RAPPORT DU MINI-PROJET
Filière : Ingénierie en Finance et Actuariat
Module : Gestion des risques en finance
Modélisation du risque de marché
Réalisé par : Encadré par :
AYACHI Yassine [Link] Khadija
KHALLOUFI Houssam
Année universitaire : 2023/2024
Table des matières
1 Paradigme Rendement-Risque 5
1.1 Le rendement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.1.1 Pour une action . . . . . . . . . . . . . . . . . . . . . . . 5
1.2 Pour un portefeuille d’actions . . . . . . . . . . . . . . . . . . . . 7
2 Le risque de marché 9
2.1 Risque systémique . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.2 Risque spécifique . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
3 Value-at-Risk (VaR) 11
3.1 Principes et définitions . . . . . . . . . . . . . . . . . . . . . . . . 11
3.2 Méthodes de calcul de la VaR . . . . . . . . . . . . . . . . . . . . 14
3.2.1 Variance-covariance (analytique ou paramétrique) . . . . 14
3.2.2 Méthode historique . . . . . . . . . . . . . . . . . . . . . . 17
3.2.3 Simulation Monte Carlo . . . . . . . . . . . . . . . . . . . 18
3.2.4 Cornish-Fisher . . . . . . . . . . . . . . . . . . . . . . . . 19
3.2.5 Delta-Normal . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.2.6 Delta- Gamma . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.2.7 Boostrapping . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.2.8 Avantages et limites de la Value-at-risk . . . . . . . . . . 34
Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
INTERFACES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
1
WEBOGRAPHIE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
2
Introduction Générale
La transformation du paysage bancaire au cours des dernières décennies
a introduit de nouveaux défis et risques. Dans les années 70, le secteur ban-
caire était fortement réglementé, mais dans les années 80, une déréglementa-
tion croissante, une concurrence agressive et l’émergence de nouvelles activités
ont conduit à une prise de conscience accrue des risques bancaires.
Les crises financières mondiales, telles que celles en Asie du Sud-Est et en
Argentine, ainsi que les défaillances notables de grandes institutions finan-
cières, ont souligné l’importance de la gestion efficace des risques pour assurer
la pérennité des banques. Les méthodes traditionnelles de contrôle prudentiel
se sont avérées inadéquates, stimulant la réflexion au niveau international, no-
tamment par le comité de Bâle.
Le risque de marché, en particulier, a pris une importance croissante avec
le développement des opérations de marché. En réponse, des réglementations
ont été mises en place, telles que l’approche standard de 1993, qui a ensuite été
amendée en 1996 pour permettre aux banques d’utiliser des modèles internes
pour calculer les fonds propres nécessaires.
Au Maroc, les banques sont tenues de se conformer à ces réglementations,
notamment en adoptant la méthode standard d’ici 2007. En parallèle, elles ex-
plorent la possibilité de développer leurs propres modèles internes de gestion
des risques.
3
La méthode de la Valeur en Risque (VaR) est largement utilisée pour mesu-
rer et résumer le risque de marché. Elle fournit une estimation chiffrée de la
perte potentielle sur un horizon temporel défini, permettant ainsi aux banques
de mieux évaluer et gérer les risques auxquels elles sont exposées.
4
Chapitre 1
Paradigme Rendement-Risque
1.1 Le rendement
La gestion des portefeuilles d’actifs s’appuie sur la notion de rendement ou
de taux de rentabilité. Cette grandeur mesure, pendant un intervalle de temps
donnée, l’appréciation ou la dépréciation relative de la valeur d’un actif finan-
cier ou d’un portefeuille d’actifs. Nous limiterons notre étude à des actifs fi-
nanciers de type action.
1.1.1 Pour une action
Pour une période donnée, on définit usuellement deux types de rendement
d’un actif financier Ai de type action :
1. Le rendement arithmétique comme la variation relative de son prix Pi (t) entre
les instants t et t − 1 par :
Pi (t) − Pi (t − 1) ∆Pi (t)
Rarith
i (t) = = (1.1)
Pi (t − 1) Pi (t − 1)
5
2. Le rendement logarithmique, également appelé rendement géométrique, entre
les instants t et t − 1 par :
Pi (t)
Rln
i (t) = ln (1.2)
Pi (t − 1)
L’inconvénient du rendement arithmétique est qu’il n’est pas additif. En effet,
son calcul privilégie les deux instants t et t − 1, et néglige ainsi l’évolution de la
valeur pendant la période qui les sépare l’un de l’autre.
t 1 2 3
P(t) 100 102 100
Tableau 1.1 - Exemple d’évolution des prix
∆(t) Rarith (t) rln (t)
(2 − 1) 2, 00% 1, 98%
(3 − 2) −1, 96% −1, 98%
(2 − 1) + (3 − 2) 0, 04% 0, 00%
(3 − 1) 0, 00% 0, 00%
Tableau 1.2 – Exemple de calcul de rendement .
En effet, supposons qu’un actif financier prenne successivement les valeurs
100,102 et 100 aux instants 1, 2 et 3 (tableau1.1). Nous calculons les rende-
ments arithmétiques et logarithmiques entre les instants 1,2 et 3, puis 1 et 3
(tableau 1.2).La rentabilité sur la période totale est nulle comme l’indique le
rendement logarithmique. On montre facilement l’additivité des rendements
logarithmiques sur une période [0, T ] par :
6
P(T ) P(T ) P(T − 1) P(T − 2) P(1)
Rln
[0,T ] = ln = ln ...
P(0) P(0) P(T − 1) P(T − 2) P(1)
P(T ) P(2) P(1)
= ln + . . . + ln + ln
P(T − 1) P(1) P(0)
= Rln ln ln
[T −1,T ] + . . . + R[1,2] + R[0,1]
En supposant un intervalle de temps suffisamment petit, on peut définir un
rendement instantané comme étant la valeur moyenne des valeurs prises par
l’actif entre les instants t et t + δ(t), soit :
t+δt
1 P (t + δt ) P(t) + δP(t)
Z
Rtln = dP = ln = ln
t P P(t) P(t)
d’où, à partir du développement limité à l’ordre 1 de la fonction ln :
δP(t) δP(t)
Rtln = ln 1 + ≈ (1.3)
P(t) P(t)
L’équation (1.3) montre ainsi que la rentabilité arithmétique et la rentabilité
loga-rithmique sont égales en première approximation lorsque le ‘pas de temps’
est faible. Dans cette étude, nous utilisons des rendements logarithmiques à 1
jour, 5 jours et 10 jours. Les rendements à 5 et 10 jours sont obtenus en effectuant
la somme des rendements logarithmiques quotidiens sur la période considé-
rée. On considérera que la sous-période de 1 jour est suffisamment faible pour
appliquer l’approximation de l’équation (1.3).
1.2 Pour un portefeuille d’actions
Nous considérons un investisseur financier disposant d’un portefeuille P
composé de trois actifs de type action Ai , pour i = 1, 2, 3. La rentabilité du por-
7
tefeuille s’exprime alors comme une combinaison linéaire des rendements Ri
de chaque actif pondérée par le poids de chaque actif dans le portefeuille P. En
notant ωi ce poids, le rendement du portefeuille s’écrit :
R p = ∑3i=1 ωi Ri
8
Chapitre 2
Le risque de marché
Le risque de marché d’un portefeuille provient des variations des prix des
actifs financiers et de leur effet négatif sur la valeur financière totale du porte-
feuille. Traduit en termes de rendement, les rentabilités des actifs deviennent
alors des variables aléatoires dont l’évolution future n’est pas, à priori, connue
et quantifiable. Dans le cas d’une obligation, les fluctuations des taux d’intérêts
modifient leur valeur de marché. Ainsi, le rendement Ri de l’actif i est considéré
comme une variable aléatoire pouvant prendre, à l’instant t, des valeurs aléa-
toires ri (t) dans un intervalle plus ou moins déterminé.
Une action, comme tout autre produit financier, comporte des risques dont
les plus connus sont les risques liés à l’entreprise (liquidation judiciaire, baisse
du chiffre d’affaires, risques juridiques, etc.). On distingue habituellement deux
grandes catégories de risques, le risque systémique et le risque spécifique.
2.1 Risque systémique
Le risque systémique, également appelé systématique, correspond au risque
qu’a chaque investisseur quand il décide d’acheter une action et ce, quelque
soit la société à laquelle se rattache cette action. Il s’agit en fait du risque de
marché dans son ensemble que nous avons l’habitude de ‘mesurer’ par des in-
9
dices boursiers (Cac40, Dow-Jones, Nikkei, etc.) censés refléter l’activité d’un
marché. Ce risque systémique est considéré comme un risque irréductible, in-
trinsèque au marché des actions.
2.2 Risque spécifique
Contrairement au risque systémique, le risque spécifique est lié à une action
en particulier. Supposez que vous achetiez une valeur dite “valeur Internet”,
outre le risque systématique lié à ce type d’actions, la société peut très bien ne
pas atteindre les objectifs de croissance qu’elle s’était fixés. Ceci aura un im-
pact, le plus souvent négatif, sur le cours de bourse de cette société.
Ce risque spécifique peut être réduit au minimum en détenant un portefeuille
identique à la composition d’un indice de marché comme le Cac40. Ainsi, seul
subsistera le risque systématique. C’est typiquement le cas de la gestion dite
par benchmark qui gère des portefeuilles répliquant des indices boursiers.
La gestion du risque est une composante très importante de la gestion de porte-
feuille. Elle intervient de plus en plus dans les processus de sélection de porte-
feuille des gestionnaires de portefeuille et les différentes méthodes de prévision
du risque vont de l’utilisation des simples volatilités et corrélations historiques
entre actions aux modèles à plusieurs facteurs.
10
Chapitre 3
Value-at-Risk (VaR)
Comment définir la perte maximale sur un instrument financier ?
Est-ce la perte la plus importante depuis cinquante ans ? Dans ce cas, est-il réel-
lement possible qu’elle se reproduise ?
Les mathématiques apportent une réponse à ces questions en définissant la
perte maximale possible comme la perte dont la probabilité d’occurrence à un
horizon donné est inférieure à un certain niveau, par exemple 1%.
Un investisseur ou un trader en fin de journée est sur une position courte en
devise Euro correspondant à un million de dirhams. Il aimerait savoir jusqu’à
combien peut-il perdre d’ici demain. Quelle est alors sa perte potentielle d’ici
demain, pour un niveau de confiance donné ?
Nous pouvons répondre à cette question en calculant la VaR de sa position.
3.1 Principes et définitions
La Valeur en Risque, plus connue sous le nom anglais Value-at-Risk ou VaR,
est une mesure de la perte potentielle que peut subir un portefeuille d’instru-
ments financiers suite aux fluctuations des facteurs de marché, avec un niveau
de probabilité donné, un horizon de temps fixé et dans des conditions normales
de marché. Elle permet de répondre à la question suivante : Combien l’établis-
11
sement financier peut-il perdre avec une probabilité (1 − α) pour un horizon de
temps h fixé ?
Statistiquement, la VaR peut être définie comme étant un quantile de la dis-
tribution des P&L théoriques d’un portefeuille, résultant des mouvements pos-
sibles des facteurs de risque de marché, sur un horizon de temps fixé.
Le P&L d’un portefeuille de valeur P, sur un horizon de h jours est donné par :
P&L(t; h) = ∆hPt = Pt+h − Pt .
Un point important est que nous ne connaissons pas avec certitude la variation
des facteurs de risque au-delà de h jours, et pour cette raison, des prévisions
seront faites à partir des volatilités et corrélations historiques. Ces variations
sont intégrées dans le P&L (∆hPt ) auquel nous étudierons la distribution statis-
tique, toujours en liaison avec l’horizon de temps fixé.
Par définition, la VaR sur h jours avec un niveau de confiance de (1 − α) est
la valeur R telle que la probabilité de perdre R au plus, au-delà de h jours, est
égale à (1 − α).
VARα,h = R telle que Prob(∆hPt < −R) = α ou encore Prob(∆hPt < R) = 1 − α
12
Graphique 1.1-1 : La fonction de densit´é du PL
α est appelé niveau de signification ; il est inférieur à 1 et est en général égal
à 1% ou 5%.
Deux éléments sont donc indispensables pour interpréter le chiffre VaR (qui
permet de donner une vision globale du risque de marché d’un portefeuille) :
1. la période de détention h ou holding period qui correspond à la période
sur laquelle la variation de la valeur du portefeuille est mesurée ;
2. le seuil de confiance (1 − α) du chiffre VaR qui correspond à la probabilité
de ne pas dépasser cette mesure du risque.
Si ces deux paramètres ne sont pas spécifiés, nous ne pouvons pas interpréter
le chiffre VaR, car un risque à 10 jours avec une probabilité de 99% est beau-
coup plus important qu’un risque à 1 jour avec une probabilité de 90%. Dans
le premier cas, nous avons une chance sur 100 que la perte réalisée pour les 10
prochains jours ouvrés soit supérieure à celle estimée par la VaR. Dans le se-
cond cas, nous avons une chance sur 10 que la perte réalisée demain soit plus
grande que la VaR. Avec la mesure VaR, on passe donc d’une mesure de risque
comme volatilité à une mesure de risque comme quantile.
13
Il faut bien avoir à l’esprit que la mesure VaR ne donne une image du risque
que dans le cadre de conditions normales de marché et pour un niveau de
confiance inférieur ou égal à 99% (dans le cas de la réglementation). Pour avoir
une mesure du risque extrême, d’autres techniques sont plus adaptées : les mé-
thodes de stress testing et la théorie des valeurs extrêmes permettent de mieux
appréhender les risques extrêmes.
Pour calculer la VaR, nous devons identifier les facteurs de marché qui affectent
la valeur du portefeuille. Le nombre de ces facteurs peut être plus ou moins
grand, mais dépend généralement du type de marché considéré.
Remarques : La VaR est croissante avec le niveau de confiance et l’hori-
√
zon de détention. Il est démontré que VARα,h = h · VARα,1 . Ainsi Nous calcu-
lerons désormais la VaR sur un jour et celle sur 10 jours est obtenue en multi-
√
pliant la première par 10.
3.2 Méthodes de calcul de la VaR
3.2.1 Variance-covariance (analytique ou paramétrique)
Elle a été introduite en Octobre 1994 par J.P. Morgan, c’est la plus utilisée
et est adaptée aux portefeuilles linéaires (comme les positions sur devises par
exemple). Cette méthode nécessite une matrice de covariance des actifs ainsi
que leur composition dans le portefeuille. C’est dire donc que nous avons be-
soin des variances et covariances des rendements des actifs du portefeuille, qui
peuvent être estimées soit par les méthodes standard (écart-type ou variance),
soit par un modèle GARCH ou de pondération exponentielle.
Dans le modèle de VaR paramétrique, nous supposons que la valeur algé-
14
brique d’un portefeuille est représentée par une combinaison linéaire de K fac-
teurs gaussiens (linéarité). Notons P(t) la valeur du portefeuille à l’instant t et
F(t) le vecteur gaussien des facteurs de loi N(µ, Σ). La valeur du portefeuille
en t vaut alors P(t) = aT F(t) avec a le vecteur de sensibilités. À la période t, la
valeur de P(t + 1) n’est pas connue puisque nous ne disposons que de l’infor-
mation jusqu’en t. En t, P(t +1) est donc une variable aléatoire gaussienne de loi
N(aT µ, aT Σa). La valeur de la VaR pour un seuil de confiance 1 − α correspond
alors à :
Pr(Pt+1 − Pt > −VaRα ) = 1 − α
Dans cette équation, P(t + 1) − P(t) représente la variation du portefeuille entre
l’instant t + 1 et l’instant t. C’est donc une perte si la valeur réalisée du porte-
feuille dans un jour est inférieure à la valeur actuelle du portefeuille. Comme
la VaR représente la perte potentielle que l’on s’autorise et que celle-ci est ex-
primée en valeur absolue, Pr(Pt+1 − Pt > −VaRα ) est la probabilité que la perte
ne dépasse pas la VaR (ou perte potentielle). Par définition, cette probabilité est
notre seuil de confiance. Lorsque la période de détention n’est pas 1 jour mais
h jours, la mesure de la VaR se définit à partir de la relation suivante :
Pr(Pt+h − Pt > −VaRα,h ) = 1 − α
Dans cette équation, P(t + 1) − P(t) représente la variation du portefeuille
entre l’instant t +1 et l’instant t. C’est donc une perte si la valeur réalisée du por-
tefeuille dans un jour est inférieure à la valeur actuelle du portefeuille. Comme
la VaR représente la perte potentielle que l’on s’autorise et que celle-ci est ex-
primée en valeur absolue, Pr(Pt+1 − Pt > −VaRα ) est la probabilité que la perte
ne dépasse pas la VaR (ou perte potentielle). Par définition, cette probabilité est
notre seuil de confiance. Lorsque la période de détention n’est pas 1 jour mais
15
h jours, la mesure de la VaR se définit à partir de la relation suivante :
Pr(Pt+h − Pt > −VaRα,h ) = 1 − α
Comme nous supposons que P(t + 1) est gaussien, alors nous en déduisons
que
pt+1 − aT µ
Pr( √ ≥ φ−1 (α)) = 1 − α
T
a −a
avec φ−1 la fonction gaussienne inverse. Or nous avons φ−1 (1 − α) = −φ−1 (α)
avec Le quantile à α% de la loi gaussienne. Un rapide calcul montre que :
q
T −1
VARα = pt − a µ − φ (α) aT ∑ a
Lorsque les facteurs F modelisent directement la variation du [Link]
mesure Var devient :
p p
VARα = −aT µ − φ−1 (α) aT ∑ a ou VARα = φ−1 (1 − α) aT ∑a − aT µ
En général, nous supposons que µ = 0 et nous avons finalement
p
VARα = φ−1 (1 − α) aT ∑a
Cette méthode de calcul de la VaR est appelée la méthode de variance–covariance,
puisqu’elle dérive directement de la matrice de covariance Σ des facteurs.
La dernière relation s’interprète très facilement : aT Σa est en fait l’écart-type
de la variation du portefeuille ; nous pouvons l’assimiler à un risque-volatilité.
(1 − φ−1 (α)) est un coefficient que nous notons c, nous avons donc une relation
linéaire entre le risque-volatilité et la perte potentielle :
VaR = c∗ risque−volatilite
16
A titre d’illustration, c prend la valeur 2,33 pour un seuil de confiance 1 − α =
99% Dans ce cas, la VaR correspond au risque-volatilite multiplie par ce facteur
2,33 .
Cette méthode repose sur trois hypothèses :
1. L’indépendance temporelle des variations de la valeur du portefeuille .
2. La normalité des facteurs F(t) .
3. La relation linéaire entre les facteurs et la valeur du portefeuille.
Ces trois hypothèses simplifient le calcul de la VaR, puisque les quantiles de
aT F(t) sont liés de façon linéaire au quantile de la loi normale à une dimension.
La principale difficulté de cette méthode est d’estimer la matrice de covariance
et de déterminer les sensibilités.
Nous pouvons montrer que l’expression de la VaR obtenue pour une pé-
riode de détention d’un jour peut se généraliser à une période de détention de
h jours. Dans ce cas, Σ représente la matrice de covariance des facteurs pour h
jours. Nous rappelons que la période de détention réglementaire est fixée à 10
jours.
Enfin, nous rappelons que cette méthode n’est utilisable que pour les actifs
financiers linéaires car elle ne prend pas en compte le caractère non linéaire
des positions. Ainsi, le calcul d’une VaR paramétrique pour un portefeuille
d’options n’est pas adapté.
3.2.2 Méthode historique
Contrairement à la VaR paramétrique, la VaR historique est entièrement ba-
sée sur les variations historiques des facteurs de risque F(t). Supposons que
17
nous disposions d’un historique de longueur N.
En t0 , nous pouvons valoriser le portefeuille avec les facteurs de risque de l’his-
torique. Cela veut dire que nous calculons pour chaque date t = [t0 ˘1, . . . ,t˘N]
une valeur (potentielle) du portefeuille.
Nous pouvons alors déterminer N variations potentielles, que nous assimilons
à N pertes potentielles (certaines pertes sont en fait des gains). Ainsi, à partir
de l’historique, nous construisons implicitement une distribution empirique.
De celle-ci, nous pouvons extraire le quantile à α%. Il suffit pour cela de ranger
les N pertes potentielles et de prendre la valeur absolue de la N · (1 − α) ième
plus petite valeur.
Voyons un exemple : Nous supposons que les pertes potentielles P sont
ordonnées. Nous obtenons alors un ensemble [P1 , . . . , Pn , . . . , PN ] avec Pn ≤ Pm
quelque soit n < m.
Pour un seuil de confiance de 99%, la VaR correspond à la première perte
potentielle valeur absolue (P1 ) si N = 100, à la dixième perte potentielle valeur
absolue (P10 ) si N = 1000, etc.
Cette méthode est très simple conceptuellement et facile à implémenter. Elle
est donc très utilisée. Cependant, elle présente quelques difficultés. En effet,
l’estimation d’un quantile a une vitesse de convergence beaucoup plus faible
que les estimateurs de la moyenne, de la variance, de la médiane, etc.
3.2.3 Simulation Monte Carlo
Les simulations de Monte Carlo sont largement utilisées dans la finance et
peuvent constituer un outil très puissant pour le calcul de la VaR. La VaR de
Monte Carlo est basée sur la simulation des rendements dont on connaît la loi
de distribution, ce qui permet de réévaluer le portefeuille à partir des facteurs
18
de risques simulés. Si nous utilisons n simulations, nous pouvons donc déter-
miner n variations simulées du portefeuille en question. Par la suite, il suffit de
déterminer le quantile correspondant comme pour l’approche de la VaR histo-
rique.
La méthode de Monte Carlo peut être décrite en 4 étapes :
➊ Générer des nombres aléatoires entre 0 et 1.
➋ Convertir les nombres en rendements qui suivent une loi normale de
paramètre µ et σ (calculés à partir des données historiques).
➌ Classement des nombres obtenus par ordre croissant.
➍ Calcul de la VaR en utilisant la même méthode de la VaR historique, la
VaR correspond donc au n-ème des rendements simulés les plus défavo-
rables.
3.2.4 Cornish-Fisher
Dès le départ, on suppose que les rendements suivent une loi normale. Ce-
pendant, dans la réalité, cette hypothèse ne s’applique pas toujours. Dans de
tels cas, le cadre conceptuel de la théorie des marchés financiers propose une
solution, notamment à travers l’expansion de Cornish-Fisher.
[Link] Limitation de la loi normale
Les raisons pourquoi la loi normale est inadéquate pour modéliser les cas ex-
trêmes sont :
19
➊ Queues légères : La loi normale a des queues légères, ce qui signifie que la
probabilité de valeurs extrêmes est relativement faible. Les queues légères in-
diquent que la probabilité de voir des événements extrêmement rares, tels que
des krachs boursiers ou des gains exceptionnels, est sous-estimée par la dis-
tribution normale. En finance, ces événements extrêmes ont des conséquences
significatives, et leur occurrence est plus fréquente que ne le prévoit la loi nor-
male.
➋ Non symétrie : La loi normale suppose que la distribution est symétrique
autour de la moyenne, ce qui signifie que les gains et les pertes sont considérés
comme également probables. Dans la réalité, les marchés financiers montrent
souvent une asymétrie significative. Par exemple, les pertes peuvent être beau-
coup plus graves et fréquentes que les gains, ce qui est connu sous le nom
d’asymétrie négative. La loi normale ne capture pas ces asymétries de manière
adéquate.
➌ Volatilité hétéroscédastique : Les marchés financiers sont caractérisés par
une volatilité qui varie dans le temps. La loi normale suppose que la volatilité
est constante, ce qui est souvent loin de la réalité. Les marchés peuvent passer
de périodes de faible volatilité à des périodes de volatilité élevée, ce qui n’est
pas pris en compte par la loi normale.
[Link] Cumulant
Pour remédier à la question de la normalité, Cornish et Fisher ont recouru à ce
que l’on nomme les cumulants.
Les cumulants d’une loi de probabilité sont des coefficients qui ont un rôle
20
similaire à celui des moments. Les cumulants déterminent entièrement les mo-
ments et vice versa, c’est-à-dire que deux lois ont les mêmes cumulants si et
seulement si elles ont les mêmes moments.
Soit X une variable aléatoire à valeurs réelles. On définit d’abord la fonction
génératrice des cumulants KX associée à X :
KX (t) = ln E et·X
Les cumulants κn sont alors définis comme les coefficients dans le développe-
ment de KX en série exponentielle :
2
∞
tn 2t
KX (t) = ∑ κn = µt + σ + · · ·
n=1 n! 2
Si on note µ = E(X) l’espérance de X et σ2 = E (X − µ)2 sa variance alors on a
en particulier que µ = κ1 et σ2 = κ2 . Les cumulants sont donnés par les dérivées
en 0 de KX :
(n)
κn = KX (0) ∀n ≥ 1
Donc !
∞
mnt n ∞
κnt n
∑ = exp ∑ = exp (KX (t))
n=0 n! n=0 n!
Avec mr = E (X r )
21
Les cumulants sont liés aux moments par la formule de récurrence :
n−1 n−1
κn = mn − ∑ κk mn−k .
k=1 k−1
Et donc en particulier :
k1 = µ1 = E(t)
k2 = µ2 = E (t − E(t))2
k3 = µ3 = E t − E(t)3
2
k4 = µ4 − 3µ22 = E (t − E(t))4 − 3E (t − E(t))2
k5 = µ5 − 10µ2 µ3
Avec µr = E ((X − µ)r )
[Link] Skewness
Le Skewness décrit l’asymétrie pour un ensemble de données statistiques.
C’est le premier des paramètres de forme, avec le kurtosis, l’asymétrie peut
être négative ou positive selon le sens d’orientation des données par rapport à
la moyenne, une orientation vers la gauche reflète une asymétrie négative alors
que celle à droite décrit une asymétrie positive. Il se définie comme suit :
X −µ 3 µ3 κ3
γ1 = E[( ) ] = 3/2 = 3/2
σ µ2 κ2
22
[Link] Kurtosis
Le Kurtosis est une mesure directe de l’acuité et une mesure indirecte de l’apla-
tissement de la distribution d’une variable aléatoire réelle. C’est le deuxième
des paramètres de forme, avec le coefficient d’asymétrie. Il mesure, abstraction
faite de la dispersion (donnée par l’écart type), la répartition des masses de
probabilité autour de leur centre, donné par l’espérance mathématique, c’est-
à-dire, d’une certaine façon, leur concentration à proximité ou à distance du
centre de probabilité. il se définit comme suit :
X −µ 4 µ4 µ4
β2 = E[( ) ]= 2 = 4
σ µ2 σ
Il faut noté que celui là est le kurtosis non normalisé, on a donc :
κ4 µ4 − 3µ22
γ2 = = = β2 − 3
κ22 µ22
On appelle γ2 : l’excès du kurtosis, qui va être utilisé dans la suite.
Figure 1 : Représentation du Skewness et le Kurtosis
23
Un skewness positif accorde une importance significative aux valeurs situées
à gauche, correspondant à des probabilités plus élevées de pertes. Il indique
l’absence de symétrie entre les profits et les pertes. De même, pour le kurtosis,
il existe des queues épaisses d’où des probabilités plus élevées de pertes. Si
γ2 > 0, alors on parle d’une courbe Leptokurtic qui est la plus utilisé en finance,
et si γ2 = 0, c’est une courbe Mesokurtic, c’est la loi normale et si γ2 < 0, on parle
d’une courbe Platykurtic. Ainsi, pour résoudre le défi des événements défavo-
rables, l’objectif est d’obtenir un γ1 > 0 associé à un β2 > 3, indiquant un γ2 > 0.
Cette combinaison de paramètres permet de mieux caractériser la distribution
des rendements, en mettant en évidence des asymétries positives et des queues
épaisses, ce qui est crucial pour une évaluation plus précise des risques liés aux
pertes potentielles.
[Link] CORNISH-FISHER EXPANSION
l’approximation Cornish-Fisher permet de transformer le quantile, ou une réa-
lisation d’une loi normale en une réalisation d’une loi dont le skewness et l’ex-
cès du Kurosis ne sont pas nuls. On approche la réalisation Z de la loi voulue
telle que :
F(Z) = φ(Zc )
Avec F la fonction de répartiotion de la loi de Z et Zc le quantile ou la réalisation
de la loi normale, On a donc :
S K S2
Z = Zc + Zc2 − 1 3
+ Zc − 3Zc 3
− 2Zc − 5Zc
6 24 36
Où S désigne le skewness de la loi considérée, et K, son excès de kurtosis.
24
preuve
Tout d’abord, examinons la méthode d’expansion d’Edgeworth, qui peut
étendre la fonction de distribution EGi du modèle de rendement standardisé
Xi −µi
Zi = σi autour de la fonction de répartition de la distribution normale stan-
dardisée Φ comme suit :
∞
E
Gi (z) = Φ(z) − φ(z) ∑ an Hn (z)
n=0
La fonction φ est la fonction densité de la loi normale standardisée, an est
une constante, et Hn (z) est un polynôme d’Hermite d’ordre n en z satisfaisant à
dn n
dzn φ(z) = (−1) φ(z)Hn (z). En particulier, nous tentons de prendre en compte son
skewness Si et son excès de kurtosis Ki en considérant l’expansion suivante :
2
Si Ki S
E
Gi (z) = Φ(z) − φ(z) H2 (z) + H3 (z) + i H5 (z)
6 24 72
Avec les polynômes d’Hermite H2 (z) = z2 − 1, H3 (z) = z3 − 3z, et
H5 (z) = z5 − 10z3 + 15z d’ordres deux, trois, et cinq, respectivement. Nous pou-
vons ensuite utiliser l’expansion Cornish-Fisher (CF) correspondante pour avoir
le
Xi −µi
αi -quantile de Zi = σi autour du αi -quantile du loi normale standardisée
zxi = Φ−1 (αi ) comme suit :
CF αi Si Ki Si2
z (Si , Ki ) = z + H2 (z ) + H3 (z ) − [H1 (zαi ) + 2H3 (zαi )]
αi αi αi
6 24 36
Avec H1 (z) = z. La VaR est obtenu par la formule :
VaRαi i = −µi − σi .CF zαi
25
N.B.
Cette formule est applicable lorsque µ = 0 et σ = 1. Si la variable aléatoire
X−µ
X a une moyenne µ et un écart-type σ, alors en standardisant X avec X ∗ = σ ,
on obtient une variable standardisée ayant une moyenne µ∗ = 0 et un écart-
type σ∗ = 1. Dans ce scénario, la formule précédente peut être utilisée pour
calculer le quantile de X ∗ , et par la suite, on peut retrouver le quantile de X en
appliquant l’inverse de la standardisation.
Zx = Zx∗ σ + µ
3.2.5 Delta-Normal
Le delta d’une option est une mesure qui indique la sensibilité du prix de
l’option par rapport à de petits changements dans le prix du sous-jacent. Plus
précisément, le delta mesure le changement attendu du prix de l’option pour
une variation d’une unité dans le prix du sous-jacent. Et on a :
∂g(S) Φ(d1 ) si est un Call
δ= =
∂S Φ(d1 ) − 1 si est un Put
Avec g(.) est la fonction du prix selon B&S
En particulier :
±1 deeply at the money
δ= ±0, 5 at the money Si l’option est un Call ou Put
0 deeply out of the money
26
Et on a la VaR d’une option se calcule par la formule :
VaROption (α) = |δ|VaRSous− jacent (α)
Avec α est l’intervalle de confiance
preuve
Par définition le PnL s’écrit :
PnL = Pt − Pt−1
et le rendement s’écrit :
Pt − Pt−1
Rt =
Pt−1
par définition, la VaR est :
P (PnL ≤ −VaRsous− jacent ) = α
donc :
α = P (PnL ≤ −VaRs )
= P (Pt − Pt−1 ≤ −VaRs )
= P (Rt Pt−1 ≤ −VaRs )
Rt VaRs
=P ≤−
σ σPt−1
VaRs
=P A≤−
σPt−1
Rt
Avec A = σ ∼ N(0, 1) ( car avec l’hypothèse de B&S : Rt ∼ N 0, σ2 ).
d’où
VaRs
φ−1 (α) = −
σPt−1
27
et par la suite :
VaRs = −σφ−1 (α)Pt−1
d’autre part, pour la VaRoption :
α = P (PnL ≤ −VaRo )
= P (gt − gt−1 ≤ −VaRo )
dgt gt − gt−1
= P (δ (Pt − Pt−1 ) ≤ −VaRo ) car δ = =
dPt Pt − Pt−1
= P (δRt Pt−1 ≤ −VaRo )
Rt 1 VaRo
=P ≤−
σ δ σPt−1
d’où :
VaRo
φ−1 (α) = −
δσPt−1
donc :
VaRo = δ × −σφ−1 (α)Pt−1
| {z }
=VaRs
□
Finalement :
VaRoption (α) = |δ|VaRsous− jecent (α)
N.B. La valeur absolue est émise afin d’avoir une VaR positive.
[Link] Portefeuille d’options
Soit un portefeuille P composé de n actifs dont les valeurs respectives sont
α1 , α2 , . . . , αn Les rentabilités journalières des n actifs sont respectivement ∆x1 ,
∆x2 , . . . , ∆xn . Ainsi :
n
∆P = ∑ αi ∆xi
i=1
28
Les volatilités des n actifs sont respectivement σ1 , σ2 , . . . , σn Le coefficient de
corrélation linéaire entre les rendements des actifs i et j est ρi, j . Dès lors :
n n n n
V (P) = σ2P = ∑ ∑ cov (αi σi , α j σ j ) = ∑ ∑ αi α j σi σ j ρi, j
i=1 j=1 i=1 j=1
n
σ2P = ∑ α2i σ2i + 2 ∑ αi α j σi σ j ρi, j
i=1 1≤i< j≤n
★ Principe de la VaR d’un portefeuille d’options :
Hypothèse d’un portefeuille P comportant n calls sur un même sous-jacent
∆P
Delta du portefeuille : δP = ⇔ ∆P = δP .∆S
∆S
Or : ∆S = S.∆x où ∆x est le rendement journalier du titre S donc :
∆P = δ p .S.∆x
Soit n actifs distincts :
(i) Cours respectifs : S1 , S2 , . . . , Sn
(ii) Rentabilités journalières respectives : ∆x1 , ∆x2 , . . . , ∆xn
(iii) Deltas respectifs des calls dont ces actifs sont les sous-jacents : δ1 , δ2 , . . . , δn
Dans ce cas :
n
∆P = ∑ δi · Si · ∆xi
i=1
En posant δi Si = αi , on retrouve la formule du modèle linéaire
n n n
∆P = ∑ αi ∆xi ⇒ σ2P =∑ α2i σ2i + 2 ∑ αi α j σi σ j ρi, j
i=1 i=1 1≤i< j≤n
29
Pour un portefeuille comportant 2 calls :
∆P = δ1 S1 ∆x1 + δ2 S2 ∆x2
∆P = α1 ∆x1 + α2 ∆x2
σ2P = α21 σ21 + α22 σ22 + 2α1 α2 σ1 σ2 ρ1,2
La VaR est obtenu par la formule :
VaRP (α) = −µP − σP .φ−1 (α)
N.B. Pour des horizons courts (quelques jours), Il est de coutume de suppo-
ser que µP = 0.
[Link] Limitation du Delta-Normal
Les raisons pourquoi l’approche Delta-Normal est inadéquate :
➊ Simplification excessive : La méthode Delta-Normal suppose que les va-
riations des prix du sous-jacent suivent une distribution normale, ce qui est une
simplification excessive des marchés financiers. En réalité, les prix des actifs fi-
nanciers peuvent présenter des comportements plus complexes, notamment
des queues épaisses, des sauts, et des événements extrêmes. L’approche donne
une mauvaise approximation au prix réel d’option en cas de variations fortes
du sous-jacent, due à la normalité des prix du sous-jacent.
➋ Sensibilité à la volatilité : La méthode Delta-Normal suppose que la vo-
latilité est constante, ce qui est rarement le cas dans la réalité. Les variations
de volatilité, en particulier dans des périodes de stress ou de crise, ne sont pas
correctement prises en compte.
30
➌ Non-linéarités : La méthode Delta-Normal ne tient compte que de la pre-
mière dérivée des prix (Delta), ce qui peut sous-estimer le risque dans des si-
tuations où les non-linéarités sont importantes.
Figure 2 : La relation entre le delta, valeur d’option et son pay-off
Pour une option at the money (S ≈ K) par exemple, la qualité de l’approxima-
tion dépend clairement de l’étendue du non-linéarité, elle est meilleur pour des
horizons courts, mais donne une mauvaise approximation pour le prix de l’op-
tion rérl en cas de variation importante du prix du sous-jacent. Donc c’est clai-
rement une source d’anxiété ! et c’est pourquoi il est nécéssaire de tenir compte
du Gamma ( γ ), pour quantifier correctement cet effet non linéaire. le γ mesure
comment le delta lui-même varie en réponse au mouvement du sous-jacent.
3.2.6 Delta- Gamma
Le gamma d’une option est une mesure de la sensibilité du delta de l’option
aux changements dans le prix du sous-jacent. En d’autres termes, le gamma
31
mesure à quel point le delta d’une option change en réponse à de petites varia-
tions dans le prix du sous-jacent.
∂δ ∂2 g(S) φ(d1 )
γ= = = √ ∀ Option
∂S ∂S2 Sσ τ
Développement de Taylor :
′ 1 ′′
∆V = f (x0 )∆x + f (x0 )(∆x)2 + ...
2
C’est une idée qui permet d’approcher une fonction lisse avec un polynôme.
Donc on part du Delta-Normal au Delta-Gamma pour estimer la VaR. Pour le
premier terme, c’est l’approximation linéaire, et on ajoutons le deuxième terme
on parle d’une approximation quadratique, et nous estimons l’évolution du
changement de la valeur de notre position par une approximation linéaire qui
est multiplier par le changement du sous-jacent, plus le côté non linéaire pour
prendre en considération l’écart de l’approche Delta-Normal.
★ Le problème : ∆x ∼ Normale, (∆x)2 ∼ χ2
★ Solution : L’utilisation de l’Expansion du Cornish-Fisher
Considérons a nouveau un portefeuille composé d’options sur un même
sous jacent, pour differents strikes et/ou maturités. En faisant intervenir le
gamma, la variation est :
D VPF,t+1 = δSt Rt+1 + 12 γSt2 Rt+1
2
avec δ = ∑ m j δ j et γ = ∑ m j γ j , m j le nombre d’options j dans le portefeuille.
32
Pour calculer la VaR, selon Cornish-Fisher on a besoin des paramètres :
1
µDV = γSt2 σ2
2
1
σ2DV = δ2 St2 σ2 + γ2 St4 σ4
2
9 2 4 4 15 3 6 6 3 2 4 4
2 2 2
2 δ γS t σ + 8 γ St σ − 3 δ St σ + 4 γ St σ µDV + 2µ3DV
ξDV =
σ3DV
1
ψDV = z − (z2 − 1)ξDV
6
La VaR du portefeuille utilisant l’approximation Delta-Gamma et Cornish-Fisher
s’ecrit sous la forme :
VaRpf = −µDV − ψDV .σDV
Si on ne tient pas compte de l’asymétrie, la VaR se réduit à la VaR normale,
avec µDV et σDV
VaRpf = −µDV − z.σDV
3.2.7 Boostrapping
Comme le Monte Carlo, nous souhaitons simuler chaque action dans le
temps, si on est à t, nous voulons simuler l’action à t1 ,t2 ,t3 , ... La principe diffé-
rence c’est que le Monte Carlo utilise un algorithme, pour simuler l’action à t1 .
Dans la simulation Monte Carlo, le caractère aléatoire est appliqué dans l’algo-
rithme. Par contre dans le Bootstrapping n’admet pas d’algorithme, la séléction
du jour se fait d’une façon aléatoire, une fois ce jour est seléctionné, la coupe
transversale des rendements(le vecteur = rendement quotidien de chaque ac-
tion du portefeuille) est utiliser pour simuler l’avenir du portefeuille.
Le Bootstraping est une méthode non paramétrique, ce qui signifie qu’elle ne
nécessite pas de supposer une distribution spécifique des données sous-jacentes.
33
De plus, elle tire parti des données historiques disponibles, évitant ainsi le be-
soin de formuler des hypothèses contraignantes sur la forme de la distribution
des rendements ou des prix. Toutefois, il est essentiel de souligner que le Boots-
traping présente également certaines limites. Par exemple, il peut ne pas être
adapté à des données extrêmement rares. De plus, la qualité des estimations
obtenues dépend étroitement de la qualité des données historiques utilisées.
Pour ce faire, on suit les étapes suivantes :
➊ Indexer les actifs et les rendements historique, chaque jour a un vecteur des
rendements.
➋ Choisir aléatoirement un vecteur de rendements.
➌ Appliquer les rendements indexees pour un jour donné, d’où la création du
simulation du portefeuille.
➍ Répéter pour générer des multiple futur rendements simulés, et choisir comme
la méthode historique avec un intervalle de confiance.
3.2.8 Avantages et limites de la Value-at-risk
La Value-At-Risk a plusieurs avantages :
• Elle est un outil de gestion d’un portefeuille d’instruments financiers pour
optimiser le couple risque/rentabilité.
• Elle permet de tenir compte des effets de diversification des portefeuilles.
• Elle permet la fixation des limites internes et l’allocation de fonds propres,
c’est-à-dire donc qu’on peut fixer des limites de pertes par trader ou par
métier en appliquant le principe du stop-loss.
• Elle permet aussi le calcul de l’exigence de fonds propres prudentiels pour
les risques de marché ou de crédit.
34
Cependant, il y a quelques inconvénients qu’il convient de relever :
• La VaR ne fait pas de distinctions entre la liquidité des différentes posi-
tions de marché, et capte seulement les risques à court terme dans des
conditions normales de marché.
• Ensuite, les hypothèses nécessaires pour l’utilisation de chaque modèle de
VaR ne sont pas toutes vérifiées dans la réalité. Ceci aura un impact sur la
valeur mesurée du risque.
• Les modèles VaR n’intègrent pas les coûts de détention ou de liquidation
des positions de marché.
35
Conclusion
En conclusion, ce projet sur la Value at Risk (VaR) a permis d’explorer une
panoplie de méthodes de calcul, offrant une vision complète et nuancée de l’es-
timation du risque financier. La méthode historique, simple mais intuitive, se
base sur l’historique des données pour évaluer le niveau de risque. La méthode
variance-covariance, également connue sous le nom de méthode paramétrique,
utilise des caractéristiques statistiques pour estimer la VaR, l’approche Monte
Carlo se distingue par la capacité à modéliser des scénarios complexes.
La Cornish-Fisher Expansion permet d’inclure des nouveaux paramétres
dans le calcul dans le but de déduire un nouveau quantile afin de remédier
le problème de normalité. Les méthodes delta-normal et delta-gamma offrent
des solutions paramétriques en s’appuyant sur des modèles mathématiques
et la méthode Bootstrapping, avec son caractère non paramétrique, utilise les
données historiques disponibles pour estimer la distribution des rendements,
offrant ainsi une approche flexible mais pouvant être limitée par la rareté des
données.
En combinant ces différentes méthodes, les praticiens peuvent obtenir une
évaluation plus robuste de la VaR, prenant en compte les différentes facettes du
risque financier. Cependant, il est essentiel de reconnaître que chaque méthode
a ses avantages et ses limitations, soulignant l’importance de choisir judicieuse-
ment en fonction des caractéristiques spécifiques des données et des objectifs
36
de gestion des risques. En adoptant une approche diversifiée, les profession-
nels peuvent mieux appréhender les incertitudes liées aux marchés financiers
et renforcer leurs décisions en matière de gestion des risques.
37
INTERFACES
Figure 1 : Interface de calcul de la VaR avec la méthode historique
38
Figure 2 : Interface de calcul de la VaR avec la méthode paramétrique
Figure 3 : Interface de calcul de la VaR avec la méthode de Monte carlo
39
Figure 4 : Interface de calcul de la VaR avec la méthode de Cornish-Fisher
Figure 5 : Interface de calcul de la VaR avec la méthode de Delta Normal
40
Figure 6 : Interface de calcul de la VaR avec la méthode de Delta Gamma
41
Figure 7 : Interface de calcul de la VaR avec la méthode de Boostrapping
42
WEBOGRAPHIE
[1] https ://[Link]/plosone/article/file ?id=10.1371/[Link].0277756
[2] https ://[Link]/doc/[Link]
[3] https ://[Link]/bitstream/handle/2097/35783/[Link] ?se-
quence=1
[4] https ://[Link]/EXT/ISFA/[Link]/8d48b7680058e
977c1256d65003ecbb5/f6cef2ee5d56b6d0c1257704004c3487/FILE/[Link]
43