics.
◦ µ̂j = N−1
P
n=0 Xj,nh,nh+h /N : aucune pondération sur les moments d’ordre 1
◦ σ̂j = (1 − λ) N−1
2 N−1−n (X 2
P
n=0 λ j,nh,nh+h − µ̂j )
PN−1 N−1−n
◦ σ̂i,j = (1 − λ) n=0 λ (Xi,nh,nh+h − µ̂i )(Xj,nh,nh+h − µ̂j )
où λ est un paramètre d’ajustement compris entre 0 et 1, dépendant de l’horizon h.
Les estimateurs EWMA donnent un poids : (1 − λ) × λN−n à la ne observation à
partir de l’instant 0 : plus une observation est éloignée dans le passé, plus son
poids est petit
... ×
(1 − λ)λN−1 (1 − λ)λN−2 (1 − λ)λN−3 (1 − λ) poids

...
0 h 2h (N − 1)h Nh instants

66 / 102
Gestion des Risques en Milieu Bancaire
Questions méthodologiques

VaR et événements extrêmes

? Un événement est extrême lorsque sa probabilité d’apparition est très faible. Que
penser de l’apparition d’un tel événement : effet d’échantillonnage/mauvais modèle ?
? Exemples.
◦ Une fois tous les dix ans en moyenne la perte sur les marchés financiers s’éloigne
de la moyenne des pertes de plus de cinq fois l’écart-type des pertes antérieures. En
supposant les pertes Gaussiennes, un tel événement devrait survenir tous les 7000 ans
en moyenne.
◦ Lors du krach boursier du 19 Octobre 1987, l’indice Dow Jones perd 22, 6% de sa
valeur. La probabilité d’une telle perte sous un modèle Gaussien est 1/1050 .
? Modéliser les valeurs extrêmes.
◦ Le modèle Gaussien est très largement utilisé pour modéliser les pertes financières.
Hélas, ce modèle associe souvent une probabilité erronée aux événements rares.
◦ On remplace parfois le modèle Gaussien par un modèle alternatif conduisant à une
VaR moins biaisée ; mais, les données extrêmes qui permettraient d’évaluer ce type de
modèle sont par nature peu nombreuses.
◦ L’enjeu de la modélisation des valeurs extrêmes : déterminer un modèle qui présente
les mêmes qualités prédictives que le modèle Gaussien tout en étant plus flexible en
queue de distribution.
67 / 102
Gestion des Risques en Milieu Bancaire
Questions méthodologiques

Tester l’hypothèse de normalité

? L’hypothèse selon laquelle les vecteurs de rendements X t,t+h sont Gaussiens est
largement répandue ; est-elle réaliste ?
? Quelques outils standards pour vérifier la normalité des données.
◦ Densité Gaussienne vs densité à noyau

20
25

15
20

15

10
15

10
10

5
5
5
0

0
−0.04 −0.02 0.00 0.02 0.04 0.06 −0.05 0.00 0.05 −0.05 0.00 0.05 0.10

S&P 500 CAC 40 DAX 30

0.04

0.06
◦ QQ plot 0.04

0.04
0.02

0.02

0.02
0.00
0.00
0.00

−0.02
−0.02
−0.02

−0.04
−0.04

−0.06
−0.04

−0.04 −0.02 0.00 0.02 0.04 −0.06 −0.04 −0.02 0.00 0.02 0.04 0.06 −0.06 −0.04 −0.02 0.00 0.02 0.04 0.06 0.08

S&P 500 CAC 40 DAX 30

◦ Tests de normalité marginale

rendements SdT p-val. normalité ? (seuil 1%)
S&P 500 W = 0.98577 p-value = 0.0137 oui
CAC 40 W = 0.98322 p-value = 0.004809 non
DAX 30 W = 0.98833 p-value = 0.04053 oui
Attention. (i) au moins un actif non Gaussien ⇒ le portefeuille n’est pas
Gaussien, mais (ii) tous les actifs Gaussiens ; le portefeuille est Gaussien
? Le test de Mardia : un test de normalité multidimensionnelle
68 / 102
Gestion des Risques en Milieu Bancaire
Questions méthodologiques

VaR & asymétrie

Mesurer l’asymétrie
? Le coefficient d’asymétrie (skewness) d’une variable aléatoire Z de moyenne µ et de
variance σ 2 est : γ = E ([(Z − µ)/σ]3 )
? Deux types d’asymétrie.
◦ Lorsque le coefficient d’asymétrie est positif, la distribution de Z est dite
asymétrique à droite et sa masse est concentrée à gauche.
◦ Lorsque le coefficient d’asymétrie est négatif, la distribution de Z est dite
asymétrique à gauche et sa masse est concentrée à droite.
Un coefficient d’asymétrie nul traduit une distribution symétrique.

γ = −0.79
0.4

γ = −0.34
γ=0
0.3

γ = 0.35
γ = 0.78
0.2
0.1
0.0

−3 −2 −1 0 1 2 3

69 / 102
Gestion des Risques en Milieu Bancaire
Questions méthodologiques

VaR & asymétrie

VaR Gaussienne et rendements asymétriques
? Données : les rendements de trois indices boursiers asiatiques : NIKKEI, HANG
SENG, KOSDAQ au cours des 250 jours de bourse de l’année 2005.

NIKKEI γ = −0.46
150
HANG SENG γ = −0.6
KOSDAQ γ = −0.77
100
NA

50
0

−0.02 −0.01 0.00 0.01

Densité des rendements de trois indices boursiers asiatiques observés au cours de l’année 2005.

? Value-at-risk 5% pour un portefeuille équipondéré d’une valeur globale de 1$

− sous une hypothèse Gaussienne (rendements symétriques) : VaRd G = 0, 0040
0,05
d H = 0, 0049
− sans hypothèse de modèle (Value-at-Risk historique) : VaR 0,05
Sur un portefeuille de 109 $ le modèle Gaussien (rendements symétriques) induit un
biais de (0, 0049 − 0, 0040) × 109 ≈ 1000000$ sur la valeur à risque du portefeuille.
? Interprétation. Le modèle Gaussien sous estime de 1000000$ la perte minimale que
le portefeuille dépasse dans 5% des cas.
70 / 102
Gestion des Risques en Milieu Bancaire
Questions méthodologiques

VaR & aplatissement

Mesurer l’aplatissement
? Le coefficient d’aplatissement (kurtosis) d’une variable aléatoire Z de moyenne µ et
de variance σ 2 est : β = E ([(Z − µ)/σ]4 )
? Deux types d’aplatissement
◦ Lorsque le coefficient d’aplatissement est supérieur à 3, la distribution de Z est
dite leptokurtique : la queue de distribution est épaisse et le mode élevé.
◦ Lorsque le coefficient d’aplatissement est inférieur à 3, la distribution de Z est
dite platikurtique : la queue de distribution et/ou le mode sont restreints et les flancs
importants.
β = 3 traduit un aplatissemement de référence, celui de la loi normale ; on parle de
distribution mésokurtique.
0.7

Laplace pdf β = 6.01

Normal pdf β = 3
0.6

Uniform pdf β = 1.8

0.5
0.4
0.3
0.2
0.1

71 / 102
0.0
Gestion des Risques en Milieu Bancaire
Questions méthodologiques

VaR & asymétrie

VaR Gaussienne & rendements leptokurtiques

? Un exemple
On considère les rendements journaliers en 1994 des indices de trois compagnies
pétrolières : Imperial Oil (IMO) Marathon Oil (MRO) Hess Corporation (HES).
kurtosis Value-at-Risk 5%
modèle IMO MRO HES (equiweighted portfolio 1$)
aucun 6, 95 6, 19 9, 26 0, 028
Gaussien 3, 00 3, 00 3, 00 0, 031
Student 8, 41 7, 65 6, 84 0, 029
? Interprétation
◦ Sous un modèle Gaussien le coefficient d’aplatissement de la distribution de chacun
des rendements vaut 3.
◦ Sous un modèle de Student, le coefficient d’aplatissement de chaque distribution
varie avec les paramètres du modèle.
◦ Le modèle de Student réduit le biais sur la value at risk 5% en diminuant le biais sur
les coefficients d’aplatissement.

72 / 102
Gestion des Risques en Milieu Bancaire
VaR de Cornish-Fisher

Outline
Introduction

Généralités sur la Value-at-Risk

VaR Gaussienne

VaR historique

VaR Monte Carlo

Questions méthodologiques

VaR de Cornish-Fisher

Problèmes corrigés
73 / 102
Gestion des Risques en Milieu Bancaire
VaR de Cornish-Fisher

Motivation de la VaR de Cornish-Fisher

? Quelques propriétés découlant de l’hypothèse de rendements Gaussiens.
a.i. la distribution de PnL est symétrique
[Link]. la distribution de PnL est mésokurtique
√
G = θ0 µ + z
[Link]. le quantile d’ordre α de PnL est −VaRα 0
α θ Σθ

? Quelques remarques issues de l’observation de données de marché

b.i. la distribution empirique des PnL présente souvent une asymétrie à gauche
[Link]. la distribution empirique des PnL observés est souvent leptokurtique
[Link]. le quantile empirique d’ordre α des PnL observés est souvent inférieur à
E G
l’estimation Gaussienne : −VaR
d ≤ −VaR
α
d
α

L’hypothèse de PnL symétriques et mésokurtiques découlant de l’hypothèse

Gaussienne provoque un biais dans l’estimation de la Value-at-Risk : la VaR
Gaussienne sous-estime la perte minimale attendue avec probabilité 1 − α.
d G en tenant compte des observations b.i et [Link] et réduire
Objectif : corriger VaR α
ainsi le biais [Link]

74 / 102
Gestion des Risques en Milieu Bancaire
VaR de Cornish-Fisher

Définition de la VaR de Cornish-Fisher

? L’expansion de Cornish-Fisher [1]
Le quantile d’ordre α d’une variable aléatoire Z de moyenne 0, de variance 1, de
coefficient d’asymétrie γ et de coefficient d’aplatissement β, est :

2 3
ωα ≈ zα + (zα − 1)γ/6 + (zα − 3zα )(β − 3)/24.
√
˚ = (PnL − θ 0 µ)/ θ 0 Σθ permet d’approcher le quantile
? Ce résultat appliqué à PnL √
d’ordre α de PnL par : θ 0 µ + ωα θ 0 Σθ et de définir la VaR de Cornish-Fisher de
seuil α selon : √
VaRαCF
= −θ 0 µ − ωα θ 0 Σθ
? Remarques.
◦ La VaR Cornish-Fisher s’obtient en remplaçant zα par :
2 − 1)γ/6 + (z 3 − 3z )(β − 3)/24 dans la formule de la VaR Gaussienne.
ωα ≈ zα + (zα α α
◦ γ désigne le coefficient d’asymétrie des PnL centrés et réduits
◦ β désigne le coefficient d’aplatissement des PnL centrés et réduits.

75 / 102
Gestion des Risques en Milieu Bancaire
VaR de Cornish-Fisher

Comparaison des VaR Gaussienne/Cornish-Fisher

Effet propre de l’aplatissement et de l’asymétrie (cas général)
˚ est platikurtique (β = 3) et considérons un
? Supposons que la distribution de PnL
seuil de VaR inférieur à 15% (α < 0, 15).
˚ est asymétrique à droite (γ > 0) alors : ωα > zα et
◦ Si la distribution de PnL
VaRα CF < VaR G
α
˚ est asymétrique à gauche (γ < 0) alors : ωα < zα et
◦ Si la distribution de PnL
VaRα CF > VaR G
α
˚ est symétrique (γ = 0) et considérons un seuil
? Supposons que la distribution de PnL
de VaR inférieur à 50% (α < 0, 5).
Dans ce cas : ωα ≈ zα + (zα3 − 3z )(β − 3)/24 et la plus grande des VaR :
α
Gaussienne/Cornish-Fisher dépend du seuil α et de l’aplatissement β selon :
√ √
˚
distribution de PnL α < 1 − φ( 3) α > 1 − φ( 3)
platikurtique (β < 3) CF < VaR G
VaRα CF > VaR G
VaRα
α α
leptokurtique (β > 3) CF
VaRα > G
VaRα CF < VaR G
VaRα α
√
NB. 1 − φ( 3) ≈ 0, 042

76 / 102
Gestion des Risques en Milieu Bancaire
VaR de Cornish-Fisher

Comparaison des VaR Gaussienne/Cornish-Fisher

Effet conjoint de l’aplatissement et de l’asymétrie (un exemple)

titre/indice γ β ωα CF
VaR0,01 G
VaR0,01
TH −1, 3 8, 5 −4, 6 0, 2741 0, 1396
GBL −0, 2 3, 7 −2, 6 0, 1893 0, 1670
AXP −1, 5 10, 0 −5, 1 0, 2265 0, 1040
TSE300 0, 6 3, 7 −2, 0 0, 0656 0, 0745
Indice Bio. 0, 3 2, 9 −2, 1 0, 0902 0, 1008
Comparaison de la VaR 1% [1 jour] Cornish-Fisher/Gaussienne pour trois titres et deux indices boursiers
de 1999 à 2001. TH : Charles SCHWAB (action/Financial Services/NYSE) – GBL : Groupe Bruxelles
Lambert (action/Société de portefeuille/Euronext Bruxelles) – AXP : American Express (action/Card
issuer/NYSE) – TSE 300 : Toronto Stock Exchange – Indice Bio. : Indice NASDAQ biotechnologie

◦ Concernant chacun des trois titres

La VaR de Cornish-Fisher est supérieure à la VaR Gaussienne sous l’effet conjugué
d’une distribution leptokurtique (β > 3) et asymétrique à gauche (γ < 0).
◦ Concernant les deux indices
La VaR de Cornish-Fisher est inférieure à la VaR Gaussienne sous l’effet de l’asymétrie
à droite (γ > 0) des distributions que la kurticité ne parvient pas à compenser.
77 / 102
Gestion des Risques en Milieu Bancaire
VaR de Cornish-Fisher

Calcul d’une VaR Cornish-Fisher

L’écart-type des rendements d’un portefeuille de 100 e vaut 0, 30 et leur

moyenne 0, 15. On note β le coefficient d’aplatissement de la distribution des
rendements et γ son coefficient d’asymétrie.
1. Déterminez la Value-at-Risk de Cornish-Fisher à 1% de ce portefeuille dans
chacun des cas suivants :
i γ = −0, 5 et β = 1
ii γ = −0, 5 et β = 3
iii γ = −0, 5 et β = 5
M. Abe affirme : plus les rendements présentent un mode élevé (β grand), plus
la perte attendue au sens de la VaR de Cornish-Fisher est grande. Quelle
démarche peut-on entreprendre pour montrer qu’il n’a pas tout à fait raison ?

78 / 102
Gestion des Risques en Milieu Bancaire
VaR de Cornish-Fisher

Calcul d’une VaR Cornish-Fisher

L’écart-type des rendements d’un portefeuille de 100 e vaut 0, 30 et leur
moyenne 0, 15. On note β le coefficient d’aplatissement de la distribution des
rendements et γ son coefficient d’asymétrie.
1. Déterminez la Value-at-Risk de Cornish-Fisher à 1% de ce portefeuille dans
chacun des cas suivants :
i γ = −0, 5 et β = 1
CF
z0,01 = −2, 33 ; ω0,01 ≈ −2, 23 ; VaR0,01 ≈ 100(−0, 15 − ω0,01 × 0, 30) ≈ 52.
ii γ = −0, 5 et β = 3
CF
z0,01 = −2, 33 ; ω0,01 ≈ −2, 69 ; VaR0,01 ≈ 100(−0, 15 − ω0,01 × 0, 30) ≈ 66.
iii γ = −0, 5 et β = 5
CF
z0,01 = −2, 33 ; ω0,01 = −3, 16 ; VaR0,01 = 100(−0, 15 − ω0,01 × 0, 30) = 80.
M. Abe affirme : l’asymétrie à gauche des rendements augmente la perte
attendue au sens de la VaR de Cornish-Fisher. Quelle démarche peut-on
entreprendre pour montrer qu’il n’a pas tout à fait raison ?
79 / 102
Gestion des Risques en Milieu Bancaire
Problèmes corrigés

Outline
Introduction

Généralités sur la Value-at-Risk

VaR Gaussienne

VaR historique

VaR Monte Carlo

Questions méthodologiques

VaR de Cornish-Fisher

Problèmes corrigés
80 / 102
Gestion des Risques en Milieu Bancaire
Problèmes corrigés

Problème 1. Horizon & auto-corrélation

A l’horizon un jour, un portefeuille connait des pertes Gaussiennes de moyenne

nulle et d’écart-type 2Me.
1. Estimez la Value-at-Risk :
i. de seuil 2, 5% à l’horizon un jour,
ii. de seuil 2, 5% à l’horizon cinq jours,
iii. de seuil 1% à l’horizon cinq jours.
2. Reprenez ii. et iii. en supposant une auto-corrélation des pertes, d’ordre 1
et de paramètre ρ = 0, 16.

81 / 102
Gestion des Risques en Milieu Bancaire
Problèmes corrigés

Problème 1. Horizon & auto-corrélation [Corrigé]

◦ Pour des pertes journalières Gaussiennes de moyenne nulle et d’écart-type σ, la
Value-at-Risk de seuil α à l’horizon un jour est estimée par :

d G [1 jour] = σ × z1−α
VaR α

.
◦ Ainsi, pour des pertes dont l’écart-type est σ = 2Me, la Value-at-Risk 2, 5% à
l’horizon un jour est :
dG
VaR [1 jour] = 2 × 106 × z0,975 ≈ 2 × 106 × 1, 96 = 3, 92 × 106 .
0,025

◦ En supposant les pertes journalières indépendantes et identiquement distribuées, la

Value-at-Risk de seuil α à l’horizon N jours est :
√
d G [N jours] = VaR
VaR d G [1 jour] × N
α α

◦ Ainsi la Value-at-Risk 2, 5% à l’horizon 5 jours est estimée par :

√ √
dG dG 6
VaR 0,025 [5 jours] = VaR 0,025 [1 jour] × 5 ≈ 3, 92 × 10 × 5 ≈ 8765386.

d G [5 jours] =
◦ La Value-at-Risk 1% à l’horizon 5 jours est estimée par : VaR 0,01
G √ √ 6
√
VaR 0,01 [1 jour] × 5 = σ × z0,99 × 5 ≈ 2 × 10 × 2, 33 × 5 ≈ 10403744.
d
82 / 102
Gestion des Risques en Milieu Bancaire
Problèmes corrigés

Problème 1. Horizon & auto-corrélation [Corrigé]

Li désignant la perte au jour i, la variance de Li est :

V (Li ) = σ 2 = (2 × 106 )2 = 4 × 1012 .
Le coefficient d’auto-corrélation est ρ = 0, 16 ; la covariance de Li et Lj est :
cov(Li , Lj ) = V (Li ) V (Lj )ρ|i−j| = 4 × 1012 × ρ|i−j| .
p p

La P
variance de P
la perte sur cinq jours
P estP:
V ( 5i=1 Li ) = 5i=1 V (Li ) + 2 × 5i=2 ij=1 cov(Li , Lj ) =
4 × 1012 × (5 + 2 × 4ρ + 2 × 3ρ2 + 2 × 2ρ3 + 2 × ρ4 ) = 4 × 1012 × 6, 45 ≈ 2, 58 × 1013 .
◦ La Value-at-Risk 2,q5%P à l’horizon cinq jours est estimée par :
dG 5
p
VaR 0,025 [5 jour] = V ( i=1 Li ) × z0,975 ≈ 2, 58 × 1013 × 1, 96 ≈ 9956381.

◦ La Value-at-Riskq
1% à l’horizon cinq jours est estimée par :
d G [5 jour] = V (P5 Li ) × z0,99 ≈ 2, 58 × 1013 × 2, 33 ≈ 11817568.
p
VaR 0,01 i=1

83 / 102
Gestion des Risques en Milieu Bancaire
Problèmes corrigés

Problème 2. Back-test de la VaR : test unilatéral

On back-teste sur mille jours un modèle de Value-at-Risk 1% à l’horizon un

jour ; on observe dix-sept exceptions.

Doit-on rejeter le modèle de VaR dans un test unilatéral au seuil de 5% ?

Au delà de quel seuil de risque rejette-on le modèle de Value-at-Risk ?

84 / 102
Gestion des Risques en Milieu Bancaire
Problèmes corrigés

Problème 2. Back-test de la VaR : test unilatéral [Corrigé]

◦ Les hypothèses en compétition(test unilatéral à droite).
H0 : la probabilité d’observer une exception est p = 0, 01
H1 : la probabilité d’observer une exception est p ≥ 0, 01.
◦ La statistique de test.
N : nombre d’exceptions observées en mille jours.
Sous H0 , N est distribuée selon une loi binomiale B(1000, 0, 01).
◦ Zone de rejet.
On rejette H0 au seuil de 5% si N est supérieur au quantile d’ordre 0, 95 de
B(1000, 0, 01).
◦ Décision.
Le quantile d’ordre 0, 95 de B(1000, 0, 01) vaut 15.
Comme N > 15, on rejette H0 au seuil de 5%.
◦ Une variable distribuée selon B(1000, 0, 01) vaut au moins 17 dans 2, 6% des cas.
Ainsi, l’hypothèse H0 est rejetée dès que le seuil de risque est supérieur à 2, 6%.

85 / 102
Gestion des Risques en Milieu Bancaire
Problèmes corrigés

Problème 3. Back-test de la VaR : test de Kupiec

On back-teste sur mille jours un modèle de Value-at-Risk 1% à l’horizon un

jour et on observe quinze exceptions.
Doit-on rejeter le modèle de VaR dans un test de Kupiec au seuil de 5% ?

86 / 102
Gestion des Risques en Milieu Bancaire
Problèmes corrigés

Problème 3. Back-test de la VaR : test de Kupiec [Corrigé]

◦ Les hypothèses en compétition(test bilatéral).
H0 : la probabilité d’observer une exception est p = 0, 01
H1 : la probabilité d’observer une exception est p 6= 0, 01.
◦ La statistique de test.
Λ = −2 × log[p N × (1 − p)n−N ] + 2 × log[(N/n)N × (1 − N/n)n−N ] où N désigne le
nombre d’exceptions observées en n = 1000 jours.
Sous H0 , Λ est distribuée selon une loi de χ2 à un degré de liberté.
◦ Zone de rejet.
On rejette H0 au seuil de 5% si Λ est supérieure au quantile d’ordre 0, 975 de χ21 ou
inférieure au quantile d’ordre d’ordre 0, 025.
◦ Décision.
Le quantile d’ordre 0, 975 de χ21 vaut 5, 024 et le quantile d’ordre 0, 025 vaut 0, 001
Λ = −2 × log 0, 0115 × 0, 99(1000−15) + 2 ×

log (15/1000)15 × (1 − 15/1000)(1000−15) ≈ 2, 19 ∈ [0, 001; 5, 024] ; donc, on ne

rejette pas le modèle de VaR au seuil de 5%.

87 / 102
Gestion des Risques en Milieu Bancaire
Problèmes corrigés

Problème 4. Intervalle de confiance de la VaR

Les pertes d’un portefeuille sont supposées Gaussiennes de moyenne nulle et

d’écart-type 6Me. Pour ce portefeuille, la Value-at-Risk 2, 5% à l’horizon un
jour estimée sur 2000 pertes est : 13Me.
Déterminez un intervalle de confiance à 99% de VaR0,025 .

88 / 102
Gestion des Risques en Milieu Bancaire
Problèmes corrigés

Problème 4. Intervalle de confiance de la VaR [Corrigé]

◦ Un résultat théorique.
d G de VaRα est
Si les pertes sont distribuées selon N (µ, σ 2 ), l’estimateur VaR α
approximativement distribué selon N (VaRα , α(1 − α)/[n × f (q1−α )2 ]) où f désigne
la densité de N (µ, σ ) et q1−α son quantile d’ordre 1 − α.
2

◦ On en déduit l’intervalle de confiance de niveau 1 − β de VaRα .

q
d G ± z1−β/2
IC1−β (VaRα ) = VaR α(1 − α)/[n × f (VaRα )2 ]
α

◦ Application numérique.
L’énoncé donne : µ = 0, σ = 6, VaR dG
0,025 = 13 et n = 2000. √
Par ailleurs : f (q0,975 ) ≈ exp{−0, 5 × ((6 × z0,975 )/6)2 }/[ 2π × 6] ≈ 0, 0097.
Ainsi :
q
IC0,99 (VaR0,025 ) = 13 ± z0,995 × 0, 025 × 0, 975/[2000 × 0, 00972 ] ≈ [12, 08; 13, 92]

89 / 102
Gestion des Risques en Milieu Bancaire
Questionnaires à Choix Multiples

Outline
Introduction

Généralités sur la Value-at-Risk

VaR Gaussienne

VaR historique

VaR Monte Carlo

Questions méthodologiques

VaR de Cornish-Fisher

Problèmes corrigés
90 / 102
Gestion des Risques en Milieu Bancaire
Questionnaires à Choix Multiples

QCM 1
1. A quels types de risques financiers le risque de modèle (ensemble des risques dus
à une conceptualisation/modélisation erronée des processus financiers)
s’apparente-t-il ?
(a) le risque opérationnel
(b) le risque de crédit
(c) le risque de marché
(d) le risque de taux
(e) le risque de liquidité.
2. La rentabilité d’un actif financier fait référence à :
(a) la moyenne des pertes
(b) l’écart-type des pertes
(c) la moyenne des profits
(d) l’écart-type des profits
(e) la médiane des profits.
3. La volatilité d’un actif financier fait référence à :
(a) la moyenne des pertes
(b) l’écart-type des pertes
(c) la moyenne des profits
(d) l’écart-type des profits
(e) la médiane des profits.
91 / 102
Gestion des Risques en Milieu Bancaire
Questionnaires à Choix Multiples

QCM1 (suite)
4. Que peut-on dire de la value-at-risk de seuil α associée à un portefeuille ?
(a) elle indique le montant que l’on perd avec probabilité α
(b) elle indique la valeur moyenne que l’on perd en cas de crise
(c) elle diminue lorsque le seuil α augmente
(d) elle est proportionnelle à la volatilité du portefeuille
(e) elle est proportionnelle à la longueur de la période de détention.

5. Que peut-on dire des différentes méthodes d’estimation de la value-at-risk ?

(a) la VaR historique est plus sensible aux fluctuations d’échantillonnage que la
VaR gaussienne
(b) la VaR gaussienne peut être estimée par une méthode de Monte-Carlo
(c) la VaR de Cornish-Fisher est destinée à réduire le biais de la VaR gaussienne
(d) seule l’estimation des paramètres gaussiens distingue la VaR RiskMetrics de
la VaR gaussienne
(e) estimer la VaR par une méthode de Monte-Carlo réduit le risque de modèle.

92 / 102
Gestion des Risques en Milieu Bancaire
Questionnaires à Choix Multiples

QCM 1 (suite)
6. La volatilité d’un portefeuille vaut 0, 02, sa rentabilité est nulle et ses
rendements sont symétriques ; sa value-at-risk à 5% :
(a) est inférieure à 0, 063 quel que soit le modèle de rendements
(b) est supérieure à 0, 063 quel que soit le modèle de rendements
(c) est inférieure à 0, 063 uniquement si les rendements sont gaussiens
(d) est supérieure à 0, 063 uniquement si les rendements sont gaussiens
(e) ne peut être ni minorée ni majorée.

Le tableau suivant donne les valeurs de quelques statistiques observées sur les
rendements du titre UBS au cours des dix derniers jours de Bourse à Zurich.
statistique valeur
moyenne 0, 139
variance 0, 536
quantile 10% −0, 62
quantile 20% −0, 52
coefficient d’asymétrie 0, 616
coefficient d’aplatissement 1, 711

7. Que vaut la value-at-risk historique du titre UBS au seuil de 12% pour un

horizon 1 jour, obtenue par interpolation linéaire ?
(a) 0, 57 (b) 0, 58 (c) 0, 59 (d) 0, 60 (e) impossible à calculer par manque 93 / 102
Gestion des Risques en Milieu Bancaire
Questionnaires à Choix Multiples

QCM 1 (suite)
8. Que vaut la value-at-risk gaussienne du titre UBS au seuil de 10% pour un
horizon 1 jour ?
(a) 0, 80
(b) 0, 84
(c) 0, 88
(d) 0, 92
(e) autre valeur.
9. Que vaut la value-at-risk gaussienne au seuil de 10% obtenue par scaling pour
un horizon 2 jours ?
(a) 1, 05
(b) 1, 15
(c) 1, 25
(d) 1, 35
(e) autre valeur.
10. La distribution des rendements du titre UBS est :
(a) symétrique
(b) asymétrique à droite
(c) asymétrique à gauche
(d) platikurtique
(e) leptokurtique. 94 / 102
Gestion des Risques en Milieu Bancaire
Questionnaires à Choix Multiples

QCM1 (fin)
11. Que vaut la value-at-risk de Cornish-Fisher au seuil de 5% et pour un horizon 1
jour ?
(a) 0, 90 (b) 0, 93 (c) 0, 96 (d) 0, 99 (e) autre valeur.

12. En supposant que le modèle conduisant à estimer VaR 5% est fiable, avec quelle
probabilité observera-t-on une seule exception dans les dix prochains jours ?
(a) 0, 32
(b) 0, 42
(c) 0, 52
(d) 0, 62
(e) la question n’a pas de sens.

13. Le test de Kupiec rejette-t-il, au seuil de 10%, un seuil nominal de VaR égal à
5% lorsque trois exceptions sont observées en dix jours ?
(a) oui
(b) non
(c) on ne peut pas répondre par manque d’informations
(d) la question n’a pas de sens : le seuil de VaR et le seuil du test doivent être
égaux
(e) la question n’a pas de sens : le seuil nominal de VaR n’est jamais mis en
question. 95 / 102
Gestion des Risques en Milieu Bancaire
Questionnaires à Choix Multiples

QCM 2
Voici dix rendements journaliers d’un actif a : −0, 42 ; 0, 39 ; −0, 18 ; −0, 16 ; 0, 46 ;
0, 03 ; 0, 15 ; 0, 01 ; −0, 13 ; 0, 02.
1. La Value-at-Risk historique à 15% vaut, au centième près :
(a) 0, 28
(b) 0, 29
(c) 0, 30
(d) 0, 31
(e) autre.
2. La rentabilité de cet actif est, au millième près :
(a) 0, 017
(b) 0, 020
(c) 0, 023
(d) 0, 026
(e) autre.
3. La volatilité de cet actif est, au millième près :
(a) 0, 157
(b) 0, 252
(c) 0, 348
(d) 0, 476
(e) autre. 96 / 102
Gestion des Risques en Milieu Bancaire
Questionnaires à Choix Multiples

QCM 2 (suite)

4. En supposant les rendements gaussiens, la Value-at-Risk à 5% vaut, au

centième près :
(a) 0, 34 (b) 0, 36 (c) 0, 38 (d) 0, 40 (e) autre.

5. La Value-at-Risk à 10% vaut 0, 31 ; comment doit-on interpréter cette

information ?
(a) Si John détient 100$ de a, il perdra au moins 31$ avec 10% de chances.
(b) Si John détient 100$ de a, il perdra 31$ avec 10% de chances au moins.
(c) Si John détient 100$ de a, il perdra au moins 31$ avec 90% de chances.
(d) Si John détient 100$ de a, il perdra 31$ avec 90% de chances au plus.
(e) La Value-at-Risk est une mesure technique ; elle ne s’interprète pas.

97 / 102
Gestion des Risques en Milieu Bancaire
Questionnaires à Choix Multiples

QCM 2 (suite)
6. Sam√affirme : la value-at-Risk à 10% à l’horizon 5 jours s’obtient en multipliant
par 5 la Value-at-Risk à 10% à l’horizon 1 jour. Sam a-t-il raison ?
(a) oui
(b) oui, à condition que les rendements soient gaussiens
(c) oui, à condition que les rendements soient gaussiens et la rentabilité de
l’actif nulle
(d) oui, à condition que les rendements soient gaussiens, la rentabilité de l’actif
nulle et sa volatilité minimale
(e) non
7. Les rendements de a ont pour coefficient d’asymétrie : 0, 26 et pour coefficient
d’aplatissement : 2, 43. La Value-at-Risk de Cornish-Fisher à 5% vaut, au
centième près :
(a) 0, 34
(b) 0, 36
(c) 0, 38
(d) 0, 40
(e) autre.

98 / 102
Gestion des Risques en Milieu Bancaire
Questionnaires à Choix Multiples

QCM 2 (suite)
Le couple de rendements d’indices : CAC 40 × DAX 30 est supposé gaussien. Le
tableau suivant donne quelques paramètres statistiques sur les rendements de chaque
actif et leur dépendance.
moyenne écart-type corrélation
CAC 40 0, 01 0, 03
0, 4
DAX 30 0, 02 0, 04

Table: Paramètres du couple de rendements d’indices : CAC 40, DAX 30

On considère deux portefeuilles A et B composés chacun des deux indices. Chaque

portefeuille vaut 1$, mais le poids des indices change d’un portefeuille à l’autre.
◦ Portefeuille A : CAC 40 et DAX 30 ont le même poids.
◦ Portefeuille B : deux fois plus de CAC 40 que de DAX 30.
8. La Value-at-Risk à 5% de CAC 40
(a) vaut 0, 033 au millième près
(b) vaut 0, 035 au millième près
(c) vaut 0, 037 au millième près
(d) vaut 0, 039 au millième près
(e) ne peut pas être calculée.
99 / 102
Gestion des Risques en Milieu Bancaire
Questionnaires à Choix Multiples

QCM 2 (fin)

9. La Value-at-Risk à 5% du portefeuille A
(a) vaut 0, 033 au millième près
(b) vaut 0, 035 au millième près
(c) vaut 0, 037 au millième près
(d) vaut 0, 039 au millième près
(e) ne peut pas être calculée.

10. Quel portefeuille présente le moins de risque selon la Value-at-Risk à 5% ?

(a) le portefeuille A
(b) le portefeuille B
(c) les deux portefeuilles présentent le même risque
(d) on ne peut pas répondre à cette question par manque d’information
(e) on ne peut pas répondre à cette question car elle n’a pas de sens

100 / 102
Gestion des Risques en Milieu Bancaire
Questionnaires à Choix Multiples

Références I
Milton Abramowitz and Irene A Stegun. Handbook of mathematical functions:
with formulas, graphs, and mathematical tables. Vol. 55. Courier Corporation,
1964.

Rod Beckström and Alyce Rita Campbell. An introduction to VAR. CATS

Software Incorporated, 1995.

Tanya Styblo Beder. “VAR: Seductive but dangerous”. In: Financial Analysts
Journal (1995), pp. 12–24.

Sue Grayling. VAR: understanding and applying value-at-risk. Risk Books,

1997.

Philippe Jorion. Value at risk. McGraw-Hill, New York, 1997.

Thomas J Linsmeier and Neil D Pearson. “Value at risk”. In: Financial Analysts
Journal (2000), pp. 47–67.

Francois M Longin. “From value at risk to stress testing: The extreme value
approach”. In: Journal of Banking & Finance 24.7 (2000), pp. 1097–1130.

101 / 102
Gestion des Risques en Milieu Bancaire
Questionnaires à Choix Multiples

Références II

JP Morgan et al. “Riskmetrics technical document”. In: (1996).

Evert Wipplinger. “Philippe Jorion: Value at Risk–The New Benchmark for

Managing Financial Risk”. In: Financial Markets and Portfolio Management
21.3 (2007), pp. 397–398.

102 / 102