1

MAÎTRISER LA VALUE AT RISK

POUR LA GESTION DU RISQUE
DE MARCHÉ
Abdelkader BOUDRIGA
 2

INTRODUCTION
 Qu’est-ce que la VaR
3

 La notion de Value-at-Risk (VaR) est apparue pour

la première fois dans le secteur de l’assurance. A
la fin des années 1980, la banque Bankers Trust
fut l’ne des premières institutions à utiliser cette
notion sur les marchés financiers aux Etats-Unis.
 Le terme VaR est apparue pour la première fois
dans une publication grand public en juillet 1993
dans un rapport d’une réunion du G-30
 Mais c’est principalement la banque JP Morgan
qui dans les années 90 a popularisée ce concept
notamment grâce à son système RiskMetrics
(1994).
 Qu’est-ce que la VaR
4

 La Value-at-Risk est devenue, en moins d’une

dizaine d’années, une mesure de référence du
risque sur les marchés financiers, consacrée
notamment par la réglementation prudentielle
définie dans le cadre des accords de Bâle II.
 Définition
5

 De façon générale, la Value-at-Risk correspond au

montant des pertes qui ne devraient être
dépassées pour un niveau de confiance donné
sur un horizon temporel donné (Jorion, 2007)
Jorion, P. (2007), Value-at-Risk, Third edition,
McGraw-Hill.
 Exemple
6

 Si une banque annonce une VaR quotidienne sur

son portefeuille de 5 millions de dinars pour un
niveau de confiance de 99%, cela implique qu'il y
a seulement une chance sur 100, sous des
 conditions normales de marché, que la perte
associée à la détention de ce portefeuille sur une
journée excède 5 millions de dinars.
 La VaR un concept simple
7

 La simplicité de cette définition constitue l’un des

principaux attraits de la Value-at-Risk : il est en
effet très facile de communiquer sur la VaR et de
ainsi proposer une mesure homogène et générale
(quelle que soit la nature de l’actif, la
composition du portefeuille etc.) de l’exposition
au risque.
 Utilisation de la VaR
8

 La VaR peut être utilisée de trois façons

principales (Jorion, 2007):
 de façon passive : reporting d'information

 de façon défensive : contrôle des risques

 de façon active : management des risques.

 Reporting des risques
9

 La VaR peut être utilisée de façon passive dans le

cadre d'un reporting régulier sur le risques
 Ce fut historiquement la première utilisation de la
VaR en vue de mesurer un risque agrégé (JP
Morgan)
 La VaR est une mesure du risque simple à
interpréter exprimée en unité monétaire
 La VaR est une mesure du risque sur laquelle on
peut communiquer de façon non technique
 La VaR permet de synthétiser en une seule
mesure une appréciation sur le risque global liées
à l'ensemble des activités de trading et/ou
d'investissement auprès des
 Contrôle des risques
10

 La VaR peut être utilisée de façon défensive dans

le cadre d'un contrôle des risques :
 La VaR est utilisée pour déterminer des positions limites
qui seront imposées aux traders (limites individuelles) ou
aux différentes entités regroupant les activités de
trading de différents acteurs (limites par business units)
 Le principal avantage de la VaR est qu'elle fournit un
dénominateur commun permettant de comparer les
risques engendrées par les activités menées sur
différents marchés, différents produits etc. Cela permet
donc de définir des limites avec une appréciation du
risque homogène.
 Management des risques
11

 La VaR peut être utilisée de façon active dans le

cadre d'un management des risques:
 La VaR est aussi utilisée dans l'allocation du capital entre
les tradeurs, les business lines, les produits et ou les
institutions.
 La VaR est généralement retenues pour le calcul
notamment des rendements ajustés du risque ou les
RAPM (Risk-adjusted performance measures)
 Optimisation de portefeuille avec des critères de type
moyenne-VaR en lieu et place et du critère moyenne-
variance.
 Qui utilise la VaR ?
12

 En raison de ces très nombreuses utilisations

possibles, les utilisateurs de la VaR peuvent être
très différents :
 Institutions financières
 Régulateurs
 Entreprises non financières
 Asset Managers
 Qui utilise la VaR
les Institutions financières
13

 Les institutions financières ont été à l'avant

garde de la diffusion et l'utilisation de la VaR
dans le cadre de la mise en place de systèmes
centralisés de management / surveillance des
risques :
 nécessité liée à l'évolution de la réglementation
 nécessité liée à la diversification croissante des risques
financiers
 nécessité liée complexité croissante des instruments
financiers
 nécessité liée à la connaissance de grands désastres
financiers ayant eu lieu dans des institutions où ces
systèmes n'étaient pas mis en place de façon able
(Barings, Daiwa..)
 Qui utilise la VaR
Les régulateurs
14

 Les réglementations prudentielles visent de façon

générale à imposer aux institutions financières
de garantir un niveau minimum de capitaux
disponibles au regard des risque financiers. Par
conséquent se pose le problème de l'évaluation
de ces risques :
 Comment évaluer ces risques financiers sur des multi-
activités, des actifs très différents, des produits
complexes ?
 Qui doit évaluer ces risques ? les autorités de régulation
ou les institutions financières elles-mêmes ?
 Dans ce cas comment garantir la validité des évaluations
du risque proposées par les institutions financières ?
 Qui utilise la VaR
Les institutions non financières
15

 Les institutions non financières : l’usage de la

VaR dépasse le contexte des seules institutions
financières :
 Le management centralisé des risques est utile à toute
les entreprises exposées au risques financiers.
 On peut citer en exemple les multinationales qui doivent
évaluer et se prémunir contre les risques de change, on
peut alors mener des analyses de type CFAR (Cash Flow
at Risk)
 Qui utilise la VaR
Asset managers
16

 La gestion d’actifs et la VaR : utilisation de la VaR

pour gérer les risques financiers et développer
les stratégies d’asset management
 “We can now view our total capital at risk on a
portfolio basis, by asset class and by individual
manager. Our main goal was to ... have the
means to evaluate our portfolio risk going
forward"
 Director of Chrysler pension fund, cité dans Jorion (2007),
interview réalisé après l’achat d’un system de VaR
 17

Définition statistique de la VaR

 Définition de la VaR
18

 La Value-at-Risk (VaR) définie pour un taux de

couverture de  % correspond au quantile
d’ordre  de la distribution de profits et pertes
(profits and losses, P&L) associée à la détention
d’un actif ou d’un portefeuille d’actifs sur une
période donnée.
 Exemple de VaR
19
20
 Définition statistique de la VaR
22

 Ainsi, la définition de la Value-at-Risk est fondée

sur trois éléments
 La distribution des profits et pertes (P&L) du portefeuille
ou de l’actif
 Le niveau de confiance (ou de façon équivalente le taux
de couverture égal à un moins le niveau de confiance);
appelé aussi taux de couverture
 La période de détention de l’actif (ou horizon du risque),
qui pose le problème de l’agrégation temporelle de la
VaR
 Définition statistique de la VaR
23

 Au delà des éléments de cette définition, divers

aspects de la VaR doivent être évoqués à ce
niveau :
 La notion de VaR (ou de P&L) conditionnelle
 et plus généralement la prévision de VaR
 Deux questions ?
24

 Quelles sont les données qui servent au calcul de

la VaR ?
 Comment transformer les données de sorte à les
exprimer sous forme P&L ?

 Les données de P&L à partir desquelles on

calcule une Value-at-Risk peuvent prendre
différentes formes, mais elles sont généralement
exprimées sous forme de rendements (Dowd,
2005)
 Les Profits and Loss : P&L
25

 On note Pt la valeur d’un actif (ou d’un

portefeuille) à la fin de la période t. On note Dt
l’ensemble des paiements intermédiaires obtenus
entre les dates t -1 et t. Les profits et pertes
(P&L) associés à la détention de l’actif (ou du
portefeuille) sont alors définis par :
P / Lt Pt  Dt  Pt  1
 Les Profits and Loss : P&L
26

 Remarque 1 : si les données sont exprimées

sous forme de P&L, les valeurs positives
indiquent des profits et les valeurs négatives
indiquent des pertes.
 Remarque 2 : Il est aussi possible d'exprimer les
données sous forme de pertes et profits (L&P
pour losses and profits) telle que que :
 L/Pt = -P/Lt
 Les Profits and Loss : P&L
27

 Remarque 3 : Il conviendrait de tenir compte d’un

facteur d’actualisation dans la comparaison des
valorisations aux dates t et t -1. Si l’on évalue la
valeur présente des P&L à la fin de la date t-1, il
vient : Pt  Dt
Valeur Actuelle de P / Lt   Pt  1
1 d

 où d désigne le taux d’escompte psychologique.

 Les Profits and Loss : P&L
28

 Remarque 5 : Généralement on néglige

l'escompte psychologique dans le calcul des P&L
sur des horizons courts (quotidiens,
hebdomadaires, mensuels, etc.)
 P&L en rendements
29

 Les P&L sont généralement exprimées sous

forme de rendements :
 Rendements arithmétiques / temps discret
 Rendements géométriques / temps continu
 Rendements arithmétiques
30

 Les rendements arithmétiques associés aux

rt
profits et pertes (P&L), notés , sont définis
comme :
Pt  Dt  Pt  1 Pt  Dt
rt   1
Pt  1 Pt  1

Cette définition des rendements suppose que les

paiements intermédiaires Dt ne sont pas
réinvestit (problème sur longue période).
 Rendements géométriques
31

 Les rendements geométriques associés aux

profits et pertes
 (P&L), notés Rt , sont définis comme :
 Pt  Dt 
Rt ln  
 Pt  1 
 P&L en rendements
32

 On peut passer de l'une à l'autre définition par

les formules d'approximation suivantes :
Rt ln1  rt 
 ce qui implique que si les rendements sont
"petits" alors :
Rt rt
 P&L en rendements
33

 Supposons qu'à une certaine date t les

rendements arithmétiques rt par unité de temps
soient égaux à 5%. Les rendements
géométriques correspondants sont alors égaux
à:
 Rt = ln (1 + 0.05) = 0.0488
 Inversement, si les rendements géométriques
sont égaux à 5%, les rendements arithmétiques
sont alors égaux à
 rt = exp(Rt ) -1 = exp(0.05) -1 = 0.0513
 On vérifie que le rendement arithmétique est
toujours supérieur au rendement géométrique
 P&L en rendements
34

 Les rendements géométriques supposent

implicitement que les paiements intermédiaires
Dt sont ré-investis de façon continue.
 Les rendements géométriques garantissent que
le prix d'actifs ne devient jamais négatif
(contrairement au rendement arithmétique), y
compris en cas de pertes massives
 Généralement, on préfère utiliser les rendements
géométriques en lieu et place des rendements
arithmétiques
 Exemple de série financière :
Tunindex 2006-2011
35

6000

5000

4000

3000

2000

1000

0
06 06 07 07 07 07 07 08 08 08 08 09 09 09 09 09 10 10 10 10 10 11 11 11
/ 20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20
9 1 2 4 7 0 2 3 5 8 0 1 3 6 8 1 1 4 6 9 1 2 5 7
1/0 7/1 2/0 0/0 6/0 1/1 7/1 3/0 9/0 4/0 0/1 5/0 3/0 8/0 4/0 9/1 5/0 2/0 8/0 3/0 9/1 4/0 2/0 8/0
1 2 1 3 1 0 1 0 1 0 2 0 2 0 2 0 2 1 2 1 2 1 0 1

Tunindex
 Exemple de série financière :
Tunindex 2006-2011
36

0.06

0.04

0.02

0
06 06 07 07 07 07 07 08 08 08 08 08 08 09 09 09 09 09 10 10 10 10 10 11 11 11 11
/ 20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20
9 1 1 4 6 8 1 1 3 6 8 0 2 3 5 7 0 2 2 5 7 9 1 2 4 6 9
/0 1/1 0/0 0/0 9/0 8/0 6/1 5/0 5/0 3/0 2/0 1/1 0/1 0/0 9/0 8/0 6/1 5/1 3/0 4/0 3/0 1/0 0/1 8/0 9/0 8/0 6/0
12-0.02
2 3 1 1 2 0 1 2 0 1 2 3 1 1 2 0 1 2 0 1 2 3 0 1 2 0

-0.04

-0.06

Rendements
 37

Rappels de statistiques et de
probabilité
 Rappels sur les statistiques et les
probabilités
38

 Rappels sur :
 Fonction de densité - répartition
 Fonction génératrice de moments
 Fonctions de densité usuelle
 Fonction de densité
39

 On considère une variable stochastique réelle ou

variable aléatoire réelle (v.a.r. en abrégé)
continue, notée X, dont la loi de probabilité, pour
une réalisation x, est définie par la fonction de
densité fX (x) , supposée continue, telle que
f x x  0

b
a, b   2
Pa  X b   f x ( x)dx
a


f x ( x)dx 1
 Fonction de répartition
40

 On note Fx (.) la fonction de répartition ou

fonction de distribution cumulative associée à X,
telle que :
a
Fx a  PX a  PX  a   f x ( x)dx

 Quantiles
41

 On appelle quantiles (percentiles ou fractiles) des

valeurs de seuil q telles que l'aire sous la courbe
de densité fx (x) située à gauche de valeur soit
égale à une probabilité donnée c :
q
c PX q   f x ( x)dx F q 


avec
q F  1 c 
 Population des moments
42

 Pour une variable aléatoire réelle continue X, de

densité fX (.) , la population des moments
associée à tout ordre k  N, est définie par :
 
E X k  x k f x ( x)dx


La population des moments centrés associée à tout

ordre
k  N, notée μk , est définie par :
  
E X     x    f x ( x)dx
k

k


avec  E ( X )  xf x ( x)dx

 Population des moments
43

 Remarque 1 : la connaissance de la population

des moments (ou de la fonction génératrice des
moments) est équivalente à la connaissance de
la fonction de densité.
 Remarque 2 : certains moments ont une
importance particulière dans l’analyse des
risques : espérance, variance, skewness, kurtosis
 La variance
44

 La variance, notée V(X) ou μ2, correspond au

moment centré d'ordre deux et est un indicateur
de la dispersion autour de l'espérance E(X) = μ :


V X   x    f x ( x)dx
2


 
E X 2  E X   2
2
 La Skewness
45

 La skewness correspond au moment centré

d'ordre trois normalisé et est un indicateur de la
symétrie de la distribution:
 
3 E X   3
Skewness  3 
 3

 Pour une distribution symétrique, i.e. fX (x + μ) =

fX (-x + μ), la skewness est nulle:
 skewness = 0
 La Kurtosis
46

 La Kurtosis correspond au moment centré d’ordre

quatre normalisé par la variance et est un
indicateur de l’épaisseur relative (par rapport à la
loi normale) des queues de distribution :


 4 E X   4
Kurtosis  4 

 4
dans le cas d'une distribution normale, on
montre que :
 4 3 2  Kurtosis 3
 La kurtosis
47

 Si la Kurtosis est supérieure (respectivement

inférieure) à 3, la distribution est dite
leptokurtique ( respectivement platykurtique) ou
à queues "épaisses«
 Si la Kurtosis est précisément égale à 3, on dit
que la distribution est dite mesokurtique
 (attention: une distribution normale est mesokurtique,
mais une Kurtosis égale à 3 n'implique pas la normalité)
 Illusatration de la skewness et du
kurtosis
48
 La loi normale de Laplace-Gauss
Pr P. Ingrand -
Biostatistique
PCEM2

 C’est la loi de probabilité la plus importante,

pour des raisons de pratique, et pour des
raisons théoriques.
 C’est la loi qui décrit les fluctuations des
moyennes. ( x μ )2

Densité de probabilité 1
f ( x)  : e
2
 2 σ

définie de  à + σ 2π
 La loi normale centrée réduite
Pr P. Ingrand -
Biostatistique
PCEM2

X μ
 La v.a.Z
σ suit une loi normale
[Link]érance nulle et de variance égale à ,
notée N (0, 1), dite loi
 normale centrée réduite.
 Toute loi normale de paramètres  et  peut
être ainsi transformée en loi normale
centrée réduite.

50
Les lois normales

N(-2,1) N(0,1) N(4,1)

N(0,0.5) N(0,1) N(0,3)

N(-2,3) N(2,3) N(3,0.5)

 Loi de student
52

 Définition
 La loi de Student à n degrés de liberté est la loi suivie par le
rapport entre une variable normale et la racine d’une loi de Khi
deux à n degrés de liberté divisée par n.

Z
Si Z  N (0;1) t ( n)
 2
k
n
 La fonction de distribution de
profits et pertes
53

 La distribution de profits et de pertes (P&L pour profit and

losses) correspond à la fonction de densité des pertes et
profits, supposés aléatoires, associés à la détention de
l’actif ou du portefeuille sur un horizon donné.
 On considère les rendements géométriques, notés Rt ,
associés à la détention d’un actif sur un horizon de temps
donné (exemple quotidien)
 Ces rendements sont exprimés sous une forme P&L : un
rendement positif indique un gain, un rendement négatif
une perte
 On suppose que ces rendements sont aléatoires : Rt est
une v.a.r. (variable aléatoire réelle)
 La fonction de distribution de
profits et pertes
54

 Comme toute v.a.r., le rendement à la date t, Rt ,

est caractérisé par une fonction de densité, notée

f R t r  r  

 C'est précisément cette fonction de densité que

l'on qualifie de distribution de profits et pertes
(P&L distribution).
 Distribution profit and loss (P&L)
55

 Remarque 1 : l’idéal pour caractériser le risque

serait de connaître l’ensemble de la densité de
P&L, toutefois on se limite généralement à une
caractérisation du risque au travers de la
connaissance de certains moments (variance,
skeweness, kurtosis) ou de certains fractiles
(VaR).
 Remarque 2 : si la distribution de profits et
pertes est connue, on en déduit immédiatement
la VaR, puisque la VaR n’est rien d’autre qu’un
fractile de cette fonction de distribution.
 Histogrammes séries de taux de
change TND
56
 57

Calculs de la VaR
 Définition de la VaR
58

 Pour un taux de couverture (coverage rate) de 

%, la Value-at-Risk,  
VaR tnotée , correspond à
l’opposé du fractile d’ordre  de la distribution de
profits et pertes P&L).
VaR    F  1  
t Rt

FRt 
.
 où désignef R rla
t
 fonction de répartition
associée à la fonction de densité
 Définition de la VaR
59

 Remarque : la VaR est généralement négative

(perte) dans une représentation P&L. Dès, lors
par souci de simplification, dans la plupart des
ouvrages on définit la VaR en valeur positive en
considérant l’opposé du fractile
VaR t    FRt 1  

 Remarque : par définition,

 VaR  
on a :
 f Rt r dr 
t


 Définition de la VaR
60

 Quelle que soit la définition retenue (positive ou

négative) de la VaR, la probabilité d'observer une
perte supérieure à la VaR sur l'horizon de
détention fixé est égale par définition au taux de
couverture (coverage rate) :
PrRt   VaR t    si VaR t    FRt 1  
PrRt  VaR t    si VaR t   FRt1  
 Définition de la VaR
61

 Remarque : Dans certains ouvrages (Jorion,

Dowd..) ou certains articles, on exprime la VaR en
fonction du niveau de confiance :
VaR t 1     FRt 1  

 On évoque par exemple une VaR à 99% pour un

taux de couverture de 1%, une VaR à 95% de
niveau de confiance etc.. Il s'agit d'une
convention de notation.
 Illustration de la VaR
62

1 ) la value at risk est une mesure numérique :

Elle permet donc de quantifier, de sommer, de comparer des
risques divers.
Exemple
Soit une entreprise européenne exportant en USD qui a
couvert la majeure partie d'encaissements en USD à venir. Le
trésorier pourrait écrire : « Compte tenu des couvertures
mises en place, il y a très peu de chances que d’ici à 3 mois,
une baisse éventuelle du USD ait un impact significatif sur
nos résultats ». Après un calcul de value at risk, le même
trésorier pourrait préciser : « Sur un horizon de 3 mois, étant
donné que nous avons couvert 80 % de nos encaissements
en USD, il y a seulement 5 % de (mal)chance que la
contrevaleur en euros de nos recettes en USD baisse de plus
de 2 % ». La seconde phrase sonne mieux que la première .
Nous verrons que le calcul correspondant n’est pas très
 Illustration de la VaR
63

2) La value at risk est un calcul de perte

extrême, ce qui est rassurant, mais
3) … cette perte est conditionnée à une
certaine probabilité de réalisation, qui
constitue l’intervalle de confiance choisi.
Pour être crédible, le calcul de value at risk doit
donc reposer sur un intervalle de confiance élevé
: généralement 95 % ou 99 %. Autrement dit, sur
un risque très faible de 5 % ou 1 %.
 Illustration de la VaR
64

4) … Sur un intervalle de temps donné.

C’est au trésorier ou au contrôleur des risques qui
calcule la value at risk de déterminer l’intervalle
de temps approprié compte tenu de ce qu’il a à
démontrer ou des contraintes qui lui sont
imposées. (ratios, stop loss, etc.).

5) … Dans des conditions de marché

normales.
Toutes les méthodes de value at risk reposent sur
des données statistiques, donc des observations
issues du passé. Elles anticipent les fluctuations
de l’avenir à partir de celles du passé.
 VaR paramétrique
65

 On suppose que la distribution des P&L à la date

t est une distribution normale [Link]érance μ et
de variance s2
Rt  N  ,  2 

 Comment calculer la VaR sous l’hypothèse H1 ?

 VaR paramétrique
66

 Par définition de la VaR on sait que :

PrRt   VaR t   
 Par conséquent :
 R    VaR t    
Pr  t   
   
Rt  
 où sous l’hypothèse H1 la variable centrée

réduite
 Suit une loi normale standard N (0, 1),
Rt  
 N 0,1

 VaR Paramétrique
67
 VaR paramétrique
68

 Sous l’hypothèse de normalité de la distribution

de P&L, la VaR associée à un taux de couverture
de % est égale à :

 où μ désigne l’espérance et 2 la variance de la

distribution de P&L.
 VaR Paramétrique
69
 VaR paramétrique
70
 VaR paramétrique
71
 VaR Parémétrique
72
 Exemple 1
73

Une entreprise américaine détient une position de 120

millions d’euros. Déterminer la VaR sur cette position à 24
heures au niveau de confiance de 95%.
Première étape : Identification des facteurs de risque
Le facteur de risque est la particule élémentaire, la plus petite
unité de risque. On lui donne le statut de variable aléatoire
à laquelle on associe une mesure de probabilité.
De manière générale, le facteur de risque se définit comme
tout élément dans l’existence et ou l’évolution future sont
inconnues et imprévisibles aujourd’hui et qui sera en
mesure d’affecter la valeur d’une position donnée.
L’entreprise détenant une position longue en euro est exposé
au risque de baisse de l’euro contre le dollar (en supposant
le dollar comme monnaie de base)
 Exemple 1
74

Une entreprise américaine détient une position de 120

millions d’euros. Déterminer la VaR sur cette position à 24
heures au niveau de confiance de 95%.
Deuxème étape : marquage au marché
Cette étape consiste à procéder au marquage au marché de
la position concernée (marking to market) afin de
déterminer le degré d’exposition au risque de marché de
l’entreprise sur cette position.
Si le taux euro/usd s’établit à 1,2 euro/usd, la contre valeur de
la position de 120 millions d’euros (sa valeur de marché)
est de 120 000 000 / 1,2 = 100 000 000 usd.
 Exemple1
75

Troisième étape : estimer la perte maximale

Cette étape consiste estimer la perte maximale que
subirait la position concernée sur l’horizon de
temps considéré et pour l’intervalle de confiance
retenu en émettant certaines hypothèses sur
l’évolution du taux euro/usd. Ce qui revient à
estimer la baisse maximale que pourrait subir
l’euro sur les prochaines 24h au niveau de
confiance de 95%

Hypothèses : les rendements sur les taux

euro/usd suivent une loi normale de moyenne
nulle est d’écart-type égal à 0,565.
La loi normale
 Exemple 1
77

En retenant ces hypothèses on a :

La baisse maximale au niveau de confiance de 95%
pour le taux euro/usd est égale à :
rˆ  1.65ˆ t  1.65 0.565%
 o,932%

Ce qui veut dire que la perte maximale sur cette

position ne dépassera pas

VaR 100000000 0.932% 932000 USD

 Exemple 2
78

 Une entreprise détient un portefeuille d’action

valant aujourd’hui 100. Sur les 24 prochaines
heures la distribution de probabilité de la valeur
de
VP
ce 112
portefeuille est donnée par :
109 107 105 102 100 98 95 92 90
Fre 5 10 12 17 18 14 14 5 4 1
q

On vous demande de calculer la VaR à 24 heures

au niveau de confiance de 90%, 95% et de 99%
 Exemple 2
79

VP 112 109 107 105 102 100 98 95 92 90

Freq 5 10 12 17 18 14 14 5 4 1
Frequence 5 15 27 44 62 76 90 95 99 100
cumulée
 VaR(90%) = 100-Valeur minimale de portefeuille
à 90%
 = 100 – 98 = 2
 VaR(95%) = 100-Valeur minimale de portefeuille
à 95%
 = 100 – 95 = 5
 VaR(99%) = 100-Valeur minimale de portefeuille
à 99%
 Exemple 3
80

Une entreprise américaine détient une position de

120 millions d’euros sur des obligations
allemandes. Déterminer la VaR sur cette position
à 24 heures au niveau de confiance de 95%.
Première étape : Identification des facteurs de
risque
Dans ce cas cette position expose l’entreprise :
- Au risque de change taux euro/usd

- Au risque de taux d’intérêt sur le marché

allemand
 Exemple 3
81

Deuxième étape : Le marquage au marché

Le marquage au marché doit passer par deux
étapes :
 Un marquage au marché par rapport aux

conditions du marché obligataire allemand; on

suppose dans ce cas que le portefeuille
obligataire vaut 120 M euros
 Un MM par rapport au niveau de taux de change

euro/USD qui est de 1.2 euro/USD soit une valeur

de marché de la position égale à 120 M/1.2 =
100 M$
Exemple 3

Dans ce qui suit on suppose que :

 Les rendements des obligations allemandes

suivent une loi normale de moyenne nulle et

d’écart-type égale à 0.605%
 Les rendements sur les taux euro/usd suivent

une loi normale de moyenne nulle est

d’écart-type égal à 0,565.
Exemple 3

En utilisant ces informations on peut calculer :

Le risque de taux d’intérêt :

VaR1 = 100 M x 1.65 x 0.605% = 999 000 $

Le risque de change :
VaR2 = 100 M x 1.65 x 0.565% = 932 000 $

Le risque total sur cette position n’est pas simplement la

somme des deux VaR individuelles en raison des effets d
diversification provenant de la corrélation entre les taux
d’intérêt et les taux de change
 Exemple 3
84

Supposons que la corrélation entre taux d’intérêt

allemand et le taux de change euro/$ est de -
0.27
La VaR totale est donnée par :
VaR tot  VaR12  VaR 22  2 VaR1VaR 2
 999000 2  932000 2  2  0.27 999000 932000
1.168M $
 VaR conditionnelle
85

 Généralement, on caractérise la distribution de

P&L de façon conditionnelle et non de façon
marginale.
 On définit alors une distribution de pertes et
profits conditionnelle, c'est-à-dire une fonction de
densité conditionnelle
t à un ensemble
d'information disponible à la date r noté
f R t,
r
t 
 Cette densité conditionnelle est notée :
 VaR conditionnelle
86

 Pour un taux de couverture (coverage rate) de a

%, la Value-at-Risk conditionnelle à un ensemble t
VaRt  /  t 
d’information , notée ,
correspond à l’opposé du fractile d’ordre  de la
distribution conditionnelle de profits et pertes
VaR t  /  t   FR 1  /  t 
(P&L) : t

FRt 1  /  t 
f Rr r  t 
 où désigne la fonction de répartition
associée à la fonction de densité conditionnelle
.
 VaR conditionnelle
87

 Cette densité conditionnelle peut elle aussi être

différente d'une date à l'autre, mais
généralement on se restreint à des densités
conditionnelles invariantes dans le temps, i.e.
R r  t que
ftelles
r
  f R :r t  t

 Cela revient à supposer que conditionnellement à

un ensemble d'information (ou lorsque l'on
cherche à prévoir la Value-at-Risk), les
rendements sont identiquement distribués.
 C'est précisément cette hypothèse qui permet de
réaliser une prévision de Value-at-Risk dans le
cas par exemple des modèles paramétriques
 88

Les problèmes pratiques

posés par la VaR
 Que faut-il faire dans la pratique
89

Derrière cette définition d'apparence simple, se

cachent en réalité quatre grandes questions
méthodologiques :

 Comment modéliser le scénario défavorable

de marché ?
 Quel est l'horizon du risque de marché ?
 Comment estimer et tenir compte des
corrélations entre positions ?
 Quel intervalle de confiance retenir ?
 Modélisation du scénario
défavorable de marché
90

Méthodes Méthodes
Méthodes
non- semi-
paramétriq
paramétriq paramétriq
ues
ues ues

Historical ARCH,
CAViaR
simulation GARCH

Weighted théorie des

Historical Risk Metrics
Simulation extrêmes)

Filtered Simulation
Historical montecarl
Simulation o
 Quel est l'horizon du risque de
marché ?
91

Approche Approche
réglementaire matricielle

10 jours
Stratégie
ouvrés

1 jours en
Volatilité
backtesting
 Approche matricielle
92

Stratégie\ Très forte Forte ¨¨¨ Faible

Liquidité ¨
XR / Cours Obligations Obligations
boursiers souveraines exotiques /
CDS
Trading 24 heurs 5 jours 1 Mois

Investisseme 3 mois
nt
 Quel intervalle de confiance
retenir ?
93

 L'intervalle de confiance exprime la probabilité

que la perte associée à la V.A.R. ne soit pas
dépassée. Il représente le degré de "confort" de la
V.A.R.
Il représente également l’appétence pour le risque

des dirigeants/actionnaires de l’institution

financière

Commission bancaire : intervalle de confiance de

2,33  sur 10 jours ouvrés, soit une protection à 99
%.
 94

Méthodes d’estimation de la
VaR
 Méthodes d’estimation de la Var
95

 Remarque : on trouve dans certains ouvrage

terme méthodes de calcul de la VaR. Ce terme
est impropre, on doit parler de méthodes
d'estimation de la VaR. La VaR est le fractile
d'une distribution de P&L, dès lors deux solutions
Soit la distribution de P&L est connue, et à ce
moment on calcule le fractile correspondant
 Mais généralement, la distribution de P&L n'est
pas connue ou les paramètres de cette
distribution ne sont pas connues. On doit estimer
la densité associée, ou les paramètres de cette
densité, ou son fractile directement. On parle
alors de méthodes d'estimation de la VaR.
 Méthodes non paramétriques
96

 Le principe général des méthodes non

paramétriques d'estimation / prévision de la
Value-at-Risk est que l'on impose a priori aucune
distribution paramétrique de pertes et profits.
 Méthodes non paramétriques
97

 Les principales méthodes sont les suivantes :

 Historical Simulation (HS)
 Bootstrapped Historical Simulation
 Simulation Historique et Estimation Non Paramétrique de
Densité
 Weighted Historical Simulation (WHS) ou Hybrid Method
 Filtered Historical Simulation (FHS)
 Simulation historique
98

 La simulation historique (Historical Simulation, ou

HS) est une méthode très simple qui est sans
doute la plus utilisée actuellement
 Formellement, la VaR est estimée simplement par
le fractile empirique des rendements passés.
 Si l’on considère par exemple un niveau de
confiance de 95% et que l’on dispose d’un
échantillon de 1000 observations historiques de
rendements, la VaR est donnée par la valeur du
rendement qui correspond à la 50ème forte de
perte.
 Simulation historique
Définition
99

 Soit (R1, R2, ..RT) la séquence des rendements Rt

de l’actif ou du portefeuille, observés aux dates t
= 1 à T. A cette séquence correspond un
échantillon de T observations (r1, r2, .., rT)
 Théoriquement, à chaque date, le rendement Rt
est une v.a.r qui admet une certaine f Rt 
distribution,
.
notée , et donc un fractile d’ordre , noté
VaRt () , qui lui sont propres. Or, on ne dispose
que d’une seule réalisation, rt , de cette
distribution. A partir de cette unique réalisation,
sans hypothèse supplémentaire, il est impossible
d’estimer le fractile de la distribution des P&L à la
date t, c’est à dire la VaR.

 Simulation historique
Hypothèses
100

 Dans l'approche HS, on fait deux hypothèses très

fortes :
 On suppose que la distribution non conditionnelle des
 
rendements R w  
f Rt w  fquelle t soit la date t :
que

 par conséquent le fractile de cette distribution non

VaR  
conditionnelle  
t  VaR(laVaR)
 t est aussi identique :

 On suppose que les rendements R1, .., RT sont

indépendamment distribués
 Hypothèse : on suppose que les rendements Rt
associés aux P&L, observés à toute date t, sont
identiquement et indépendamment distribués
(i.i.d)
 Simulation historique
101

 Sous l'hypothèse i .i .d, on dispose alors d'un

échantillon de T réalisations (r1, r2, .., rT) de T
v.a.r. admettant la même distribution (ou de la
même variable aléatoire) et donc la même VaR. Il
est dès lors possible d'estimer cette VaR.
 VaR HS
102
 VaR HS
103
 104

Exemple d’estimation de la
VaR
 Taux de changes contre TND
105
 Matrice de corrélation
106
 Volatilités des différentes devises
107
 VaR selon différentes méthodes
108
 Exemples d’estimation de VaR
109
 110

Exemple d’estimation de la
VaR
 Risque de portefeuille et Value at
Risk
111
 Risque de portefeuille et Value at
Risk
112
 Risque de portefeuille et Value at
Risk
113
 Risque de portefeuille et Value at
Risk
114
 Le rendement d’un portefeuille
115
 Le rendement d’un portefeuille
116
 Le rendement d’un portefeuille
117
 Risque de portefeuille et Value at
Risk
118
 Risque de portefeuille et Value at
Risk
119
 Risque de portefeuille et Value at
Risk
120
 Risque de portefeuille et Value at
Risk
121
 Risque de portefeuille et Value at
Risk
122
 VaR diversifiée
123
 VaR individuelle
124
 La VaR non diversifiée
125
 Exemple (Jorion, 2007)
126
 Exemple (Jorion, 2007)
127
 Exemple (Jorion, 2007)
128
 Exemple (Jorion, 2007)
129
 VaR marginale, VaR incrémentale
et VaR composée
130
 La VaR marginale
131
 La VaR marginale
132
 La VaR marginale
133
 La VaR marginale
134
 La VaR marginale
135
 La VaR marginale
136
 La VaR marginale
137
 Vecteurs de VaR marginales
138
 VaR marginale
139
 VaR marginale
140
 VaR marginale
141
 Exemple (Jorion, 2007)
142
 Exemple (Jorion, 2007)
143
 Exemple (Jorion, 2007)
144
 La VaR incrémentale
145
 La VaR incrémentale
146
 La VaR incrémentale
147
 Exemple (Jorion, 2007)
148
 Exemple (Jorion, 2007)
149
 Exemple (Jorion, 2007)
150
 Exemple (Jorion, 2007)
151
 La VaR composée
152
 La VaR composée
153
 La VaR composée
154
 Exemple (Jorion, 2007)
155
 Exemple (Jorion, 2007)
156
 Exemple de reporting VaR
157
 Exemple de reporting VaR
158
 Exemple de reporting VaR
159
 160

Value at risk & risk

management
 Techniques avancées de mesures
de risque de marché
161

• Marking to
Market
• Duration, Mesures de
Convexity contrôles • Standardized
• Price Value
of a Basis Model
• Duration • Internal
Point Limits
• VaR - Forex Model
• VaR Limits • RAROC
(Spot & • Stop Loss
Forward)
Connaître
• Stress Limits allocation
les risques • Counterparty du capital
Testing
• Scenario Exposure
Limits
Analysis • Country
Exposure
Limits
 Techniques avancées de mesures
de risque de marché
162 Sophistication

Stress Testing
Use of ‘What if’
Value at Risk scenarios to
determine losses
Use of Statistical
statistical
Duration in extreme
analysis to
Cashflow determine events
analysis to maximum losses
Mark to Marketmeasure the
sensitivity of
Revaluation of fixed income
the portfolio to instruments
measure notional
P/L

Time
 La structure organisationnelle
163

 Front office  Back office

 Exécution  Vérification
 Prise de risque  Enregistrement
 commercial  Reporting
 Middle office  Réglement
 Risk management
 pricing
 Prévision
 ALCO
164

 Assets Liability management Committee

 Responsable de la mise en place, l’exécution et le
suivi de toutes les politiques liés au risque de
marché.
 La notion de Stop Loss
165

 Pour un trader, il faut toujours savoir

 Entrer dans le trade
 Positionner un Stop Loss de protection
 Sortir du trade (gagnant de préférence. . . )
 La direction générale
166

 Approuve le BP et les objectifs

 Définit la tolérance (appétence) pour le risque
 Préconise les politiques
 Assurer la performance
 La direction des risques
167

 Développer des politiques risques

 Monitoring du respect des limites
 Gestion du processus ALCO
 Validation des modèles
 Soutenir les unités opérationnelles
 La fixation des limites
168

 Dresser des limites globales

 Dresser des limites par desk/unités
 Ajustement dynamique
 Les types de limites
169

 Stop losses
 Limites de positions
 Limites de montants
 Limites MTM
 Comment fixer les limites
170

Stratégiq Réglemen
ue taire

CA Banque
centrale

Direction
CMF
générale

Respons
able
risque
 La réglementation actuelle en
Tunisie
171

 Pas de limites pour les portefeuilles titres

 Changes
 Un rapport maximum de 10% entre le montant de la
position de change dans chaque devise et le montant de
ses fonds propres nets.
 Un rapport maximum de 20% entre le montant de la
position de change globale et le montant de ses fonds
propres nets.
 Stop loss en % de la position overnight = 3%
 & Stop loss en valeur sur la position overnight =200000
TND

 CIRCULAIRE AUX INTERMEDIAIRES AGREES N° 97-08 DU 9

MAI 1997
 Définition d’un stop loss
172

 Un stop loss est une perte maximale à ne pas

dépasser sur un portefeuille d’actifs financiers
 Exemple :
 Un trader détient 10000 actions TAIR achetés il y a 6
mois à 5 d. Il s’est fixé un stop loss de 10%.
 Son Stop loss en valeur est : 5*10000*0,10%=5000 d.
 Le 31/08/2011 le cours de l’action TAIR est passé à 4,800
D?
 Pertes non réalisées : (5-4,8) x 10000 = 2000 D < 5000 D.
 Il peut continuer à garder la position
 Le 12/09/2011 le cours de l’action TAIR est passé à 4,4 d.
 Pertes non réalisées : (5-4,4)*10000 = 6000 d > 5000 d (le
stop loss).
 Il doit liquider sa position
 Limites du stop loss
173

 Historiques
 Non préventifs
 Intervient ex post
 Il faut un moyen de prévention
 Solution : la Value at Risk
 Les limites de position
174

 Principaux problèmes
 Ne sontpas directement comparables entre
différentes unités
 Ne tiennent pas comptes des effets de
diversification
 Ne conviennent pas pour les produits dérivés
 Les limites VaR
175

 Forward looking
 Dresse l’appétence pour le risque
 Permet l’allocation du capital
 Les limites VaR
176

 Les limites VaR peuvent être déterminer selon

 Les desks
 Les traders
 Business unit
 Ceci nécessite ..
 …… un changement de paradigme

 Mesures de performance ajustées au risque

 Avantages des limites VaR
177

 Une limite VaR est dynamique. Elle reflète à la

fois les changements dans les conditions
économiques (facteurs de risque) et dans la
composition du portfeuille
 Les limites VaR sont facilement communicables
au niveau de la Banque.
 Permettent d’intégrer les risques sur différents
marchés et instruments de manière simple et
homogène
 Tiennent compte de la diversification
 Exemple de limites VaR
178
 Les limites VaR dans la pratique
179

 Les limites VaR doivent être flexible. Dans le cas

par exemple d’une augmentation de la volatilité.
 Ne pas oublier :
 Adéquation entre profil de risque & objectifs de
performance.
 Changement des limites
180

 En cas de changement dans les conditions du

marché.
 Faire augmenter les limites en cas de turbulences à
court terme
 En cas de changement dans la stratégie de la
banque
 Augmenter la VaR en cas de stratégie agressive
 Diminuer les limites en cas de mauvaise conjoncture
(politique restricitive)
 Que faire en cas de violation des
limites VaR
181

 Les actions diffèrent selon le niveau de

management affecté par la violation
 Si une limite subordonnée peut être tolérée si la
limite située à un niveau supérieure n’est pas en
danger
 Mais si une limite à un niveau critique est
dépassée c’est à la DG de prendre les mesures
supplémentaires à prendre
 Que faire en cas de violation des
limites VaR
182

Des limites de Des limites de Des limites de La position est

VaR sont VaR sont VaR sont soldée
violées sur une violées sur une violées de temporairemen
courte période courte période manière t
permanente

Les autres Le trader peut Augmentation

unités peuvent être interdit de du capital
voir leurs prendre des alloué ou
limites réduites positions utilisation
momentanéme d’autres
nt ressources
internes
 Processus de calcul de la VaR
183

Input Input Input

Positions/ Front Calcul des Détermination
office rendements des facteurs de
Cours/prix Période risque
Facteurs de d’estimation Méthodes de
risque Méthodes2. mapping
1.
Bétas/sensibilité Estimati
d’estimation :
Collecte volatilité 3.
onetdes
de corrél. Mapping
paramètr
données
es
Tâches et Tâches et Tâches et
Erreurs Erreurs Erreurs
Marking to Calcul des Erreurs de
market rendements mapping
Données Erreurs
manquantes d’estimation
Data mining
 Processus de calcul de la VaR
184

Input Input Input

Méthode de Définition du Méthodes Ex
calcul niveau de risque post vs Ex ante
Intervalle de désiré Comparaison
confiance; Instruments avec les P&L du
Horizon utilisés 5. Backoffice
Hypothèses Vol & Gestion 6.
Cor 4. Calcul de Backtesti
de la VaR
portefeui ng
lle
Tâches et Tâches et Tâches et
Erreurs Erreurs Erreurs
VaR sur Calcul de VaR Backtesting du
portefeuilles et marginales portefeuille et
sous des sous-
portefeuilles portefeuille
VaR sur Instruments à
instruments non pricer
 Processus de calcul de la VaR
185

Input Input Input

Les valeurs des Les taux cibles Résultats de
limites Les bonus l’analyse des
Méthodes de Intégration risques
calcul des limites d’autres facteurs Exploitation des
de risque limites et de
7. Les 8. 9. Risk
perform.
limites RORAC/R reportin
VaR AROC g
Tâches et Tâches et Tâches et
Erreurs Erreurs Erreurs
Annualisation des Mesure de Management
limites performance briefing
Prise en compte Allocation du Reporting
des cor capital externe
Exploitation des
limites