Vous êtes sur la page 1sur 85

ESLSCA BUSINESS SCHOOL OF PARIS

Modlisation du CAC40 et
techniques dassurance de
portefeuille
Mmoire pour lobtention du grade MBA FinanceTrading option Asset Management

Prpar par:

Encadr par:

BOUFARSI Youssef Alaoui

Pr. RAKOTONDRATSIMBA Yves

Soutenance: Fvrier 2013

Anne 2012/2013

TABLE DES MATIRES


Table des illustrations.............................................................................................................................. 4
Introduction gnrale ............................................................................................................................ 6
I-La Modlisation conomtrique ........................................................................................................ 8
1.1 Etude prliminaire : logarithme et stationnarit ........................................................................... 8
1.2 Statistiques descriptives : Histogramme et test de normalit de Jarque berra ............................. 10
1.3 Modlisation ARMA : mthodologie de BOX JENKINS........................................................... 13
1.3.1 Identification du modle ....................................................................................................... 13
1.3.2 Estimation des paramtres .................................................................................................... 13
1.3.3 Validation du modle ........................................................................................................... 17
1.3.4 Prvision ............................................................................................................................... 21
1.4 Modlisation ARCH/GARCH ..................................................................................................... 22
1.4.1 Test de leffet ARCH : tester la prsence de lhtroscdasticit conditionnelle ................. 22
1.4.2 Processus MA(3)- ARCH(3) ................................................................................................ 23
1.4.3 Processus MA(3)-GARCH(1,1) ........................................................................................... 25
1.4.4 Processus MA(3)-GARCH(1,1) M .................................................................................... 27
1.4.5 Processus MA(3)-EGARCH(1,1) ......................................................................................... 29
1.4.6 Processus MA(3)-TGARCH(1,1) ......................................................................................... 31
1.5 Prvision avec le modle retenu: Backtesting et Test de robustesse ........................................... 34
II- La simulation de Monte-Carlo ...................................................................................................... 38
2.1 le mouvement brownien gomtrique ......................................................................................... 38
2.2 CodeS VBA de la simulation des cours futurs du CAC40 .......................................................... 39
2.3 Etude des scenarios ..................................................................................................................... 40
2.3.1 Le meilleur scenario ............................................................................................................. 42
2.3.2 Le pire scenario .................................................................................................................... 43
2.3.3 Le scnario moyen : La moyenne des scnarios................................................................... 43
III-Techniques d'assurance de portefeuille: prsentation et applications...................................... 45
3.1 La technique CPPI ....................................................................................................................... 45
3.1.1 Background thorique .......................................................................................................... 45
3.1.2 CPPI en pratique ................................................................................................................... 50
3.1.3 Applications.......................................................................................................................... 50
3.2 La technique OBPI ...................................................................................................................... 57
3.2.1 Background thorique .......................................................................................................... 57
3.2.2 Applications.......................................................................................................................... 59
Conclusion gnrale ............................................................................................................................ 72
Bibliographie ......................................................................................................................................... 74
Annexes ................................................................................................................................................. 76
Annexe 1: Test de dickey fuller augment: Augmented Dickey fuller (ADF).................................. 77
2

Annexe 2: Les rendements du meilleur scenario ............................................................................... 83


Annexe 3 : Les rendements du pire scenario ..................................................................................... 84
Annexe 4 : les rendements du scnario moyen.................................................................................. 85

TABLE DES ILLUSTRATIONS


Figure 1: Srie des cours du cac40 .......................................................................................................... 9
Figure 2: srie logarithmique des cours du cac40 ................................................................................. 10
Figure 3:srie des rendements logarithmiques du CAC40 .................................................................... 11
Figure 4: Statistiques descriptives des renedements logarithiques du cac40 ........................................ 11
Figure 5: output Eviews du modle AR(3)............................................................................................ 14
Figure 6: output du processus MA(3) .................................................................................................... 15
Figure 7: output du processus ARMA(3,3) ........................................................................................... 17
Figure 8: output du Test dabsence dautocorrlation de Ljung-box pour les rsidus du processus
AR(3) ..................................................................................................................................................... 18
Figure 9: output du Test dabsence dautocorrlation de Ljung-box pour les rsidus du processus
AR(3) ..................................................................................................................................................... 19
Figure 10: output du test de jarque berra sur les rsiuds du processus AR(3)....................................... 20
Figure 11: output du test de jarque berra sur les rsidus du processus AR(3)....................................... 20
Figure 12: choix du processus entre AR(3) et MA(3) ........................................................................... 21
Figure 13: output du test de leffet ARCH ............................................................................................ 22
Figure 14: output du processus MA(3)-ARCH(3)................................................................................. 24
Figure 15: output du processus MA(3)-GARCH(1,1) ........................................................................... 26
Figure 16:Output du processus MA(3)-GARCH(1,1)-M ...................................................................... 28
Figure 17: output du processus MA(3)-EGARCH(1,1) ........................................................................ 30
Figure 18:Output du processus MA(3)-TGARCH(1,1) ........................................................................ 32
Figure 19: choix du modle entre Arch(3), GARCH(1,1), EGARCH(1,1) et TGARCH(1,1) .............. 33
Figure 20: output de la prvision avec le modle retenu MA(3)-EGARCH(1,1) ................................. 34
Figure 21: rendements des 10 premiers scenarios ................................................................................. 41
Figure 22: Coures des 10 premiers scnarios ........................................................................................ 41
Figure 23: Statistiques descriptives des 10 premiers scnarios ............................................................. 41
Figure 24: rendements du meilleurs scnnario ...................................................................................... 42
Figure 25: cours du meilleur scnario ................................................................................................... 42
Figure 26: rendements du pire scnario................................................................................................. 43
Figure 27: cours du pire scnario .......................................................................................................... 43
Figure 28: rentabilits moyennes espres ............................................................................................ 44
Figure 29: cours moyens esprs ........................................................................................................... 44
Figure 30: CPPI en cas de la volatilit sans tendance ........................................................................... 52
Figure 31: CPPI en cas de la tendance haussire................................................................................... 53
Figure 32: CPPI en cas de tendance baissire ....................................................................................... 54
Figure 33: CPPI en cas de tendance baissire avec MuLT=45 ............................................................. 55
4

Figure 34: CPPI appliqu sur les cours simuls du pire scenario .......................................................... 55
Figure 35: CPPI appliqu sur les cours simuls du pire scenario .......................................................... 56
Figure 36: CPPI dans le cas du scnario moyen .................................................................................... 56
Figure 37: OBPI call & put dans le cas de la volatilit sans tendance .................................................. 61
Figure 38: OBPI rplication dans le cas de la volatilit sans tendance ................................................. 62
Figure 39: OBPI Call et put dans le cas de la tendance haussire ......................................................... 63
Figure 40: OBPI rplication dans le cas de la tendance haussire ........................................................ 64
Figure 41: OBPI call & put dans le cas de la tendance baissire .......................................................... 65
Figure 42: OBPI rplication dans le cas de la tendance baissire ......................................................... 66
Figure 43:OBPI Call et Put dans le cas du pire scnario ....................................................................... 67
FIGURE 45: OBPI CALL ET PUT DANS LE CAS DU PIRE SCENARIO ....................................... 68
Figure 46:OBPI rplication dans le cas du pire scnario....................................................................... 69
Figure 47: OBPI Call et put dans le cas du scnario moyen ................................................................. 69
FIGURE 48: OBPI REPLICATION DANS LE CAS DU SCENARIO MOYEN. .............................. 70
Figure 49: Comparaison des payoffs des techniques OBPI et CPPI ..................................................... 71

INTRODUCTION GNRALE
Etudier les deux problmatiques fondamentales de la gestion de portefeuille tait un dfi
quon a pu relever grce la volont, la motivation mais aussi les connaissances thoriques,
statistiques et conomtriques acquises au cours du MBA Finance-Trading option Asset
Management et du Master 2 Finance Applique. En effet, il a t fait usage ici doutils
statistiques, conomtriques et informatiques afin de traiter ces deux problmatiques. Ce
mmoire professionnel revt dun intrt majeur dans la mesure o il a pour but daborder en
dtail deux problmatiques fondamentales de la gestion de portefeuille.
La premire problmatique a pour thme la gestion passive et plus prcisment la
gestion indicielle, cadre au sein duquel les performances du portefeuille sont troitement lies
aux performances dun indice de rfrence (gnralement le CAC40 en France). Il sagit ici
dtudier minutieusement le comportement de cet indice de rfrence au cours du temps.
Nous allons donc aborder ici la problmatique de la modlisation de la dynamique des
rendements futurs du CAC40.
La modlisation conomtrique sattache trouver un modle explicatif de lvolution des
rendements en utilisant des outils sophistiqus de modlisation conomtrique tels que les
modles ARMA et ARCH/GARCH.
La simulation de Monte-Carlo est prsente comme une alternative simple la modlisation.
Cette simulation de Monte-Carlo sattache dterminer plusieurs scnarios possibles
dvolution des cours et rendements en gnrant un grand nombre de tirage dune loi de
probabilit approprie (dans notre cas cest le mouvement brownien gomtrique qui est le
processus le plus appropri pour lindice boursier).

Le choix de cette premire problmatique dcoule du fait, quen rgle gnrale, les grants de
portefeuille qui pratiquent la gestion indicielle regardent lindice de rfrence comme une
boite noire imprvisible, alors quaujourdhui la finance quantitative moderne essaie
dapporter des explications de la dynamique des indices boursiers.
La deuxime problmatique concerne quant elle le thme de la gestion active de
portefeuille ou plus prcisment lassurance de portefeuille, stratgie dynamique dallocation
permettant de limiter la perte de valeur dun portefeuille en cas de baisse du march, tout en
lui permettant de profiter dune hausse de march.
6

Laversion aux risques des agents conomiques sest amplifie depuis les rcentes crises
financires et conomiques. Les investisseurs ont tendance aujourdhui prfrer une
performance minimale garantie indpendamment de lvolution du march tout en ayant la
possibilit de profiter de toute hausse potentielle du march.
Par ailleurs, les produits structurs les plus vendus sont les produits issus dun montage
financier reposant sur les techniques de lassurance de portefeuille. A titre illustratif, on peut
citer les fonds capital garanti.
Par ailleurs, il existe deux mthodes fondamentales de lassurance de portefeuille.
La premire mthode est la mthode dite OBPI (Options Based Portfolio Insurance). Il sagit
des structures simples permettant de garantir le capital dun portefeuille dactifs risqus. Il
existe trois types des stratgies OBPI dont les montages de base sont les suivants:
-

OBPI put : sous-jacent (bnfice de la hausse) + put (garantie la baisse)

OBPI call : zro coupon (garantie de capital) + call (le droit de bnficier en cas de
hausse)

OBPI rplication : zro coupon + sous-jacent

La seconde mthode, dite mthode CPPI (constant proportion portfolio insurance). Elle
sappuie sur lallocation dynamique en parallle de deux portefeuilles sans faire appel aux
options afin dassurer un montant minimum (plancher):
-

Le portefeuille effectivement gr, dont la valeur en date t, note V(t), correspond a la


somme de la position S(t) qui est celle de linvestisseur sur lactif risqu et de la
position M(t) quil dtient en actif sans risque.

Un portefeuille fictif qui se dcompose en un plancher P que lon supposera constant


toute au long de notre analyse et un coussin C(t)amen varier au cours du temps.

Les deux premiers chapitres sintressent la premire problmatique, cest--dire la


modlisation des rendements futurs du CAC40 ainsi qu la simulation de Monte-Carlo
comme alternative simple la modlisation. Le troisime chapitre sintresse la deuxime
problmatique des techniques dassurance de portefeuille.

I-LA MODLISATION CONOMTRIQUE


Modliser la dynamique du CAC40 suscite plusieurs questions auxquelles ce chapitre tentera
de rpondre :
Doit- on introduire le logarithme?
Le modle est il stationnaire, sinon comment le stationnaris?
Quel modle de type ARMA choisir ?
Peut-on se contenter de la modlisation linaire ARMA ?
Existe-il un effet ARCH ?
Quel modle ARMA-GARCH choisir ?
Le modle retenu est il fiable pour la prevision?
Aujourdhui lconomtrie des sries temporelles financires est tourne vers la construction
de modles de prvision reprsentant la complmentarit ARMA/GARCH. Il sagit plus
prcisment de modles puissants, nettement plus performants que ceux issus de
lconomtrie classique dans le sens o ils sont de type ARMA pour la moyenne et de type
ARCH/GARCH pour la variance conditionnelle. Ils ne supposent ni la linarit ni la normalit
et dcrivent de la manire la plus optimale que possible les sries se rapportant aux marchs
financiers.
Lambition de ce chapitre est danalyser le comportement de la moyenne et de la volatilit de
la srie des rentabilits logarithmiques du CAC40 (DLCAC40) frquence quotidienne sur la
priode allant du 03 avril 2000 au 07 juin 2012 dans le but de construire un modle
conomtrique robuste.
1.1 ETUDE PRLIMINAIRE : LOGARITHME ET STATIONNARIT
La srie de base des cours du CAC40 du 03/04/2000 au 12/03/2012 est la suivante :

7000

6000

5000

4000

3000

2000
00

01

02

03

04

05

06

07

08

09

10

11

CAC40

FIGURE 1: SERIE DES COURS DU CAC40

Introduction du logarithme : de la srie CAC40 la Srie LCAC40


Il convient de prciser que nous sommes amens introduire le logarithme au moins pour 3
raisons :
Le niveau des logarithmes permet de lisser la srie, cest--dire de rduire le volume
des chiffres. Notre srie concerne les cours CAC40 (forcment positifs) ce qui est
totalement en concordance avec la positivit du log (log

]0, +[).

Rendre additive une relation multiplicative : dans le cas d'une estimation d'lasticits
o toutes les composantes de la sries sont multiplicatives et comme c'est plus facile
de faire des rgressions sur des sries additives, on passe en log. Gnralement, si le
modle est multiplicatif, on le log-linarise :
Y=AxBxC => log(Y)=log(A)+log(B)+log(C)
Faciliter linterprtation des coefficients de rgression, plus prcisment les interprts
en termes dlasticit.
La srie LCAC40 : Log(CAC40)

9.0
8.8
8.6
8.4
8.2
8.0
7.8
7.6
00

01

02

03

04

05

06

07

08

09

10

11

LCAC40

FIGURE 2: SERIE LOGARITHMIQUE DES COURS DU CAC40

Etude de la stationnarit : de LCAC40 DLCAC40


La srie LCAC40 a une tendance baissire, et par consquent non stationnaire. Elle a aussi un
corrlogramme qui a une structure particulire. On remarque que les autocorrlations sont
toutes significativement diffrentes de 0 et baissent trs lentement. La premire
autocorrlation partielle est significativement diffrente de 0. Cette structure est celle dune
srie non stationnaire. (cf. annexe 1).
Il est important de vrifier laide dun test de racine que cette srie LCAC40 est non
stationnaire. On utilisera le test de racine unitaire le plus fiable et le plus rpandu, savoir le
test de Dickey Fuller augment.
Selon les rsultats de ce test prsents dans lannexe 1, notre srie LCAC40 est non
stationnaire. Il est indispensable de la stationnarise en introduisant la diffrence premire
avant de procder la modlisation ARMA. Ceci aboutit la srie DLCAC40.
1.2 STATISTIQUES DESCRIPTIVES : HISTOGRAMME ET TEST DE
NORMALITE DE JARQUE BERRA
La figure ci-dessous, reprsentant lvolution des rentabilits logarithmiques de lindice
CAC40, indique que cette srie est fortement volatile. En effet, on observe des regroupements
10

de volatilit : les fortes variations ont tendance etre suivies par de fortes variations et les
faibles variations par des faibles variations. La volatilit volue donc au cours du temps. Il
sensuit quun processus de type ARCH peut tre adapt la modlisation de la srie.
.12
.08
.04
.00
-.04
-.08
-.12
00

01

02

03

04

05

06

07

08

09

10

11

DLCAC40

FIGURE 3:SERIE DES RENDEMENTS LOGARITHMIQUES DU CAC40

1000
Series: DLCAC40
Sample 4/03/2000 6/07/2012
Observations 3116

800

600

400

Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis

-0.000222
0.000108
0.105946
-0.094715
0.015779
0.038464
7.670747

Jarque-Bera
Probability

2833.196
0.000000

200

0
-0.10

-0.05

-0.00

0.05

0.10

FIGURE 4: STATISTIQUES DESCRIPTIVES DES RENEDEMENTS LOGARITHIQUES DU CAC40

Cette figure reprsente lhistogramme de notre srie des rentabilits boursires ainsi quun
aperu des statistiques descriptives. Ces dernires amnent plusieurs commentaires.
On un Kurtosis de 7,97, largement suprieur celui de la loi normale qui est de 3, on dit que
la srie est leptokurtique. Son aplatissement est aigu par rapport celui de la loi normale.
11

Cet excs de kurtosis tmoigne de fortes probables occurrences de points extrmes.


Le coefficient de skewness est de 0,198, diffrent de celui de la loi normale qui est de 0. Ceci
illustre la prsence dasymtrie (notre srie est tale vers la droite cause du skewness
positif).
Sachant que les modles linaires gaussiens sont ncessairement symtriques, lasymtrie
peut tre un indicateur de non linarit.
Concrtement, lasymtrie se traduit par le fait stylis selon lequel la volatilit est plus faible
aprs une hausse quaprs une baisse des rentabilits.
La positivit du skweness indique que la distribution est tale vers la droite : les rentabilits
ragissent davantage un choc positif qu un choc ngatif.
JB <0,05, on rejette lhypothse H0 de normalit en faveur de lhypothse H1 de non
normalit. Il sensuit que les rentabilits du CAC40 ne suivent pas une loi normale, ce qui est
un point commun des sries financires des indices.
Ceci nous amne passer de lconomtrie linaire gaussienne lconomtrie non linaire
stochastique. Plus prcisment, nous sommes ici confronts lestimation dun modle de
type ARCH en raison des remarques issues de ltude du comportement de la srie
DLCAC40.
Afin de sassurer de lexistence dun effet ARCH sur la srie, Il est indispensable de raliser
un test ARCH.
La mise en uvre de ce test seffectue en 2 tapes :
Etape 1 : on estime lquation de la moyenne (pour cela on fait appel la mthodologie de
BOX-JENKINS).
Etape 2 : on rgresse le carr des rsidus estims sur une constante et sur ses q valeurs passes
(seuls les retards significatifs sont conservs) et on calcule la statistique TR o T est le
nombre dobservations et R est le coefficient de dtermination associ la rgression des
carrs des rsidus.
Il convient de confirmer que lors de la premire tape consistant estimer lquation de la
moyenne, lapplication de la procdure de BOX JENKINS simpose afin davoir le meilleur
modle dcrivant la moyenne.
12

1.3 MODELISATION ARMA : METHODOLOGIE DE BOX JENKINS


Box et Jenkins (1970) ont introduit les processus ARMA (AutoRegresive Moving Average).
Lobjectif ici est de modliser une srie temporelle en fonction de ces valeurs passes, mais
aussi en fontion des valeurs prsentes et passes dun bruit. Afin de dterminer le processus
ARMA adquat, Box et Jenkins suggrent la procdure en 4 tapes suivantes :
1.

Identification du modle

2.

Estimation des paramtres

3.

Validation du modle (tests de diagnostic)

4.

Prvision laide du modle valid.


1.3.1 IDENTIFICATION DU MODELE

Cette tape consiste tudier le corrlogramme qui englobe les fonctions dautocorrlation et
dautocorrlation partielle de notre srie DLCAC40. Ce corrlogramme est prsent dans
lannexe 1.
Le corrlogramme nous indique que seules :
-

les 3 premires autocorrlations sont significativement diffrentes de 0. On retient un


q = 3.

les 3 premires autocorrlations partielles sont significativement diffrentes de 0. On


retient un p = 3.

On vient donc didentifier 3 processus : AR(3), MA(3) et la combinaison des deux, savoir
ARMA (3,3).
1.3.2 ESTIMATION DES PARAMETRES
On procde lestimation des 3 processus identifis ci-dessus : processus AR(3), processus
MA(3) et processus ARMA(3,3).
1.3.2.1 PROCESSUS AR(3)
Lquation estimer est la suivante :
DLCAC40 = C(1) + [AR(1)=C(2),AR(2)=C(3),AR(3)=C(4)]
Nous utilisons la commande suivante :
13

LS DLCAC40 C AR(1) AR(2) AR(3)


Sample

(adjusted):

4/07/2000

3/13/2012
Included observations: 3113 after adjustments
Convergence

achieved

after

iterations
Variable

Coefficient

Std. Error

t-Statistic

Prob.

-0.000227

0.000245

-0.926863

0.3541

AR(1)

-0.039013

0.017890

-2.180731

0.0293

AR(2)

-0.047546

0.017882

-2.658906

0.0079

AR(3)

-0.061642

0.017886

-3.446442

0.0006

R-squared

0.007036

Mean dependent var

-0.000227

Adjusted R-squared

0.006078

S.D. dependent var

0.015765

S.E. of regression

0.015717

Akaike info criterion

-5.466855

Sum squared resid

0.768004

Schwarz criterion

-5.459090

Log likelihood

8513.160

F-statistic

7.343066

Durbin-Watson stat

1.997213

Prob(F-statistic)

0.000067

FIGURE 5: OUTPUT EVIEWS DU MODELE AR(3)

Daprs cet output et aprs substitution des paramtres lquation estime se reprsente
comme suit :
DLCAC40 = -0.0002273942691 + [AR(1)=-0.03901345024,AR(2)=-0.04754604127,AR(3)=0.06164236118]
Le modle AR(3) reste candidat dans la mesure o tous les coefficients autoregressifs
dordres 1, 2 et 3 sont significativement diffrents de 0 (leur p-value est infrieur 0,05, donc
rejet de lhypothse de la nullit).

14

1.3.2.2 PROCESSUS MA(3)


Lquation estimer est la suivante :
DLCAC40 = C(1) + [MA(1)=C(2),MA(2)=C(3),MA(3)=C(4),BACKCAST=4/04/2000]
Nous utilisons la commande suivante :
LS(DERIV=AA) DLCAC40 C MA(1) MA(2) MA(3)

Sample (adjusted): 4/04/2000 3/13/2012


Included

observations:

3116

after

adjustments
Convergence achieved after 6 iterations
Backcast: 3/30/2000 4/03/2000
Variable

Coefficient Std. Error

t-Statistic

Prob.

-0.000224

0.000238

-0.939797 0.3474

MA(1)

-0.037283

0.017885

-2.084665 0.0372

MA(2)

-0.050341

0.017879

-2.815647 0.0049

MA(3)

-0.067668

0.017891

-3.782212 0.0002

R-squared

0.007767

Mean dependent var -0.000222

Adjusted R-squared 0.006811

S.D. dependent var

0.015779

S.E. of regression

0.015725

Akaike info criterion -5.465885

Sum squared resid

0.769492

Schwarz criterion

-5.458126

FLog likelihood

8519.849

statistic

Durbin-Watson stat 2.003742

Prob(F-statistic)

FIGURE 6: OUTPUT DU PROCESSUS MA(3)

15

8.120080
0.000022

Daprs cet output et aprs substitution des paramtres lquation estime se prsente comme
suit:
DLCAC40

-0.0002236575157

[MA(1)=-0.03728334441,MA(2)=-

0.05034146985,MA(3)=-0.06766769722,BACKCAST=4/04/2000]
Le modle MA(3) reste galement candidat dans la mesure o tous les coefficients de
moyennes mobiles dordres 1, 2 et 3 sont significativement diffrents de 0 (leur p-value aussi
est infrieur 0,05, donc rejet de lhypothse de la nullit)
1.3.2.3 PROCESSUS ARMA (3,3)
Lquation estimer est la suivante :
DLCAC40 = C(1) + [ AR(1)= C(2),AR(2)= C(3),AR(3)= C(4),MA(1)= C(5),MA(2) =
C(6),MA(3 = C(7),BACKCAST= 4/07/2000]
Nous utilisons la commande suivante :
LS(DERIV=AA) DLCAC40 C AR(1) AR(2) AR(3) MA(1) MA(2) MA(3)
Sample (adjusted): 4/07/2000 3/13/2012
Included

observations:

3113

after

adjustments
Convergence achieved after 28 iterations
Backcast: 4/04/2000 4/06/2000
Variable

Coefficient Std. Error

t-Statistic

-0.000229

0.000230

-0.998932 0.3179

AR(1)

-0.431255

0.205861

-2.094882 0.0363

AR(2)

0.191367

0.162087

1.180639

0.2378

AR(3)

0.232516

0.172810

1.345502

0.1786

MA(1)

0.395919

0.201601

1.963868

0.0496

MA(2)

-0.253202

0.155806

-1.625109 0.1042

MA(3)

-0.320956

0.171300

-1.873644 0.0611

16

Prob.

R-squared

0.009840

Mean dependent var -0.000227

Adjusted R-squared 0.007927

S.D. dependent var

0.015765

S.E. of regression

0.015702

Akaike info criterion -5.467755

Sum squared resid

0.765836

Schwarz criterion

-5.454166

FLog likelihood

8517.561

statistic

Durbin-Watson stat 2.004657

Prob(F-statistic)

5.144238
0.000029

FIGURE 7: OUTPUT DU PROCESSUS ARMA(3,3)

Daprs cette output et aprs substitution des paramtres, lquation estime est la suivante :
DLCAC40 = -0.0002294476161 + [AR(1)=-0.4312554275,AR(2) =0.1913667671,AR(3)
=0.2325162559,MA(1)=0.3959186002,MA(2)=-0.2532017881,MA(3)=0.3209558304,BACKCAST=4/07/2000]

Le modle ARMA(3,3) est rejet car les coefficients autorgressifs dordres 2 et 3 ainsi que
les coefficients de moyennes mobiles dordres 2 et 3 sont significativement diffrents de 0
(leur p-value est infrieur 0,05, donc rejet de lhypothse de la nullit)
Il sensuit que les deux processus AR(3) et MA(3) sont les seuls candidats lexplication de
la dynamique de la srie DLCAC40.
1.3.3 VALIDATION DU MODELE
On applique ici 2 deux types de tests sur les rsidus sur les deux processus AR(3) et MA(3)
Test dabsence dautocorrlation de Ljung box (serial correlation LM)
Test de normalit des rsidus de Jarque Berra
1.3.3.1 TEST DABSENCE DAUTOCORRELATION DE LJUNG-BOX
Pour les rsidus du processus AR(3) on a loutput suivant :
Sample: 4/07/2000 3/13/2012
Included observations: 3113
Q-statistic probabilities adjusted for 3 ARMA term(s)
17

Partial
Autocorrelation

Correlation

AC

PAC

Q-Stat

Prob

0.001

0.001

0.0048

-0.002

-0.002

0.0215

-0.004

-0.004

0.0726

0.026

0.026

2.1196

0.145

-0.062

-0.062

14.024

0.001

*|

*|

-0.044

-0.043

19.958

0.000

0.022

0.022

21.466

0.000

0.029

0.028

24.036

0.000

-0.037

-0.035

28.353

0.000

10 -0.026

-0.027

30.421

0.000

11 0.018

0.012

31.413

0.000

12 0.012

0.011

31.872

0.000

13 0.004

0.011

31.915

0.000

14 0.023

0.022

33.546

0.000

15 0.013

0.005

34.110

0.001

16 0.032

0.032

37.240

0.000

17 0.000

0.006

37.240

0.001

18 -0.034

-0.034

40.792

0.000

19 -0.046

-0.046

47.367

0.000

20 0.005

0.006

47.448

0.000

FIGURE 8: OUTPUT DU TEST DABSENCE DAUTOCORRELATION DE LJUNG-BOX POUR LES


RESIDUS DU PROCESSUS AR(3)

La statistique Q-stat du test de Ljung-Box indique une valeur de 47,448 pour un nombre de
retard maximum gal 20. On sait que cette statistique suit une loi de khi-deux (k-p-q)
degrs de libert(Dl), soit ici Dl = 20 3 - 0 = 17. La valeur thorique du khi-deux 17
degr de libert au seuil statistique de 5% est de 27,587. De plus, P-value de Q-stat not Prob
dans le graphique est infrieure 0,05, donc on rejette lhypothse nulle dabsence
dautocorrlation des rsidus en faveur de la prsence de lautocorrlation.

18

Pour les rsidus du processus MA(3) on a loutput suivant :


Sample: 4/04/2000 3/13/2012
Included observations: 3116
Q-statistic probabilities adjusted for 3 ARMA
term(s)
Partial
Autocorrelation

Correlation

AC

PAC

Q-Stat

Prob

-0.002

-0.002

0.0130

0.002

0.002

0.0250

0.005

0.005

0.0901

0.033

0.033

3.5849

0.058

-0.055

-0.055

13.126

0.001

-0.041

-0.041

18.340

0.000

0.023

0.023

20.019

0.000

0.028

0.028

22.552

0.000

-0.038

-0.034

26.977

0.000

10 -0.025

-0.026

28.884

0.000

11 0.018

0.012

29.934

0.000

12 0.012

0.012

30.400

0.000

13 0.002

0.010

30.419

0.001

14 0.024

0.024

32.291

0.001

15 0.012

0.004

32.743

0.001

16 0.030

0.030

35.594

0.001

17 0.002

0.007

35.608

0.001

18 -0.033

-0.035

39.085

0.001

19 -0.045

-0.047

45.464

0.000

20 0.005

0.006

45.557

0.000

FIGURE 9: OUTPUT DU TEST DABSENCE DAUTOCORRELATION DE LJUNG-BOX POUR LES


RESIDUS DU PROCESSUS AR(3)

Nous appliquons le mme raisonnement : la statistique Q-stat du test de Ljung-Box est de


45,557, donc suprieur 27,587 (valeur thorique du khi-deux 17 degr de libert au seuil
statistique de 5%). De Prob est infrieure 0,05, donc on abouti au mme rsultat que les
19

rsidus du processus AR(3), savoir le rejet de lhypothse nulle dabsence dautocorrlation


des rsidus en faveur de la prsence de lautocorrlation.
1.3.3.2 TEST DE NORMALITE DES RESIDUS DE JARQUE BERRA
Pour les rsidus du processus AR(3) on a loutput suivant :
600
Series: Residuals
Sample 4/07/2000 3/13/2012
Observations 3113

500
400

Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis

300
200
100

Jarque-Bera
Probability

0
-0.05

0.00

0.05

1.33e-16
0.000618
0.098310
-0.094055
0.015709
-0.068848
7.360437
2468.657
0.000000

0.10

FIGURE 10: OUTPUT DU TEST DE JARQUE BERRA SUR LES RESIUDS DU PROCESSUS AR(3)

P(JB) < 0,05, alors on rejette lhypothse H0 de normalit en faveur de lhypothse H1 de


non normalit.
Pour les rsidus du processus MA(3) on a loutput suivant :

600
Series: Residuals
Sample 4/04/2000 3/13/2012
Observations 3116

500
400
300
200
100
0
-0.05

0.00

0.05

Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis

5.07e-07
0.000733
0.097232
-0.094436
0.015717
-0.091380
7.305456

Jarque-Bera
Probability

2411.051
0.000000

0.10

FIGURE 11: OUTPUT DU TEST DE JARQUE BERRA SUR LES RESIDUS DU PROCESSUS AR(3)

20

P(JB )<0,05, on rejette lhypothse H0 de normalit en faveur de lhypothse H1 de non


normalit.
Choix de processus:
AR(3)

MA(3)

R-squared

0.007036

0.007767

Log likelihood

8513.160

8519.849

-5.466855

-5.465885

-5.459090

-5.458126

Akaike

info

criterion
Schwarz
criterion

FIGURE 12: CHOIX DU PROCESSUS ENTRE AR(3) ET MA(3)

Tous les critres nous conduisent choisir le processus MA(3) pour reprsenter la dynamique
de la srie DLCAC40.
1.3.4 PREVISION
On procde la prvision en se basant sur le processus choisi MA(3). La prvision note
DLCAC40F est reprsente sur la figure suivante. Celle-ci se situe lintrieur de lintervalle
de prvision (au seuil de statistique de 5%), reprsente ici par les courbes en pointills.
.06
.04
.02
.00
-.02
-.04
-.06
00

01

02

03

04

05

06

07

08

09

10

DLCAC40F

FIGURE 13: PRVISION AVEC LE PROCESSUS MA(3)

21

11

1.4 MODELISATION ARCH/GARCH


Une tape pralable la modlisation ARCH/ GARCH est le test de lexistence de leffet
ARCH, cest--dire voir si lhtroscdasticit conditionnelle existe.
1.4.1 TEST DE LEFFET ARCH : TESTER LA PRESENCE DE
LHETEROSCEDASTICITE CONDITIONNELLE
Lquation rgresser est la suivante :
q

t 0 i t2i 0 112 2 22 3 32
i 1

La variable dpendante est bien le carr du rsidu.


F-statistic

142.2417

Probability

0.000000

Obs*R-squared

375.7066

Probability

0.000000

Sample (adjusted): 4/07/2000 3/13/2012


Included observations: 3113 after adjustments
Variable

Coefficient

Std. Error

t-Statistic

Prob.

0.000124

1.21E-05

10.31245

0.0000

RESID^2(-1)

0.094132

0.017596

5.349637

0.0000

RESID^2(-2)

0.208234

0.017277

12.05290

0.0000

RESID^2(-3)

0.192652

0.017594

10.94994

0.0000

R-squared

0.120690

Mean dependent var

0.000247

0.119841

S.D. dependent var

0.000620

0.000582

Akaike info criterion

-12.05915

resid

0.001053

Schwarz criterion

-12.05138

Log likelihood

18774.07

F-statistic

142.2417

2.053390

Prob(F-statistic)

0.000000

Adjusted

R-

squared
S.E.

of

regression
Sum

squared

Durbin-Watson
stat

FIGURE 14: OUTPUT DU TEST DE LEFFET ARCH

22

Il convient de rappeler que, sous lhypothse nulle dhomoscdasticit, la statistique TR suit


une loi de khi-deux de q degr de libert, o T est le nombre dobservations de la srie resid
et R le coefficient de dtermination associ la rgression indique ci-dessus.
On constate que la probabilit associe la statistique du test TR (Obs*R-squared) est nulle :
on rejette donc lhypothse nulle dhomoscdasticit en faveur de lhypothse alternative
dhtroscdasticit conditionnelle. Ceci peut tre vrifi par lanalyse des rsultats
destimation de lquation : on constate que les coefficients autorgressifs associs aux
rsidus au carr (Resid) retards ont une probabilit

nulle, en consquence ils sont

significativement diffrents de 0, ce qui confirme le rejet de lhomoscdasticit en faveur de


lhtroscdasticit conditionnelle.
Leffet ARCH existe et il faut donc le prendre en considration. Il faut estimer lquation de
la variance conjointement avec lquation de la moyenne du processus choisi MA(3). On
utilisera la technique de maximum de vraisemblance. Cinq estimations sont ralises :
Un processus MA(3)- ARCH(3)
Un processus MA(3)-GARCH(1,1)
Un processus MA(3)-GARCH(1,1) M
Un processus MA(3)-EGARCH(1,1)
Un processus MA(3)-TGARCH(1,1)
1.4.2 PROCESSUS MA(3)- ARCH(3)
Nous estimons les quations suivantes :
DLCAC40 = C(1) + [MA(1)=C(2),MA(2)=C(3),MA(3)=C(4),BACKCAST=4/04/2000]
GARCH = C(5) + C(6)*RESID(-1)^2 + C(7)*RESID(-2)^2 + C(8)*RESID(-3)^2
Nous utilisons la commande suivante :
ARCH(3,0,DERIV=AA) DLCAC40 C MA(1) MA(2) MA(3)

23

ARCH(3)

Dependent Variable: DLCAC40


Method: ML - ARCH

Sample (adjusted): 4/04/2000 3/13/2012


Included observations: 3116 after adjustments
Convergence achieved after 14 iterations
MA backcast: 3/30/2000 4/03/2000, Variance backcast: ON
GARCH = C(5) + C(6)*RESID(-1)^2 + C(7)*RESID(-2)^2 + C(8)*RESID(-3)^2

C
MA(1)
MA(2)
MA(3)

Coefficient

Std. Error

z-Statistic

Prob.

0.000352
-0.046411
-0.089299
-0.066163

0.000166
0.014282
0.013418
0.014081

2.112518
-3.249533
-6.654956
-4.698853

0.0346
0.0012
0.0000
0.0000

22.71284
7.921430
12.42540
11.46257

0.0000
0.0000
0.0000
0.0000

Variance Equation
C
RESID(-1)^2
RESID(-2)^2
RESID(-3)^2

8.52E-05
0.106030
0.301183
0.292890

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat

0.003954
0.001711
0.015765
0.772450
8897.595
1.980724

3.75E-06
0.013385
0.024239
0.025552

Mean dependent var


S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

-0.000222
0.015779
-5.705774
-5.690256
1.762491
0.090427

FIGURE 15: OUTPUT DU PROCESSUS MA(3)-ARCH(3)

Daprs cet ouput et aprs substitution des paramtres les quations estimes sont les
suivantes :
DLCAC40

0.0003515458964

[MA(1)=-0.04641073842,MA(2)=-

0.08929857957,MA(3)=-0.06616338811,BACKCAST=4/04/2000]
GARCH = 8.52368671e-005 + 0.1060298506*RESID(-1)^2 + 0.301183417*RESID(-2)^2 +
0.2928899483*RESID(-3)^2
24

Pour les 3 variables RESID(-1), RESID(-2) et RESID(-3), les coefficients de rgression ont
des p-value (prob) infrieurs 0,05, ce qui implique le rejet de lhypothse nulle de la nullit
des paramtres en faveur de lhypothse alternative de la non nullit.
Nos paramtres sont positifs (puisque ils sont tous suprieurs 0), ce qui signifie quils
respectent les contraintes de positivit de la variance conditionnelle.
Donc le modle ARCH(3) est un modle candidat pour expliquer la variance conditionnelle
de notre srie DLCAC40.
1.4.3 PROCESSUS MA(3)-GARCH(1,1)
Nous estimons les quations suivantes :
DLCAC40 = C(1) + [MA(1)=C(2),MA(2)=C(3),MA(3)=C(4),BACKCAST=4/04/2000]
GARCH = C(5) + C(6)*RESID(-1)^2 + C(7)*GARCH(-1)
Nous utilisons la commande suivante :
ARCH(DERIV=AA) DLCAC40 C MA(1) MA(2) MA(3)

25

Dependent Variable: DLCAC40


Method: ML - ARCH (Marquardt) - Normal distribution

GARCH(1,1)

Sample (adjusted): 4/04/2000 3/13/2012


Included observations: 3116 after adjustments
Convergence achieved after 13 iterations
MA backcast: 3/30/2000 4/03/2000, Variance backcast: ON
GARCH = C(5) + C(6)*RESID(-1)^2 + C(7)*GARCH(-1)

C
MA(1)
MA(2)
MA(3)

Coefficient Std. Error

z-Statistic

Prob.

0.000431
-0.047476
-0.039935
-0.041395

2.324838
-2.340267
-2.118230
-2.264099

0.0201
0.0193
0.0342
0.0236

4.602121
12.43861
113.0205

0.0000
0.0000
0.0000

0.000185
0.020287
0.018853
0.018283

Variance Equation
C
RESID(-1)^2
GARCH(-1)

1.94E-06
0.093290
0.900436

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat

0.004750
0.002829
0.015756
0.771832
9092.716
1.980105

4.21E-07
0.007500
0.007967

Mean dependent var


S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

-0.000222
0.015779
-5.831653
-5.818075
2.473016
0.021768

FIGURE 16: OUTPUT DU PROCESSUS MA(3)-GARCH(1,1)

Daprs cet output et aprs substitution des paramtres on a :


DLCAC40 = 0.0004306348036 + [MA(1)=-0.0474764764,MA(2)=-0.03993502606,MA(3)=0.04139476235,BACKCAST=4/04/2000]
GARCH = 1.939516631e-006 + 0.09328986661*RESID(-1)^2 + 0.900435584*GARCH(-1)

Pour les 2 variables RESID(-1) et GARCH(-1) les paramtres ont des p-value (prob)
infrieurs 0,05, ce qui implique le rejet de lhypothse nulle de la nullit des paramtres en

26

faveur de lhypothse alternative de la non nullit. Donc nos paramtres sont


significativement diffrents de 0.
Nos paramtres sont positifs (puisque ils sont tous suprieurs 0), ce qui signifie quils
respectent les contraintes de positivit de la variance conditionnelle.
Donc le modle ARCH(3) est un modle candidat pour expliquer la variance conditionnelle
de notre srie DLCAC40.
1.4.4 PROCESSUS MA(3)-GARCH(1,1) M
Nous estimons les equations suivantes :
DLCAC40

C(1)*GARCH

[MA(1)=C(3),MA(2)=C(4),MA(3)=C(5),BACKCAST=4/04/2000]
GARCH = C(6) + C(7)*RESID(-1)^2 + C(8)*GARCH(-1)
Nous utilisons la commande suivante:
ARCH(ARCHM=VAR,DERIV=AA) DLCAC40 C MA(1) MA(2) MA(3)

27

C(2)

Dependent Variable: DLCAC40


GARCH(1,1) - M
Method: ML - ARCH (Marquardt) - Normal distribution
Sample (adjusted): 4/04/2000 3/13/2012
Included observations: 3116 after adjustments
Convergence achieved after 23 iterations
MA backcast: 3/30/2000 4/03/2000, Variance backcast: ON
GARCH = C(6) + C(7)*RESID(-1)^2 + C(8)*GARCH(-1)

GARCH
C
MA(1)
MA(2)
MA(3)

Coefficient

Std. Error

z-Statistic

Prob.

0.680179
0.000337
-0.047197
-0.039473
-0.040621

1.461594
0.000267
0.020663
0.019036
0.018513

0.465368
1.261967
-2.284112
-2.073574
-2.194129

0.6417
0.2070
0.0224
0.0381
0.0282

4.574342
12.42459
112.5467

0.0000
0.0000
0.0000

Variance Equation
C
RESID(-1)^2
GARCH(-1)

1.95E-06
0.093480
0.900209

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat

0.003806
0.001562
0.015766
0.772564
9092.826
1.978174

4.26E-07
0.007524
0.007999

Mean dependent var


S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

-0.000222
0.015779
-5.831082
-5.815564
1.696310
0.105221

FIGURE 17:OUTPUT DU PROCESSUS MA(3)-GARCH(1,1)-M

Daprs cet output et aprs substitution des paramtres on a:


DLCAC40

0.6801789625*GARCH

0.0003374167727

[MA(1)=-

0.0471965246,MA(2)=-0.03947271201,MA(3)=-0.0406209421,BACKCAST=4/04/2000]
GARCH = 1.947555247e-006 + 0.09348011722*RESID(-1)^2 + 0.9002093262*GARCH(-1)

Le paramtre associ la variable explicative GARCH une p-value suprieure 0,05, il


sensuit quon accepte lhypothse nulle de nullit du paramtre : ce dernier nest pas
28

significativement diffrent de 0. La Variable GARCH nexplique pas la moyenne


conditionnelle

puisque son coefficient est nul. Lintroduction de cette variable dans

lquation de la moyenne savre inutile et dnu de tout apport explicatif. En dautres termes,
on a dmontr que la variable GARCH nest pas une variable explicative des rentabilits.
Cette constation est largement suffisante pour rejeter ds prsent le modle GARCH en
moyenne
1.4.5 PROCESSUS MA(3)-EGARCH(1,1)
Nous utilisons la commande :
ARCH(EGARCH,DERIV=AA) DLCAC40 C MA(1) MA(2) MA(3)
Nous estimons les quations suivantes :
DLCAC40 = C(1) + [MA(1)=C(2),MA(2)=C(3),MA(3)=C(4),BACKCAST=4/04/2000]
LOG(GARCH) = C(5) + C(6)*ABS(RESID(-1)/@SQRT(GARCH(-1))) + C(7)*RESID(1)/@SQRT(GARCH(-1)) + C(8)*LOG(GARCH(-1))

29

Dependent Variable: DLCAC40


EGARCH(1,1)
Method: ML - ARCH (Marquardt) - Normal distribution
Sample (adjusted): 4/04/2000 3/13/2012
Included observations: 3116 after adjustments
Convergence achieved after 8 iterations
MA backcast: 3/30/2000 4/03/2000, Variance backcast: ON
LOG(GARCH) = C(5) + C(6)*ABS(RESID(-1)/@SQRT(GARCH(-1))) +
C(7)*RESID(-1)/@SQRT(GARCH(-1)) + C(8)*LOG(GARCH(-1))

C
MA(1)
MA(2)
MA(3)

Coefficient

Std. Error

z-Statistic

Prob.

-3.08E-05
-0.031682
-0.020737
-0.020281

0.000180
0.019905
0.018222
0.018201

-0.171130
-1.591638
-1.138064
-1.114241

0.8641
0.1115
0.2551
0.2652

-10.55406
7.494556
-13.86771
486.4277

0.0000
0.0000
0.0000
0.0000

Variance Equation
C(5)
C(6)
C(7)
C(8)

-0.230138
0.095654
-0.129661
0.982458

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat

0.004762
0.002520
0.015759
0.771823
9178.198
2.014381

0.021806
0.012763
0.009350
0.002020

Mean dependent var


S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

-0.000222
0.015779
-5.885878
-5.870360
2.124232
0.038024

FIGURE 18: OUTPUT DU PROCESSUS MA(3)-EGARCH(1,1)

Aprs substitution des paramtres on a :


DLCAC40

-3.075767222e-005

[MA(1)=-0.03168222648,MA(2)=-

0.02073731602,MA(3)=-0.02028066379,BACKCAST=4/04/2000]
LOG(GARCH) = -0.2301379719 + 0.09565432539*ABS(RESID(-1)/@SQRT(GARCH(-1)))
- 0.1296610932*RESID(-1)/@SQRT(GARCH(-1)) + 0.9824580997*LOG(GARCH(-1))

On constate pour la constante ainsi que pour les paramtres ce qui suit:

30

C(6) est associ la variable RESID(-1)/@SQRT(GARCH(-1)))


C(7) est associ la variable RESID(-1)/@SQRT(GARCH(-1))
C(8) est associ la variable LOG(GARCH(-1))

Ces paramtres ont des P-values infrieures 0,05, ce qui signifie le rejet de lhypothse nulle
de nullit des paramtres en faveur de lhypothse de la diffrence significative de 0. On dit
que nos paramtres sont significativement diffrents de 0 ce qui justifie les variables attaches
qui prennent lasymtrie en considration. Lapport de ces variables explicatives est justifi.
1.4.6 PROCESSUS MA(3)-TGARCH(1,1)
Nous estimons les quations suivantes:
DLCAC40 = C(1) + [MA(1)=C(2),MA(2)=C(3),MA(3)=C(4),BACKCAST=4/04/2000]
GARCH

C(5)

C(6)*RESID(-1)^2

C(7)*RESID(-1)^2*(RESID(-1)<0)

C(8)*GARCH(-1)
Nous utilisons lquation suivante :
ARCH(THRSH=1,DERIV=AA) DLCAC40 C MA(1) MA(2) MA(3)

31

Dependent Variable: DLCAC40


TGARCH(1,1)
Method: ML - ARCH (Marquardt) - Normal distribution
Sample (adjusted): 4/04/2000 3/13/2012
Included observations: 3116 after adjustments
Convergence achieved after 12 iterations
MA backcast: 3/30/2000 4/03/2000, Variance backcast: ON
GARCH = C(5) + C(6)*RESID(-1)^2 + C(7)*RESID(-1)^2*(RESID(-1)<0)
+ C(8)*GARCH(-1)

C
MA(1)
MA(2)
MA(3)

Coefficient Std. Error

z-Statistic

Prob.

-4.35E-05
-0.044167
-0.025950
-0.035821

-0.241960
-2.252708
-1.440428
-1.975710

0.8088
0.0243
0.1497
0.0482

7.560136
-2.718029
13.18303
139.0358

0.0000
0.0066
0.0000
0.0000

0.000180
0.019606
0.018015
0.018130

Variance Equation
C
RESID(-1)^2
RESID(-1)^2*(RESID(-1)<0)
GARCH(-1)

2.23E-06
-0.018000
0.154550
0.927271

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat

0.006156
0.003917
0.015748
0.770742
9164.622
1.990396

2.95E-07
0.006622
0.011723
0.006669

Mean dependent var


S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

-0.000222
0.015779
-5.877164
-5.861646
2.749984
0.007566

FIGURE 19:OUTPUT DU PROCESSUS MA(3)-TGARCH(1,1)

Aprs substitution des paramtres on a:


DLCAC40

-4.348423355e-005

[MA(1)=-0.04416709663,MA(2)=-

0.0259497133,MA(3)=-0.03582060142,BACKCAST=4/04/2000]
GARCH = 2.230227651e-006 - 0.01799988246*RESID(-1)^2 + 0.1545501415*RESID(1)^2*(RESID(-1)<0) + 0.9272709985*GARCH(-1)
Pour les trois variables explicatives de la variance conditionnelle, savoir RESID(-1)^2,
RESID(-1)^2*(RESID(-1)<0)

e t GARCH(-1), on a des paramtres significativement


32

diffrents (P-values < 0,05), ce qui justifie galement lintroduction des ces variables qui
prennent aussi en considration lasymtrie de la volatilit.
Il existe bien un phnomne dasymtrie pris en compte par EGARCH et TGARCH et qui
nest pas pris en compte par les processus ARCH et GARCH usuels.
Quel modle doit-on finalement retenir pour la modlisation de la variance conditionnelle ?
Dans la mesure o le phnomne dasymtrie est prsent, on pense que les modles les plus
appropris sont les processus EGARCH et TGARCH.
Le choix entre ces deux processus peut seffectuer au moyen des critres de comparaison des
modles.
A titre indicatif, nous reportons galement les valeurs des critres pour les processus
ARCH(3) et GARCH(1,1) ces valeurs sont donnes dans le tableau suivant :
ARCH(3)

GARCH(1,1) EGARCH(1,1)

TGARCH(1,1)

R-squared

0.003954

0.004750

0.004762

0.006156

Log likelihood

8897.595

9092.716

9178.198

9164.622

-5.705774

-5.831653

-5.885878

-5.877164

-5.690256

-5.818075

-5.870360

-5.861646

Akaike

info

criterion
Schwarz criterion

FIGURE 20: CHOIX DU MODELE ENTRE ARCH(3), GARCH(1,1), EGARCH(1,1) ET TGARCH(1,1)

Si selon le R (R-squared), le TGARCH(1,1) est retenir, selon le maximum de


vraisemblance (Log likelihood), les critres dinformation Akaike et Schwarz indiquent que
le modle EGARCH(1,1) est le plus appropri.
Autrement dit, si le coefficient de dtermination R favorise le TGARCH(1,1), tous les autres
critres, savoir, le maximum de vraisemblance (Log likelihood), les critres dinformation
Akaike et Schwarz favorisent plutt le modle EGARCH(1,1).
En somme, on retient le modle EGARCH(1,1) pour la modlisation de la variance
conditionnelle de notre srie DLCAC40.
En rsum, les rendements du CAC40 suivent un processus de type MA(3) pour la moyenne
et de type EGARCH(1,1) pour la variance. Ceci permet de dire que le modle qui explique le
mieux les rendements du CAC40 est le modle compos MA(3)-EGARCH(1,1).
33

1.5 PREVISION AVEC LE MODELE RETENU: BACKTESTING ET TEST DE


ROBUSTESSE
Lobjectif est la prvision de la srie DLCAC 40 sur la base du processus retenu MA(3)EGARCH(1,1) sur la mme priode, savoir du 03/04/2000 au 07/06/2012. Le biais entre la
srie ralise et la srie prvue par notre modle nous permet dvaluer la robustesse de notre
prvision.
.12
Forecast: DLCAC40F
Actual: DLCAC40
Forecast sample: 4/03/2000 6/07/2012
Adjusted sample: 4/04/2000 6/07/2012
Included observations: 3116

.08
.04

Root Mean Squared Error


Mean Absolute Error
Mean Abs. Percent Error
Theil Inequality Coefficient
Bias Proportion
Variance Proportion
Covariance Proportion

.00
-.04
-.08

0.015738
0.011062
116.5574
0.957067
0.000172
0.921657
0.078170

-.12
00

01

02

03

04

05

06

07

08

09

10

11

08

09

10

11

DLCAC40F

.0030
.0025
.0020
.0015
.0010
.0005
.0000
00

01

02

03

04

05

06

07

Forecast of Variance

FIGURE 21: OUTPUT DE LA PREVISION AVEC LE MODELE RETENU MA(3)-EGARCH(1,1)

Dabord lerreur de prvision nest rien dautre que la diffrence entre la valeur estime
(forecasted value) et la valeur observe. Par consquent, lerreur absolue est la diffrence
entre la valeur estime et la valeur observe exprime en valeur absolue.

La moyenne des erreurs absolues est une mesure rpandue dans lconomtrie des sries
temporelles.

34

La moyenne des erreurs absolues (Mean Absolute Error) note MAE mesure combien sont
proches les prvisions des valeurs observes. Elle est donne par:
MAE

1 n
1 n
|
f

y
|

ei
i i n
n i 1
i 1

Avec :

f i : la valeur prvue
yi : la valeur observe
ei | fi yi | : Lerreur de prvision absolue

La moyenne des erreurs absolues (La Mean Absolute Error) doit tre proche de 0 pour que le
modle soit robuste. Alors quelle est de 0,011>0.

Cela veut dire que la diffrence entre nos valeurs estimes et nos valeurs observes est
suprieure 0. En effet, la diffrence en moyenne entre les rendements prvues et les
rendements observs est de 0,011, cest--dire 1,1%. Autrement dit, les valeurs estimes sont
suprieurs de 1,1% en moyenne aux valeurs observes.

La moyenne des erreurs absolues exprimes en pourcentage (La Mean Absolute Percentage
Error) doit tre proche de 100% pour que le modle soit robuste. Alors quelle est de 116,55%
100%. Ceci veut dire que la mesure indique la non robustesse du modle de prvision.

Il est capital de prciser que la mesure la plus importante pour valuer la prcision dune
prvision est le Thiel's Inequality Coefficient.
Le Thiel's Inequality Coefficient ou le coefficient dingalit de Thiel, aussi nomm Theils
U, est un coefficient de mesure dingalit. Il quantifie le degr dingalit entre la srie
ralise et la srie prvue. Cette statistique mesure le degr de dispersion entre la srie
chronologique ralise et la srie chronologique estime par le modle.
Cette mesure est trs utile pour comparer les modles de prvision :
Un coefficient proche de 0 indique une galit absolue, par consquent le modle de
prvision est fiable.
35

Un coefficient proche de 1 indique une ingalit absolue ou proportionnalit ngative


entre la srie estime et la srie observe, par consquent le modle de prvision est
peu fiable.
Pour dterminer la source dingalit, il est dusage de dcomposer ce coefficient dingalit
en trois proportions :
Proportion de biais (biais proportion) mesure lexistence de lerreur systmatique
Proportion de variance (variance proportion) mesure le pouvoir du modle de
prvision rpliquer le dgre de variabilit de la variable endogne.
Proportion de covariance (covariance proportion) mesure lerreur non systmatique,
idalement elle doit tre la plus leve.
La dcomposition permet didentifier la source de lerreur de prvision
Dans notre cas, le coefficient dingalit est de 0,95, donc proche de 1. Ceci veut dire quil
ya une grande ingalit entre la srie prvue par le modle et la srie ralise. Mais do
provient cette ingalit?
La proportion de biais est de 0,0172%, proche de 0, ceci veut dire quil ny a pas
derreur systmatique dans la prvision.
La proportion de la variance est de 92,167%, donc lingalit provient essentiellement
de la variance.
La proportion de la covariance est 7,8170%, donc il ya trs peu derreur non
systmatique dans la prvision.
La rentabilit observe a fluctu beaucoup plus que ne le prvoit le modle. Notre modle est
incapable de suivre le degr de variabilit trs lev de notre srie observe.
Il sensuit que le modle retenu aprs lapplication rigoureuse de lapproche conomtrique,
savoir le modle MA(3)-EGARCH(1,1) est peu fiable pour prvoir la dynamique des
rentabilits du CAC40. En effet, mme si ce dernier est bien pour prvoir la moyenne, il est
cependant incapable de prvoir la variabilit leve de la dynamique.

36

Ce rsultat est en concordance avec la ralit des marchs qui stipule que les modles
dterministes conomtriques sont peu fiables pour prvoir les rentabilits des indices
boursiers.
Le pouvoir prvisionnel des modles GARCH peut tre augment avec lintroduction de la
mmoire longue.
En effet notre modle repose sur lhypothse dabsence dautocorrlation long terme de la
variable endogne. Notre modle est un processus mmoire courte. Une piste plus
approfondie serait la modlisation avec des modles mmoire longue, c'est--dire des
modles intgrs fractionnaires (reposant sur la cointgration fractionnaire) ARFIMA pour la
moyenne et FIGARCH pour la variance conditionnelle. Ces modles ont un pouvoir
prvisionnel plus lev et suivent mieux la variabilit de la variable endogne.

37

II- LA SIMULATION DE MONTE-CARLO


Lalternative simple utiliser la modlisation est la simulation de Monte-Carlo qui consiste
simuler plusieurs scnarios des cours et rentabilits.
Dans ce chapitre, nous commencerons par une prsentation succincte du mouvement
brownien gomtrique, avant de prsenter le code VBA de la fonction de la rentabilit
simule ainsi que la fonction du cours simul.
Aprs le tirage de 1000 scnarios en utilisant les fonctions prsentes, on a procder ltude
minutieuse de ces scnarios en dtectant les trois scnarios cls, savoir :
Le meilleur scenario: celui qui maximise le ratio de Sharpe, autrement dit, celui qui
possde le ratio de Sharpe maximum.
Le pire scenario : cest-a-dire celui qui minimise le ratio de Sharpe, autrement dit,
cest celui qui possde le ratio de Sharpe minimum
Le scnario moyen : il sagit ici de la moyenne quotidienne des cours simul et non
pas dun scnario en tant que tel. Lide ici est davoir une vision moyenne de nos
1000 scnarios possibles.
2.1 LE MOUVEMENT BROWNIEN GEOMETRIQUE
La mthode de Monte-Carlo repose sur la gnration dun grand nombre de tirages dune loi
de probabilit donne. Dans le cas des rendements des actifs financiers, la loi statistique la
plus approprie est le mouvement brownien gomtrique.
En effet, il est admis que les prix des actifs financiers suivent un mouvement brownien
gomtrique not GBM (Gemotrical Brownien Motion) dont la drive et la volatilit sont
constantes.
Ce mouvement est donn par lquation suivante:

dSt
dt dWt
St

Avec

dSt
est la variation locale, gnralement considre comme la rentabilit.
St

38

Cette relation est une quation diffrentielle stochastique (EDS). Elle exprime le fait que la
variation des prix dSt comprend un composante dterministe dt gale son esprance
mathmatique et une composante stochastique dWt desprance nulle et de variance dt :
est appel le terme de drive ou de tendance (drift en anglais), le paramtre de diffusion et
la variance instantane.
Aprs les dveloppements mathmatiques de notre quation diffrentielle, on trouve la
solution suivante :
St St 1 exp

) t

tU

avec :
U N (0,1)

U suit une loi normale standard de moyenne 0 et dcart type 1.

2.2 CODES VBA DE LA SIMULATION DES COURS FUTURS DU CAC40


On peut ajouter des fonctions Excel avec le code VBA (fonction return simul et fonction
cours simul) et les utiliser plusieurs fois afin de simuler plusieurs scnarios pendant la
priode souhaite comme on peut utiliser un code VBA qui simule lui-mme plusieurs
scnarios.
Le Code VBA de la fonction return simul
Function Taux_return_CAC40(mu, sigma, dt)
epsilon = WorksheetFunction.NormSInv(Rnd)
Taux_Return_CAC40 = (mu - sigma ^ 2 / 2) * dt + sigma * epsilon * Sqr(dt)
End Function
Le Code VBA de la fonction cours simul
Function cours_simul(spot_initial, return_simul)
cours_simul = spot_initial * Exp(return_simul)
End Function
39

Le Code VBA de la simulation Monte-Carlo


Option Base 1
Sub SimulationsCAC40()
' Paramtrage du sous-jacent
S0 = 3500
mu = -0.0245
sigma = 0.25
' Paramtres de simulation
Nb_Points = 522
dt = 1 / Nb_Points
Nb_Simuls = 1000
For i = 1 To Nb_Simuls
Spot = S0
For j = 1 To Nb_Points
taux_return = Taux_Return_CAC40(mu, sigma, dt)
Spot = Spot * Exp(taux_return)
Workbooks("Simulation_Projet").Worksheets("Cours_simuls").Range("A1").Offset(j, i) =
Spot
Next j
Next i
End Sub
Dans notre cas on a utilis le cours (spot) du 17 aot 2012 et la moyenne (mu) et lcart type
(sigma) du 03 avril 2000 au 17 aout 2012.
2.3 ETUDE DES SCENARIOS
Avant dtudier les scnarios, il nous parat utile de prsenter les rendements et les cours des
dix premiers scnarios :

40

Rentabilits des 10 premiers scnarios


0,6
Scnario 1

0,4

Scnario 2
Scnario 3

rentabilits

0,2

Scnario 4
Scnario 5

0
0

50

100

150

200

250

300

Scnario 6
Scnario 7

-0,2

Scnario 8

-0,4

Scnario 9
Scnario 10

-0,6

jours

FIGURE 22: RENDEMENTS DES 10 PREMIERS SCENARIOS

Cours des 10 premiers scnarios


6000

5000

Scnario 1
Scnario 2

Cours

4000

Scnario 3
Scnario 4

3000

Scnario 5
Scnario 6

2000

Scnario 7
Scnario 8

1000

Scnario 9
Scnario 10

0
0

50

100

150

200

250

300

jours

FIGURE 23: COURES DES 10 PREMIERS SCENARIOS

Les statistiques descriptives des rendements de ces 10 premiers scnarios se prsentent


comme suit :

Moyenne
Volatilit
Min
Max
Mdiane
Skewnes
Kurtosis

-0,00785934
0,125135141
-0,41475729
0,40445046
-0,01194253
0,091535239
1,226681898

Ratio de sharpe

-0,06311299

-0,01130169
0,1140719
-0,41203473
0,35395704
-0,00888952
-0,11668546
0,74108554

-0,00863192
0,10407276
-0,32700226
0,25202279
-0,00336428
-0,25408179
0,23391327

-0,00882076
0,11866797
-0,42292839
0,36134617
-0,00298085
-0,2731026
1,16378643

0,009300689
0,111659754
-0,33129364
0,353968173
0,006193966
0,1289989
0,182029904

-0,0033607
0,10521562
-0,40718764
0,33722195
-0,00686285
-0,07532706
1,26205764

0,00141221
0,10775815
-0,38520809
0,47130808
0,0063008
-0,09598999
2,04466272

-0,00650692
0,11926825
-0,39324122
0,34759031
-0,00465225
-0,08798209
0,78898053

-0,00940195
0,1180295
-0,31296772
0,43910678
-0,00926113
0,21809024
0,84208557

-0,002892098
0,112688986
-0,432952573
0,385533175
-0,002911522
-0,062195367
1,09827024

-0,099411 -0,08330937 -0,0746543 0,082951773 -0,03230522 0,01274982 -0,05487827 -0,07998226 -0,026004427

FIGURE 24: STATISTIQUES DESCRIPTIVES DES 10 PREMIERS SCENARIOS

Le choix des scnarios est fait sur la base du ratio de sharpe appliqu sur les scnarios qui est
de :
41

RScnario rf

scnario

Avec :
RScnario : le rendement moyen du scnario
rf : le taux d'interet sans risque

scnario : l'cart type des rendements du scnario


2.3.1 LE MEILLEUR SCENARIO
Le meilleur scenario est celui qui maximise le ratio de sharpe. Autrement dit, cest celui qui
possde le ratio de sharpe maximum. Ce scnario est le scnario n 569 de nos 1000
scnarios. Les rendements de ce scnario sont prsents dans lannexe 2.

Rentabilits du meilleur scnario


0,5
0,4
0,3
0,2
0,1
0
-0,1 0

Scnario 569

50

100

150

200

250

-0,2

-0,3
-0,4

-0,5

FIGURE 25: RENDEMENTS DU MEILLEURS SCNNARIO

FIGURE 26: COURS DU MEILLEUR SCENARIO

42

300

2.3.2 LE PIRE SCENARIO


Le pire scenario est celui qui minimise le ratio de sharpe. Autrement dit, cest celui qui
possde le ratio de sharpe minimum. Ce scnario est le scnario n 823 de nos 1000 scnarios.
Les rendements de ce scnario sont prsents dans lannexe 3.

FIGURE 27: RENDEMENTS DU PIRE SCNARIO

FIGURE 28: COURS DU PIRE SCENARIO

2.3.3 LE SCENARIO MOYEN : LA MOYENNE DES SCENARIOS


Il sagit ici du scnario moyen qui nest rien dautre que la moyenne de tous les scnarios. Il
sagit du scnario le plus important de lanalyse car il reprsente les cours et rentabilits
esprs. Les rendements de ce scnario sont prsents dans lannexe 4.

43

FIGURE 29: RENTABILITS MOYENNES ESPRES

FIGURE 30: COURS MOYENS ESPERES

44

III-TECHNIQUES D'ASSURANCE DE PORTEFEUILLE:


PRSENTATION ET APPLICATIONS
Les techniques dassurance de portefeuille permettent de limiter la perte de valeur dun
portefeuille en cas de baisse du march, tout en lui permettant de profiter de la hausse du
march. La garantie contre la baisse nest pas gratuite, le gain en cas de hausse ne
reprsentera quune fraction des profits raliss par le march.
Deux techniques principales seront tudies dans ce chapitre :

La technique dite CPPI (Constant Proportion Portfolio Insurance)

La technique dite OBPI (Options Based Portfolio Insurance)

Dans ce chapitre, nous allons commencs par la prsentation du background thorique de


chaque technique avant de procder la mise en uvre pratique qui, elle se scinde en deux
parties :
-

La premire est lapplication aux trois cas de figures simplifis: sans tendance,
tendance haussire et tendance baissire, afin dexpliquer les enjeux de chaque
mthode.

La deuxime est lapplication de chaque mthode sur les cours simuls du CAC40 du
deuxime chapitre. Il sagira des trois scenarios: pire, meileur et moyen.
3.1 LA TECHNIQUE CPPI
3.1.1 BACKGROUND THORIQUE

La technique CPPI pour but lallocation dynamique en parallle de deux portefeuilles dans
lobjectif dassurer un montant minimum (plancher) :
Le portefeuille effectivement gr, dont la valeur en date t, note V(t), correspond a la
somme de la position S(t) qui est celle de linvestisseur sur lactif risqu et de la
position M(t) quil dtient en actif sans risque.
Un portefeuille fictif qui se dcompose en un plancher P que lon supposera constant
toute au long de notre analyse et un coussin C(t)amen varier au cours du temps.

45

Formellement :
V (t ) S (t ) M (t )
V (t ) C (t ) P(t )

avec :
S (t ) : cours du spot l'instant t
M(t) : cours de l'actif sans risque l'instant t
C(t) : coussin ou caussien l'instant t
P(t) : plancher l'intant t (le montant du capital qu'on cherche assurer)

Comme son nom lindique la mthode CPPI a pour objectif de maintenir une proportion
constante dexposition au risque. Cet objectif est atteint en maintenant une position en actif
risqu proportionnel au coussin. Le niveau dexposition fix ex-ante par linvestisseur en
fonction de ces prfrences est donn par le rapport :

m*

S (t )
C (t )

Le m* porte le nom de multiple.


La valeur du multiple dtermine la composition du portefeuille de linvestisseur : compte tenu
dune mise de fonds initiale V0 et du plancher quil souhaite garantir P, la valeur du coussin
est de C(t) = m*S(t)
Cette valeur du coussin implique :
Une position sur lactif risqu : S (t ) C(t ) m *
Une position sur lactif sans risque : M (t ) V (t ) S (t )
Bien entendu, les variations que va tre amen connaitre le cours de lactif risqu sur la
priode de gestion vont impliquer une modification de la composition du portefeuille initial,
afin de respecter le niveau dexposition m* initialement fix.
Il convient de considrer titre illustratif le cas dune hausse de lactif risqu : la hausse
induite de la valeur du portefeuille implique une augmentation de la valeur du coussin dans la
mesure o le plancher demeure fixe. Pour maintenir le niveau dexposition en actif risqu au
46

seuil m*, le montant plac en actif risqu doit tre augment tandis que la position sur lactif
sans risque diminue.
La CPPI sattache garantir chaque instant une valeur minimale du portefeuille (le
plancher). On achte lactif risqu lorsque son prix augmente et on le vend lorsque son prix
baisse, donc, on achte la hausse en esprant plus de hausse et on vend la baisse en
craignant plus de baisse. Ce qui revient prciser quil sagit bien dune stratgie de type
momentum. Ce qui nous permet de lisser les variations de prix.
Dun point de vue pratique, le maintien strict du multiple son niveau cible m* est un objectif
totalement inatteignable et quoi quil en soit trop couteux ds lors quexistent des cots de
transaction. La pratique courante est de dfinir un seuil de tolrance en-dca duquel une
variation de lactif risqu ne se traduit pas par une recomposition du portefeuille.
Formellement:
soient :
Vt : valeur du portefeuille l'instant t
Pt : valeur du plancher l'instant t
Ct : valeur du coussin a l'instant t
x : position en bons (actif sans risque)
y : position en spot (actif risqu)
et : exposition en spot l'instant t

On a le systme de base suivant:


Vt xBt ySt

Vt Pt Ct

Pt xBt
Ct Vt Pt

et Ct * m
Lexposition lactif risqu est un multiple au coussin. m est le multiple (gnralement
suprieur 1).

47

Il est fondamental de prciser que si le coussin suit un mouvement brownien gomtrique, sa


distribution sera lognormale, et ainsi la probabilit pour que le coussin soit suprieur 0 sera
de 1, cest--dire on sera sr que le coussin est positif, ce qui veut dire que la mthode CPPI
offre bien une garantie de capital.
Par ailleurs, nous allons dmontrer que le coussin suit un mouvement brownien gomtrique
et ainsi sa probabilit pour quil soit suprieur 0 est 1 et lar consquent la valeur du
portefeuille est au moins gale la valeur du plancher : P(Ct 0) 1 Vt Pt
A chaque instant t, la dynamique de la stratgie, cest dire Vt est la suivante:
dVt (Vt et )

dBt
dS
et t
Bt
St

Il convient de Dvelopper cette relation pour aboutir au constat cite au dessus :

dCt dVt dPt


dCt (Vt et )

dBt
dS
et t dPt
Bt
St

dCt (Vt mCt )

dBt
dS
mCt t rPdt
t
Bt
St

dCt (Vt mCt )

dBt
dS
dB
mCt t (Vt Ct ) t
Bt
St
Bt

dCt (Vt mCt Vt Ct )


dCt (mCt Ct )

dBt
dS
mCt t
Bt
St

dBt
dS
mCt t
Bt
St

48

Puisque :
la dynamique de l'ASJ est de :

dBt
rdt
Bt

la dynamique du ZC est de :
Alors, dCt Ct (1 m)

dSt
dSt
dt dwt mCt
mCt dt mCt dwt
St
St

dBt
dSt
mCt
Bt
St

devient : dCt Ct (1 m)rdt mCt dt mCt dwt


dCt (Ct r Ct mr mCt ) dt ( mCt ) dwt
dCt ( r mr m )Ct dt (m )Ct dwt

dCt r m( r ) Ct dt (m )Ct dwt


On conclue que Ct suit un mouvement brownien gomtrique, donc :
r m( r )
Ct MBG

en appliquant le lemme d'to; on trouve :


Ct C0 e

1
( r m ( r ) m ) t m wt
2

donc sa distribution est log normale et nous en dduisons que :


P(Ct 0) 1 et mCt 0
On conclue que le coussin C t est systmatiquement positif, il s'ensuit que la mthode CPPI offre
une garantie sur le capital (plancher garantie).
VT Pt Ct
VT G Ct
VT G

Proprits:
1
( ) t wt
St
e 2
S0
m

1
( m m ) t mwt
( 12 )t wt
St
2
e
e
S
0

on en dduit que :
m

S ( ( m 1) r 12 ( m m ) )t
Ct C0 t e
S0
m

St ( r m ( r ) 12 ( m m ) )t
Ct C0 e
S0

dSt St dt t St dwt
il est dmontr que :
1

S ( m 1) r 2 ( m m ) 0 ( )d
Ct C0 t e
S0
m

comme m > 1, Ct est une fonction dcroissante de la volatilit ralise ( )d .


0

49

3.1.2 CPPI EN PRATIQUE


Lanalyse prcdente suppose que la trajectoire de lactif sous-jacent est continue. Dans ces
conditions, nous avons P(Ct 0) 0 . Donc le coussin est systmatiquement positif et ainsi
lexposition lactif risqu. Il sensuit quon est dans une situation dassurance parfaite. Or,
cette situation nest pas raliste car elle suppose une gestion parfaitement continue (le grant
ragit instantanment aux fluctuations du march) et une absence des sauts.
Dans le but de se rapprocher de la ralit, o la gestion des grants nest pas parfaitement
continue, on considre le modle prcdent en temps discret avec une priode de
rebalancements dt, ceci aboutit la formule suivante dvolution de la valeur du portefeuille :
Vt dt Vt (Vt et )

Bt dt Bt
S St
et t dt
Bt
St

avec : Bt dt Bt (1 rdt ) et par consquent : Pt dt Pt (1 rdt )

Il sensuit quon se donne les valeurs initiales pour les paramtres : V0 , B0 et S0 .


Le grant garantie un capital G maturit T. Nous avons donc, P0 G(1 rdt )T / dt
3.1.3 APPLICATIONS
Afin dassimiler la mise en uvre pratique de la technique CPPI, nous allons tout dabord
tester la technique laide dune discrtisation simple pour bien comprendre les enjeux. Il
sagit de trois cas de figure simplifis : un premier cas de volatilit sans tendance, un
deuxime de tendance haussire et un troisime de tendance baissire. Ensuite nous testerons
la CPPI sur des scnarios ralistes (pire, meilleur et moyen) obtenus par la simulation de
Monte-Carlo pour cerner plus globalement le comportement de la CPPI.
Fixons pour tous les cas de figures et scnarios:
P = 1000

B0 P(1+r)2 980,30

V0 = 1000

S0 1000

Multiple (m) =5
Seuil de tolrance = 10% (on ne rebalance le portfeuille que si et seulement si le
multiple sort de lintervalle borne par 5,5 et 4,5)
50

En pratique, nous utilisons les formules suivantes:


post
Vt etex ante (Vt etex
).
1

Pt
Pt 1

Ct Vt Pt
etex ante
Ct

post
etex ante etex
.
1

St
St 1
etex post 0

Si

Ct 1 0

Alors

Si

Ct 1 0

Alors il y'aura a 2 cas :

Si (1 Tol ).m0 m (1 Tol ).m0


Sinon

Alors

etex post mt 1.Ct 1

etex post m0 .Ct


3.1.3.1 APPLICATION SUR 3 CAS DE FIGURES

Considrons trois cas de figures simplifis afin dexpliquer le comportement de la CPPI :


volatilit sans tendance, tendance haussire et tendance baissire.
Cas 1: Volatilit sans tendance

t
0
0,25
0,5
0,75
1
1,25
1,5
1,75
2

Date

Plancher
980,30
3 mois 982,74
6 mois 985,19
9 mois 987,64
1 an
990,10
15 mois 992,57
18 mois 995,04
21 mois 997,52
2 ans 1000,00

PF
actions
1000
1050
950
1020
920
1050
980
1020
950

Coussin
19,70
24,43
12,56
17,06
8,53
14,46
9,50
11,34
7,34

51

Multiple
5
4,23
8,80
3,95
9,02
3,36
7,11
4,36
7,20

Exposition Exposition
ex-ante
ex-post
98,52
98,52
103,45
122,17
110,53
62,78
67,40
85,28
76,92
42,63
48,65
72,32
67,50
47,49
49,43
56,71
52,82
36,69

CPPI
1000
1007,17
997,74
1004,69
998,62
1007,03
1004,54
1008,86
1007,34

CPPI : cas de la volatilit sans tendance


1100,00

Valeurs

1050,00

1000,00

Plancher
PF actions

950,00

CPPI
900,00
850,00
3 mois 6 mois 9 mois

1 an 15 mois 18 mois 21 mois 2 ans

FIGURE 31: CPPI EN CAS DE LA VOLATILITE SANS TENDANCE

Dans ce cas, notre portfeuille vaut 1007,34 euros dans les deux ans. Ce qui veut dire que nous
sommes arrivs garantir le capital de 1000 euros et gagner 7,34 dans un march sans
tendance.
Cas 2 : Tendance haussire

t
0
0,25
0,5
0,75
1
1,25
1,5
1,75
2

Date

Plancher
980,30
3 mois 982,74
6 mois 985,19
9 mois 987,64
1 an
990,10
15 mois 992,57
18 mois 995,04
21 mois 997,52
2 ans
1000,00

PF
actions
1000
1020
1010
1040
1030
1060
1050
1080
1100

Coussin
19,70
21,48
20,21
23,01
21,68
24,62
23,21
26,29
28,47

52

Mult
5
4,68
5,26
4,52
5,26
4,53
5,25
4,54
4,70

Exposition Exposition
ex-ante
ex-post
CPPI
98,52
98,52
1000
100,49
107,39
1004,22
106,34
101,06
1005,40
104,06
115,06
1010,65
113,95
108,38
1011,77
111,54
123,08
1017,18
121,92
116,05
1018,25
119,37
131,47
1023,81
133,91
142,34
1028,47

CPPI : cas de tendance haussire


1120,00
1100,00
1080,00

Valeurs

1060,00

1040,00

Plancher

1020,00

PF actions

1000,00

CPPI

980,00

960,00
940,00

920,00
3 mois 6 mois 9 mois

1 an 15 mois 18 mois 21 mois 2 ans

FIGURE 32: CPPI EN CAS DE LA TENDANCE HAUSSIERE

Dans ce cas, notre portefeuille vaut 1028,47 euros dans les deux ans. Ce qui veut dire que
nous sommes arrivs garantir le capital de 1000 euros et gagner 28,47euros grce la
tendance haussire du march.
Cas 3: Tendance baissire

T
0
0,25
0,5
0,75
1
1,25
1,5
1,75
2

Date

Plancher
980,30
3 mois 982,74
6 mois 985,19
9 mois 987,64
1 an
990,10
15 mois 992,57
18 mois 995,04
21 mois 997,52
2 ans
1000,00

PF
Actions
1000
980
990
960
970
940
950
920
900

Coussin
19,70
17,54
18,26
15,31
15,95
13,33
13,90
11,57
10,20

53

Mult
5
19,00
4,85
5,78
4,85
5,80
4,84
5,82
5,55

Exposition Exposition
ex-ante
ex-post
CPPI
98,52
98,52
1000
96,55
87,69
1000,27
88,58
91,29
1003,44
88,52
76,55
1002,95
77,34
79,77
1006,05
77,30
66,64
1005,89
67,35
69,52
1008,94
67,32
57,85
1009,09
56,59
50,99
1010,20

CPPI : cas de tendance baissire


1020,00
1000,00
980,00

Valeus

960,00
940,00

Plancher

920,00

PF Actions

900,00

CPPI

880,00

860,00
840,00
3 mois 6 mois 9 mois

1 an

15 mois 18 mois 21 mois 2 ans

FIGURE 33: CPPI EN CAS DE TENDANCE BAISSIERE

Dans ce cas, notre portefeuille vaut 1010,20 euros dans les deux ans. Ce qui veut dire que
nous sommes arrivs garantir le capital de 1000 euros et gagner 10,20 euros malgr la
tendance baissire du march.
Il est capital de rappeler que notre stratgie est momentum: si des retournements sont
frquents et que lexposition est trs leve, cela devient problmatique.
En effet, ds le multiple 45, la stratgie narrive pas garantir le plancher de 1000 euros:

t
0
0,25
0,5
0,75
1
1,25
1,5
1,75
2

Date

Plancher
980,30
3 mois 982,74
6 mois 985,19
9 mois 987,64
1 an
990,10
15 mois 992,57
18 mois 995,04
21 mois 997,52
2 ans
1000,00

PF
Actions
1000
980
990
960
970
940
950
920
900

Coussin
19,70
-0,19
-0,20
-0,20
-0,20
-0,20
-0,20
-0,20
-0,20

54

Mult
45
19,00
4,85
0,00
0,00
0,00
0,00
0,00
0,00

Exposition Exposition
ex-ante
ex-post
CPPI
886,68
886,68
1000
868,94
-0,94
982,55
-0,95
0,00
984,99
0,00
0,00
987,44
0,00
0,00
989,90
0,00
0,00
992,37
0,00
0,00
994,84
0,00
0,00
997,32
0,00
0,00
999,80

Valeus

CPPI : cas de tendance baissire (avec un


multiple de 45)
1020,00
1000,00
980,00
960,00
940,00
920,00
900,00
880,00
860,00
840,00

Plancher
PF Actions

CPPI

3 mois 6 mois 9 mois

1 an

15 mois 18 mois 21 mois 2 ans

FIGURE 34: CPPI EN CAS DE TENDANCE BAISSIERE AVEC MULT=45

Dans ce cas, notre portefeuille vaut 999,80 euros dans les deux ans. Ce qui veut dire que nous
ne sommes pas arrivs garantir le capital de 1000 euros.
3.1.3.2 APPLICATION SUR LES COURS SIMULES DU CAC 40
Il sagit ici dappliquer la technique CPPI sur les cours simuls du CAC40 en supposant que
le cours du future CAC40 est exactement gal au cours du spot CAC40. Nous utiliserons les
scnarios des cours simuls trouvs dans le chapitre 2.
Le pire scenario des cours simuls du CAC40

CPPI (cas du pire scnario)


1004,00
1002,00
1000,00
Valeurs

998,00

996,00

Plancher

994,00

CPPI

992,00
990,00
988,00
0

50

100

150

200

250

300

Jours

FIGURE 35: CPPI APPLIQUE SUR LES COURS SIMULES DU PIRE SCENARIO

55

On garantie notre capital lchance pour ce multiple de 5 et pour nimporte quel multiple.
Ceci sexplique par la priode de rebalancements qui est dune sance boursire au lieu de
trois mois dans les cas simplifis ci-dessous.
Le meilleur scnario des cours simuls du CAC40

CPPI (cas du meilleur scnario)


1004,00
1002,00
1000,00
Valeurs

998,00

996,00

Plancher

994,00

CPPI

992,00
990,00
988,00
0

50

100

150

200

250

300

Jours

FIGURE 36: CPPI APPLIQUE SUR LES COURS SIMULES DU PIRE SCENARIO

La stratgie garantie le capital lchance pour ce multiple de 5 et pour nimporte quel


multiple. Ceci sexplique par la priode de rebalancements qui est dune sance boursire au
lieu de trois mois dans les trois cas simplifis ci-dessous.
La moyenne des cours simuls du CAC40

CPPI (cas du scnario moyen)


1015,00
1010,00

Valeurs

1005,00

1000,00

Plancher
CPPI

995,00
990,00
985,00
0

50

100

150

200

250

Jours

FIGURE 37: CPPI DANS LE CAS DU SCENARIO MOYEN

56

300

Mme dans le cas du scnario moyen, on arrive garantir notre plancher de 1000 euros pour
ce multiple de 5 et pour nimporte quel multiple.
On peut conclure que la valeur dun portefeuille gr par la CPPI dpend de trois facteurs :
Le multiple : plus le multiple est lev, plus lexposition lactif risqu est leve, et
plus notre rsultat est trs troitement li aux variations de lactif risqu.
La priode de rebalancements : plus la priode est courte, plus la stratgie est fiable,
plus on rebalance le portefeuille, plus on est sr de garantir le plancher lchance.
La volatilit: plus la volatilit est leve, plus la frquence de rebalancements est
leve afin de maintenir son multiple dans son intervalle de tolrance et viter de subir
de grosses pertes.
3.2 LA TECHNIQUE OBPI
3.2.1 BACKGROUND THEORIQUE
Les techniques dassurance de portefeuille optionnelles ou a base doption OBPI sont des
structures simples permettant de garantir le capital dun portefeuille dactifs risqus. La
premire mthode, savoir OBPI put a t introduite et conceptualise par Leland et
Rubinstein en 1976.
Il existe trois types des techniques OBPI dont les montages de base sont les suivants :
OBPI put : sous-jacent (bnfice de la hausse) + put (garantie la baisse)
OBPI call : zro coupon (garantie de capital) + call (le droit de bnficier en cas de
hausse)
OBPI rplication : zro coupon + sous-jacent
Notons Vt pour 0 <t< T la valeur de la stratgie OBPI que ce soit base de put ou de call.
Nous supposons que le capital garanti Ft est gal la valeur initiale V0 de la stratgie.
OBPI call
La stratgie OBPI call a un payoff en T dfini par :
Vt V0 g *( ST FT ) avec g

V0 FT
appel le gearing. Ce dernier correspond la part de
C0

call qui est possible dacqurir avec le reliquat V0 FT .


57

Il est capital de souligner que cette stratgie garantit de faon certaine le capital initial V0
lchance si le march est baissier.
Si le march est haussier, la stratgie permet de profiter sensiblement de la hausse hauteur
de V0 g *(ST FT ) .
OBPI put
La stratgie OBPI put a un payoff en T dfini par:
VT

V0
* ST ( K ST )
S0 P0

La stratgie garantie de faon certaine le ratio

K
du capital initial V0 si le march est
S0 P0

infrieur K.
Pour garantir 100% du capital initial V0 , il est ncessaire dacheter un put avec un strike K
gal S0 P0 . Formellement :
K
1 lorsque k=S0 P0
S0 P0

Si le march est suprieur K : ( ST K ( K ST ) 0 , la stratgie va profiter sensiblement


de la hausse hauteur de VT ST *

V0
(cas gnral).
S0 P0

Dans le cas o la garantie est de 100% du capital intial : la participation la hausse


devient ST *

V0
.
K

Il convient de signaler que si le Strike augmente, la garantie augmente car on va vendre notre
sous-jacent un prix suprieur, mais en contrepartie le put est plus cher ce qui rduit la
participation la hausse.
La principale limite est lorsque le produit driv sur le sous-jacent gr nexiste pas, cest le
cas lorsque le sous-jacent garantir est un portefeuille allou activement par le grant. Il
nexiste pas alors de produits drivs standards.

58

La solution est, soit de demander aux spcialistes de la structuration de crer ce produit


driv sur mesure, soit de rpliquer soit mme la stratgie optionnelle laide dune allocation
en actif montaire et sous-jacent. Cependant, cette rplication nassurera pas parfaitement le
portefeuille.
Partant de la stratgie OBPI et utilisant le modle de Black & Scholes pour le put, nous
obtenons :
Vt St Pt St Ke rf (T t ) N (d 2 ) St N (d1 )
St (1 N ( d1 )) Ke rf (T t ) N ( d 2 )
St N ( d1 ) Ke rf (T t ) N ( d 2 )

Cette expression est trs importante dans le sens o elle nous permet de dterminer les
allocations du portefeuille OBPI en actions et actif montaire permettant de rpliquer lOBPI
put. Plus prcisment, on investie :
La part

St N (d1)
en actions
St PT

Le reste Vt

St N (d1)
en actif montaire
St PT

Pour viter des rebalacements trs frquents, il est recommand dajouter une tolrance
quantifiant lcart entre lancienne allocation en actions et la nouvelle en dessous duquel il
ny a pas de rebalancement.
Enfin, il est ncessaire de dfinir un horizon avant duquel la garantie nest pas assure.
3.2.2 APPLICATIONS
Pour bien comprendre la mise en uvre pratique des techniques OBPI, nous allons tout
dabord tester la technique laide de la discrtisation simple pour bien comprendre les
enjeux. Il sagit exactement des trois cas de figures simplifis : un premier cas de volatilit
sans tendance, un deuxime de tendance haussire et un troisime de tendance baissire.
Ensuite nous testerons ces techniques optionnelles sur des scnarios ralistes (pire, meilleur
et moyen) obtenus par la simulation de Monte-Carlo pour cerner plus globalement le
comportement de ces techniques OBPI. Ensuite nous comparerons les payoffs de ces
stratgies les unes avec les autres.
59

Fixons la volatilit 15% pour les exemples qui vont suivre. Pour lOBPI call, le gearing est
gal 23,66%.
Pour lOBPI put, nous avons fix le strike 1100 pour obtenir une garantie de 100%.

K
1100

1
S0 P0 1000 100
Avec sigma=8,84% et K = 1100 on a un put qui coute 100. Ainsi on a obtenu la garantie de
100%.
3.2.3.1 APPLICATION SUR LES TROIS CAS DE FIGURES

Cas 1: Volatilit sans tendance


OBPI Call & OBPI Put
t

Date

Plancher

PF actions

Call

Dbut

980,30

1000,00

46,59

1000,00

100,01

1000,00

0,25

3 mois

982,74

1050,00

73,04

1013,63

66,66

1015,14

0,5

6 mois

985,19

950,00

16,02

991,96

139,59

990,53

0,75

9 mois

987,64

1020,00

40,79

1004,89

82,83

1002,56

1 an

990,10

920,00

3,48

991,57

170,01

990,91

1,25

15 mois

992,57

1050,00

44,93

1011,57

57,74

1007,03

1,5

18 mois

995,04

980,00

4,58

996,98

115,51

995,92

1,75

21 mois

997,52

1020,00

5,66

999,91

78,21

998,37

2 ans

1000,00

950,00

0,00

1000,00

150,00

999,99

60

OBPI Call Put

OBPI put

OBPI call & put : cas de la volatilit sans tendance


1100,00

Valeurs

1050,00

Plancher

1000,00

PF actions
OBPI Call

950,00

OBPI put

900,00

850,00
Dbut

3 mois

6 mois

9 mois

1 an

15 mois 18 mois 21 mois

2 ans

FIGURE 38: OBPI CALL & PUT DANS LE CAS DE LA VOLATILITE SANS TENDANCE

Notre portefeuille gr avec lOBPI call vaut exactement 1000 euros dans les deux ans. Ce
qui veut dire que nous sommes arrivs garantir le capital de 1000 euros.
Notre portefeuille gr par lOBPI Put vaut 999,99 euros dans les deux ans. Ce qui veut dire
que nous ne sommes pas arrivs garantir le capital de 1000 euros par cette technique.
OBPI rplication
Action ex- Action ex- OBPI
Date

Plancher

PF actions ante

post

(rplication)

Dbut

980,30

1000,00

0,29

0,29

1000,00

3 mois

982,74

1050,00

0,42

0,42

1022,67

6 mois

985,19

950,00

0,12

0,12

1012,95

9 mois

987,64

1020,00

0,28

0,28

1035,54

1 an

990,10

920,00

0,03

0,03

1034,88

15 mois

992,57

1050,00

0,32

0,32

1083,23

18 mois

995,04

980,00

0,04

0,04

1082,84

21 mois

997,52

1020,00

0,05

0,04

1087,25

1000,00

950,00

2 ans

1089,96
61

OBPI rplication: cas de la volatilit sans


tendance
1150,00

Titre de l'axe

1100,00

1050,00
1000,00

Plancher

950,00

PF actions

900,00

OBPI (rplication)

850,00
800,00

Dbut 3 mois 6 mois 9 mois 1 an

15
mois

18
mois

21
mois

2 ans

FIGURE 39: OBPI REPLICATION DANS LE CAS DE LA VOLATILITE SANS TENDANCE

Notre portefeuille gr par lOBPI rplication vaut 1089,96 euros dans les deux ans. Ce qui
veut dire que nous sommes arrivs garantir le capital de 1000 euros et gagner 89,96 euros
dans un march sans tendance.
Cas 2 : la tendance haussire
OBPI Call & OBPI Put
t

Date

Plancher

PF actions

Dbut

980,30

1000,00

46,59

1000,00

100,01

1000,00

0,25

3 mois

982,74

1020,00

52,88

1005,10

85,33

1004,84

0,5

6 mois

985,19

1010,00

41,30

1002,65

91,21

1001,10

0,75

9 mois

987,64

1040,00

53,54

1010,28

69,08

1008,25

1 an

990,10

1030,00

39,75

1006,91

74,07

1003,69

1,25

15 mois

992,57

1060,00

52,70

1014,85

51,16

1010,14

1,5

18 mois

995,04

1050,00

34,38

1009,58

54,68

1004,25

1,75

21 mois

997,52

1080,00

46,87

1017,34

29,04

1008,21

2 ans

1000,00

1100,00

100,00

1042,29

0,00

999,99

62

Call

OBPI Call Put

OBPI put

FIGURE 40: OBPI CALL ET PUT DANS LE CAS DE LA TENDANCE HAUSSIERE

Notre portefeuille gr avec lOBPI call vaut exactement 1042,29 euros dans les deux ans. Ce
qui veut dire que nous sommes arrivs garantir le capital de 1000 euros et gagner 42,29
euros dans un march baissier.
Notre portefeuille gr par lOBPI Put vaut 999,99 euros dans les deux ans. Ce qui veut dire
que nous ne sommes pas encore arrivs garantir le capital de 1000 euros par cette technique.
OBPI rplication
Action ex- Action ex- OBPI
Date

Plancher

PF actions ante

post

(rplication)

Dbut

980,30

1000,00

0,29

0,29

1000,00

3 mois

982,74

1020,00

0,33

0,29

1007,65

6 mois

985,19

1010,00

0,28

0,29

1006,51

9 mois

987,64

1040,00

0,35

0,29

1017,09

1 an

990,10

1030,00

0,28

0,29

1015,99

15 mois

992,57

1060,00

0,36

0,29

1026,50

18 mois

995,04

1050,00

0,26

0,29

1025,45

21 mois

997,52

1080,00

0,37

0,29

1035,88

2 ans

1000,00

1100,00

1038,46
63

OBPI rplication : cas de la tendance


haussire
1150,00

Valeurs

1100,00
1050,00

Plancher

1000,00

PF actions

950,00

OBPI (rplication)

900,00

FIGURE 41: OBPI REPLICATION DANS LE CAS DE LA TENDANCE HAUSSIERE

Notre portefeuille gr avec lOBPI call vaut exactement 1038,46 euros dans les deux ans. Ce
qui veut dire que nous sommes arrivs garantir le capital de 1000 euros et gagner 38,46
euros dans un march haussier.
Cas 3 : La tendance baissire
OBPI Call & OBPI Put
PF
t

Date

Plancher

Actions

Dbut

980,30

1000,00

46,59

1000,00

100,01

1000,00

0,25

3 mois

982,74

980,00

31,68

996,14

114,42

994,93

0,5

6 mois

985,19

990,00

31,09

998,34

106,29

996,62

0,75

9 mois

987,64

960,00

14,65

993,83

131,43

992,20

1 an

990,10

970,00

12,75

995,49

123,10

993,73

1,25

15 mois

992,57

940,00

3,03

993,85

152,52

993,20

1,5

18 mois

995,04

950,00

1,33

995,60

144,77

995,24

1,75

21 mois

997,52

920,00

0,00

997,52

177,25

997,50

2 ans

1000,00

900,00

0,00

1000,00

200,00

999,99

64

Call

OBPI Call

Put

OBPI put

FIGURE 42: OBPI CALL & PUT DANS LE CAS DE LA TENDANCE BAISSIERE

Notre portefeuille gr avec lOBPI call vaut exactement 1000 euros dans les deux ans. Ce
qui veut dire que nous sommes arrivs garantir le capital de 1000 euros dans un march
baissier.
Notre portefeuille gr par lOBPI Put vaut 999,99 euros dans les deux ans. Ce qui veut dire
que nous ne sommes pas encore arrivs garantir le capital de 1000 euros par cette technique.
OBPI rplication
Action ex- Action ex- OBPI
Date

Plancher

PF actions ante

post

(rplication)

Dbut

980,30

1000,00

0,29

0,29

1000,00

3 mois

982,74

980,00

0,22

0,29

995,86

6 mois

985,19

990,00

0,22

0,29

1000,61

9 mois

987,64

960,00

0,11

0,11

999,33

1 an

990,10

970,00

0,10

0,11

1002,73

15 mois

992,57

940,00

0,03

0,11

1001,38

18 mois

995,04

950,00

0,01

0,01

1003,98

21 mois

997,52

920,00

0,00

0,01

1006,05

2 ans

1000,00

900,00

1008,55
65

FIGURE 43: OBPI REPLICATION DANS LE CAS DE LA TENDANCE BAISSIERE

Notre portefeuille gr avec lOBPI rplication vaut 1008,55 euros dans les deux ans. Ce qui
veut dire que nous sommes arrivs garantir le capital de 1000 euros et mme gnrer un
bnfice de 8,55 euros dans un march baissier.
On peut aisment conclure les points suivants :

La technique OBPI put narrive en aucun cas garantir exactement le capital initial de
1000 euros.
La technique OBPI call donne plus de profit lorsquil sagit dun march haussier.

Les techniques OBPI rplication sont prfrables dans le cas du marchs sans tendance
et le cas du march baissier.

66

3.2.3.2 APPLICATION SUR LES COURS SIMULES DU CAC40

Il sagit ici dappliquer les technique OBPI sur les cours simuls du CAC40 en supposant que
le cours du future CAC40 soit exactement gal au cours du spot CAC40. Nous utiliserons les
scnarios des cours simuls trouvs dans le chapitre 2.
Le meilleur scenario des cours simuls du CAC40
OBPI Call et Put

OBPI call et put (cas du meilleur scnario)


1200

1150

Valeurs

1100
Plancher
OBPI call
1050

OBPI put

1000

1
6
11
16
21
26
31
36
41
46
51
56
61
66
71
76
81
86
91
96
101
106
111
116
121
126
131
136
141
146
151
156
161
166
171
176
181
186
191
196
201
206
211
216
221
226
231
236
241
246
251
256
261

950

FIGURE 44:OBPI CALL ET PUT DANS LE CAS DU PIRE SCENARIO

Notre portefeuille gr avec lOBPI call vaut 1038,10 euros dans les deux ans. Ce qui veut
dire que nous sommes arrivs garantir le capital de 1000 euros et gagner 38,10 euros.
Notre portefeuille gr par lOBPI Put vaut 1030, 83 euros dans les deux ans. Ce qui veut dire
que nous sommes arrivs garantir le capital de 1000 euros et gagner 30,83 euros. Il sensuit
que lOBPI call est prfrable lOBPI put mme dans un march baissier. LOBPI call offre
de meilleures performances avec moins de volatilit tout au long de la priode
dinvestissement.

67

OBPI rplication

OBPI rplication (cas du meilleur scnario)


1200
1000

valeurs

800

600
400
200

1
10
19
28
37
46
55
64
73
82
91
100
109
118
127
136
145
154
163
172
181
190
199
208
217
226
235
244
253
262

FIGURE 44: OBPI REPLICATION DANS LE CAS DU MEILLEUR SCENARIO

Notre portefeuille gr par lOBPI rplication est de 0,77 euros dans les deux ans. Ce qui veut
dire que nous avons perdu notre capital initial de 1000 euros.
Le pire scenario des cours simuls du CAC40
OBPI call et put (cas du pire scnario)
1200

1150

Valeurs

1100
Plancher
OBPI call
1050

OBPI put

1000

1
6
11
16
21
26
31
36
41
46
51
56
61
66
71
76
81
86
91
96
101
106
111
116
121
126
131
136
141
146
151
156
161
166
171
176
181
186
191
196
201
206
211
216
221
226
231
236
241
246
251
256
261

950

FIGURE 45: OBPI CALL ET PUT DANS LE CAS DU PIRE SCENARIO

On garantie notre capital lchance par les deux stratgies sauf que lOBPI put offre de
meilleures performances avec plus de volatilit tout au long de la priode dinvestissement.
Notre portefeuille gr avec lOBPI call vaut 1037,04 euros dans les deux ans. Ce qui veut
dire que nous sommes arrivs garantir le capital de 1000 euros et gagner 37,04 euros.
Notre portefeuille gr par lOBPI Put vaut 1030, 55 euros dans les deux ans. Ce qui veut dire
que nous sommes arrivs garantir le capital de 1000 euros et gagner 30,55 euros. Il sensuit
que lOBPI call est prfrable lOBPI put mme dans le cas du pire scnario aussi. LOBPI
68

call offre galement dans ce cas de meilleures performances avec moins de volatilit tout au
long de la priode dinvestissement.
OBPI rplication

OBPI rplication (cas du pire scnario)


1200
1000

valeurs

800

600
400
200

1
10
19
28
37
46
55
64
73
82
91
100
109
118
127
136
145
154
163
172
181
190
199
208
217
226
235
244
253
262

FIGURE 46:OBPI REPLICATION DANS LE CAS DU PIRE SCENARIO

Notre portefeuille gr par lOBPI rplication est de 6,17 euros dans les deux ans. Ce qui veut
dire que nous avons perdu presque la totalit de notre capital initial de 1000 euros.
La moyenne des cours simuls:

OBPI call et put (cas du scnario moyen)


1200

Valeurs

1150

1100
Plancher

OBPI call
1050

OBPI put

1000

1
8
15
22
29
36
43
50
57
64
71
78
85
92
99
106
113
120
127
134
141
148
155
162
169
176
183
190
197
204
211
218
225
232
239
246
253
260

950

FIGURE 47: OBPI CALL ET PUT DANS LE CAS DU SCENARIO MOYEN

Notre portefeuille gr avec lOBPI call vaut 1003,08 euros dans les deux ans. Ce qui veut
dire que nous sommes arrivs garantir le capital de 1000 euros et gagner 3,08 euros.

69

Notre portefeuille gr par lOBPI Put vaut 985, 58 euros dans les deux ans. Ce qui veut dire
que nous ne sommes pas arrivs garantir le capital de 1000 euros car on perd 14,32 euros de
notre capital.
Il sensuit que lOBPI call est toujours prfrable lOBPI put dans tous les cas tudis.
LOBPI call offre toujours de meilleures performances avec moins de volatilit tout au long
de la priode dinvestissement.
OBPI rplication

OBPI rplication (cas du scnario moyen)


1010
1008

valeurs

1006
1004

1002
1000
998
996

1
10
19
28
37
46
55
64
73
82
91
100
109
118
127
136
145
154
163
172
181
190
199
208
217
226
235
244
253
262

994

FIGURE 48: OBPI REPLICATION DANS LE CAS DU SCENARIO MOYEN.

Cest le seul cas des cours simuls ou lOBPI rplication assure le capital et gnre un
bnfice.
On peut rsumer les payoffs des toutes les techniques comme suit :

Volatilit sans

OBPI call

OBPI put

OBPI rplication

CPPI

1000

999,99

1089,96

1007,34

1042,29

999,99

1038,46

1028,47

1000

999,99

1008,55

1010,10

tendance
Tendance
haussire
Tendance
baissire

70

Pire scnario
Meilleur

1037,04

1030,55

1038,1

1030,83

0,77

1000

1003,087894

985,5856312

1006,442637

1008,81

6,17

1000

scnario
Scnario
moyen

FIGURE 49: COMPARAISON DES PAYOFFS DES TECHNIQUES OBPI ET CPPI

A partir de ce tableau, on peut conclure les points suivants :


lOBPI call et la CPPI garantissent toujours le capital sous rserve dun multiple
modr pour la CPPI.
lOBPI call est toujours prfrable lOBPI put.
LOBPI put et lOBPI rplication ne garantissent pas toujours le capital.

71

CONCLUSION GNRALE
Dans le cadre de la premire problmatique de la modlisation de la dynamique des
rentabilits du CAC40, nous avons appliqu les deux mthodologies complmentaires de
modlisation, savoir ARMA et ARCH/GARCH.
Par consquent, nous avons abouti un modle de type MA(3)-EGARCH(1,1), qui modlise
la moyenne par un processus MA(3) et la variance par un processus EGARCH(1,1).
Nous avons back test notre modle tout en effectuant des tests de robustesse (la moyenne des
erreurs absolues exprime en valeur et en pourcentage et le coefficient dingalit de Thiel
(Thiel's Inequality Coefficient). Nous avons trouv une ingalit significative (TEC = 0,95)
entre la srie estime et la srie observe. Aprs la dcomposition de lingalit afin de cerner
la source de cette dernire, nous avons trouv que la source principale de lingalit est la
variance. Pour tre plus prcis, lingalit provient 95% de la variance.

En effet, la rentabilit observe a fluctu beaucoup plus que ne le prvoyait le modle. Notre
modle est incapable de suivre le degr de variabilit trs lev de notre srie observe.

Il sensuit que le modle retenu aprs lapplication rigoureuse de lapproche conomtrique,


savoir le modle MA(3)-EGARCH(1,1) est peu fiable pour prvoir la dynamique des
rentabilits du CAC40. En effet, mme si ce dernier est bien adapt pour prvoir la moyenne,
il est cependant incapable de prvoir la variabilit leve de la dynamique des rentabilits du
CAC40.
Ce rsultat est en concordance avec la ralit des marchs qui stipule que les modles
dterministes conomtriques sont peu fiables pour prvoir les rentabilits des indices
boursiers.
On sait que les modles GARCH et leurs variantes (EGARCH, TGARCH) reposent sur
lhypothse dabsence dautocorrlation long terme de la variable endogne. Ces modles
sont des processus mmoire courte.
Une solution peut tre lintroduction de la mmoire longue afin daugmenter le pouvoir
prvisionnel des modles GARCH.
Autrement dit, une piste plus approfondie serait la modlisation avec des modles mmoire
longue, c'est--dire des modles intgrs fractionnaires (reposant sur la cointgration
72

fractionnaire) ARFIMA pour la moyenne et FIGARCH pour la variance conditionnelle. Ces


modles ont un pouvoir prvisionnel plus lev et suivent mieux la variabilit de la variable
endogne.
La simulation Monte-Carlo des rendements du CAC 40 tait prsente dans le chapitre II
comme une alternative simple la modlisation.
Dans le cadre de la deuxime problmatique de la mise en ouvre pratique des techniques
dassurance de portefeuille, nous avons prsent le background thorique de ces techniques
dassurance de portefeuille OBPI et CPPI, avant de procder leur application sur une
discrtisation simple et puis sur les cours simuls du CAC40 trouvs dans le chapitre II.
La discrtisation simple tait de concevoir trois cas de figures simplifis reprsentant une
volatilit sans tendance, une tendance haussire et une tendance baissire.
Les cours simuls du CAC40 tait ceux des trois scnarios pire, meilleur et moyen. Le
scnario moyen reprsente les moyennes des cours simuls.
Les rsultats trouvs des payoffs de ces techniques nous ont amen a conclure que lOBPI call
et la CPPI garantissent toujours le capital sous rserve dun multiple modr pour la CPPI et
que lOBPI call est toujours prfrable lOBPI put.
De plus, nous avons conclue que lOBPI put et lOBPI rplication narrivent pas toujours
garantir le capital.

73

BIBLIOGRAPHIE
Andersen T., Bollerslev T. , Diebold F. et H. Ebens (2001), The distribution of realized
stock return volatility, Journal of Financial Economics, 61, 4376.
Bellalah M. (2004), Gestion de portefeuille - Analyse quantitative de la rentabilit et des
risque, PEARSON EDUCATION.
Berndt (1996), The Practice of Econometrics, ADDISON WESLEY.
Bertrand P. et Prigent J. L. (2001) Portfolio Insurance Strategies: OBPI Versus CPPI
University of CERGY Working Paper No. 2001-30, disponible sur :
http://ssrn.com/abstract=299688 or http://dx.doi.org/10.2139/ssrn.299688
Bodie Z. et Merton R. (2011), Finance, 2ime dition, PEARSON EDUCATION.
Bollerslev, T. (1986) , Generalized AutoRegressive Conditional Heteroscedasticity, Journal
of Econometrics, 31, 307327.
Bourbonnais R. (2000), Economtrie, DUNOD
Brockwell, P., et R. Davis (1990), Times Series : Theory and Methods. Springer-Verlag, 2ime
edition.
Cadoret, Benjamin, Martin, Herrard et Tanguy (2004), Economtrie applique, DE BOECK.
Campbell, J., A. Lo, et C. MacKinlay (1997), The Econometrics of Financial Markets.
Clauss P. (2011), Gestion de portefeuille- Une approche quantitative, DUNOD
Ficher B. et Perold A. (1992), Theory of constant proportion portfolio insurance, Journal of
Economics Dynamics and Control, 16, 403-426.
Geofray K. (1989) Theoritical foundations of constant proportion portfolio insurance ,
Economics Letters, 29, 345-347.
Johnston J. et Dinardo J. (1999), Mthodes conomtriques, ECONOMICA
Maller J.B. (2010), Gestion de portefeuille : Les produits structurs capital garanti,
mmoire de master 1 Universit de Cergy-Pontoise. Disponible sur http://up.sur-latoile.com/iDvL
Mignon V. et Sardic M. (2002), Economtrie des sries temporelles macroconomiques et
financires, ECONOMICA

74

Nelson D. B. (1991), Conditional Heteroskedasticity in Asset Returns: A New Approach,


Econometrica, 59, No. 2 (Mar., 1991), 347-370. Published by: The Econometric Society
Princeton University Press, Princeton, NJ
Riva F. (2008), Applications financires sous Excel en Visual Basic, 3ime
ECONOMICA

dition,

Vogelvang B. (2005) Econometrics: theory and applications with EViews. PEARSON


EDUCATION.

75

ANNEXES

Annexe 1: Test de dickey fuller augment: Augmented Dickey fuller (ADF)


Annexe 2 : Les rendements du meilleur scenario
Annexe 3 : Les rendements du pire scnario
Annexe 4 : Les rendements du scnario moyen

76

ANNEXE 1: TEST DE DICKEY FULLER AUGMENTE: AUGMENTED DICKEY


FULLER (ADF)
Dabord la fonction dautocorrlation est note AC et la fonction dautocorrlation partielle est note PAC. Qstat est la valeur de la statistique de test dabsence dautocorrlation de Ljung Box.
Il convient dtudier le corrlograme afin de dterminer lorde de retard p avant deffectuer le teste de Dickey
Fuller augment.
Prob est la probabilit daccepter lhypothse nulle de nullit des autocorrlations.

Corrlogramme de la srie LCAC40


Sample: 4/03/2000 6/07/2012
Included observations: 3117
Autocorrelation

Partial Correlation

AC

PAC

Q-Stat

Prob

|********

|********

0.997

0.997

3100.8

0.000

|********

0.994

0.019

6184.3

0.000

|********

0.991

0.036

9251.9

0.000

|********

0.989

0.030

12305.

0.000

|********

0.986

-0.031 15342.

0.000

|********

0.984

0.047

18365.

0.000

|********

0.981

0.036

21375.

0.000

|********

0.979

-0.011 24372.

0.000

|********

0.976

-0.027 27354.

0.000

|*******|

10 0.974

0.038

30324.

0.000

|*******|

11 0.972

0.018

33282.

0.000

|*******|

12 0.970

-0.017 36227.

0.000

|*******|

13 0.968

0.000

39160.

0.000

|*******|

14 0.965

-0.017 42079.

0.000

|*******|

15 0.963

-0.026 44984.

0.000

|*******|

16 0.960

-0.010 47874.

0.000

|*******|

17 0.958

-0.018 50750.

0.000

|*******|

18 0.955

-0.021 53610.

0.000

|*******|

19 0.952

0.016

56456.

0.000

|*******|

20 0.950

0.048

59289.

0.000

|*******|

21 0.948

-0.011 62109.

0.000

|*******|

22 0.945

0.005

64916.

0.000

|*******|

23 0.943

-0.015 67710.

0.000

|*******|

24 0.941

0.007

0.000

77

70490.

|*******|

25 0.938

-0.000 73258.

0.000

|*******|

26 0.936

-0.014 76012.

0.000

|*******|

27 0.933

-0.026 78751.

0.000

|*******|

28 0.931

0.034

81478.

0.000

|*******|

29 0.928

-0.000 84192.

0.000

|*******|

30 0.926

-0.007 86892.

0.000

|*******|

31 0.923

-0.042 89578.

0.000

|*******|

32 0.921

0.033

92250.

0.000

|*******|

33 0.918

-0.037 94908.

0.000

|*******|

34 0.916

0.023

97552.

0.000

|*******|

35 0.913

0.040

100184

0.000

|*******|

36 0.911

0.014

102805

0.000

La premire autocorrlation partielle est significativement diffrentes de 0, donc on retient un p = 1.


Test ADF appliqu la srie LCAC40
Modle avec constante et tendance
Null Hypothesis: LCAC40 has a unit root
Exogenous: Constant, Linear Trend
Lag Length: 1 (Fixed)
t-Statistic

Prob.*

Augmented Dickey-Fuller test statistic

-2.087276

0.5522

Test critical values:

1% level

-3.960987

5% level

-3.411249

10% level

-3.127461

*MacKinnon (1996) one-sided p-values.


Variable

Coefficient Std. Error

t-Statistic

Prob.

LCAC40(-1)

-0.002722

0.001304

-2.087276

0.0369

D(LCAC40(-1))

-0.035069

0.017913

-1.957756

0.0503

0.022697

0.011052

2.053590

0.0401

@TREND(4/03/2000)

-1.67E-07

3.34E-07

-0.500833

0.6165

P-value

du Trend > 0,05 implique quon accepte lhypothse H0 : le paramtre associ nest pas

significativement diffrent de 0. Alors le trend ne peut pas tre une variable explicative, il convient de rgresser
sans trend.
Modle avec constante et sans tendance

78

Null Hypothesis: LCAC40 has a unit root


Exogenous: Constant
Lag Length: 1 (Fixed)
t-Statistic

Prob.*

Augmented Dickey-Fuller test statistic

-2.038362

0.2704

Test critical values:

1% level

-3.432260

5% level

-2.862269

10% level

-2.567202

*MacKinnon (1996) one-sided p-values.


Variable

Coefficient Std. Error

t-Statistic

Prob.

LCAC40(-1)

-0.002501

0.001227

-2.038362

0.0416

D(LCAC40(-1))

-0.035200

0.017909

-1.965551

0.0494

0.020593

0.010222

2.014617

0.0440

P-value de

la constante <

0,05 implique quon rejette lhypothse nulle H0 : le paramtre associ est

significativement diffrent de 0. Alors la constante peut tre une variable explicative. Il sensuit de comparer la
statistique du teste ADF avec sa valeur critique 5% :
ADF stat. = -2.038362 > -2.862269 et P-value de ADF stat. = 0.2704 > 0,05
Alors on accepte lhypothse nulle de la non stationnarit. Notre srie LCAC40 est non stationnaire.
Il est indispensable de la stationnarise avec la diffrence premire avant de procder la modlisation ARMA.
Lintroduction de la diffrence premire donne la srie DLCAC40. On applique le test ADF nouveau cette
srie pour voir si elle est stationnaire.
Corrlogramme de la srie DLCAC40
Sample: 4/03/2000 6/07/2012
Included observations: 3116
Autocorrelation

Partial Correlation

AC

PAC

Q-Stat

Prob

-0.036 -0.036 4.1213

0.042

-0.043 -0.045 9.9512

0.007

-0.058 -0.062 20.503

0.000

0.036

24.450

0.000

-0.058 -0.062 35.132

0.000

*|
|
*|

|
|

*|
|

*|

|
|
|

79

0.029

-0.041 -0.046 40.291

0.000

0.027

0.023

42.626

0.000

0.035

0.024

46.351

0.000

-0.038 -0.035 50.817

0.000

10 -0.028 -0.026 53.221

0.000

11 0.017

0.009

54.113

0.000

12 0.013

0.007

54.663

0.000

13 -0.001 0.006

54.664

0.000

14 0.021

0.023

56.003

0.000

15 0.012

0.006

56.418

0.000

16 0.033

0.036

59.828

0.000

17 0.002

0.014

59.837

0.000

18 -0.034 -0.030 63.384

0.000

19 -0.047 -0.046 70.375

0.000

20 0.007

70.533

0.000

21 -0.010 -0.013 70.841

0.000

22 0.022

0.020

72.314

0.000

23 0.006

0.006

72.415

0.000

24 0.009

0.000

72.651

0.000

25 0.017

0.021

73.522

0.000

26 0.023

0.029

75.122

0.000

27 -0.048 -0.045 82.491

0.000

28 -0.000 -0.004 82.491

0.000

29 0.015

0.013

83.231

0.000

30 0.054

0.050

92.531

0.000

31 -0.042 -0.030 98.099

0.000

32 0.044

104.30

0.000

33 -0.023 -0.021 105.92

0.000

34 -0.044 -0.045 112.15

0.000

35 -0.035 -0.017 115.99

0.000

36 0.029

0.000

0.002

0.047

0.014

118.64

Les 3 premires autocorrlations partielles sont significativement diffrentes de 0, donc on retient un p = 3.


Test ADF appliqu la srie DLCAC40

Modle avec constante et tendance


Null Hypothesis: D(LCAC40) has a unit root
Exogenous: Constant, Linear Trend

80

Lag Length: 3 (Fixed)


t-Statistic

Prob.*

Augmented Dickey-Fuller test statistic

-29.16416

0.0000

Test critical values:

1% level

-3.960990

5% level

-3.411250

10% level

-3.127462

*MacKinnon (1996) one-sided p-values.


Variable

Coefficient Std. Error

t-Statistic

Prob.

D(LCAC40(-1))

-1.115024

0.038233

-29.16416

0.0000

D(LCAC40(-1),2)

0.077229

0.032320

2.389516

0.0169

D(LCAC40(-2),2)

0.031572

0.025848

1.221484

0.2220

D(LCAC40(-3),2)

-0.029162

0.017919

-1.627499

0.1037

-0.000385

0.000565

-0.681806

0.4954

@TREND(4/03/2000)

8.15E-08

3.14E-07

0.259802

0.7950

P-value du Trend = 0,7950 > 0,05 implique quon accepte lhypothse H0 : le paramtre associ nest pas
significativement diffrent de 0. Alors le trend ne peut pas tre une variable explicative, il convient de rgresser
sans trend.
Modle avec constante et sans tendance
Null Hypothesis: D(LCAC40) has a unit root
Exogenous: Constant
Lag Length: 3 (Fixed)
t-Statistic

Prob.*

Augmented Dickey-Fuller test statistic

-29.16758

0.0000

Test critical values:

1% level

-3.432262

5% level

-2.862270

10% level

-2.567203

Variable

Coefficient Std. Error

t-Statistic

Prob.

D(LCAC40(-1))

-1.114972

0.038226

-29.16758

0.0000

D(LCAC40(-1),2)

0.077196

0.032315

2.388871

0.0170

D(LCAC40(-2),2)

0.031549

0.025844

1.220773

0.2223

D(LCAC40(-3),2)

-0.029173

0.017916

-1.628334

0.1036

-0.000258

0.000282

-0.915194

0.3602

81

P-value de la constante = 0,3602 > 0,05 implique quon accepte lhypothse H0 : le paramtre associ nest pas
significativement

diffrent

de

0.

Il

convient

de

rgresser

sans

constante.

Modle sans constante et sans tendance


Null Hypothesis: D(LCAC40) has a unit root
Exogenous: None
Lag Length: 3 (Fixed)

t-Statistic

Prob.*

Augmented Dickey-Fuller test statistic

-29.15398

0.0000

Test critical values:

1% level

-2.565705

5% level

-1.940926

10% level

-1.616631

Variable

Coefficient Std. Error

t-Statistic

Prob.

D(LCAC40(-1))

-1.113870

0.038206

-29.15398

0.0000

D(LCAC40(-1),2)

0.076369

0.032302

2.364259

0.0181

D(LCAC40(-2),2)

0.030988

0.025836

1.199438

0.2304

D(LCAC40(-3),2)

-0.029454

0.017913

-1.644306

0.1002

Il faut comparer directement la statistique du test ADF avec sa valeur critique 5% :


ADF stat. = -29.15398 < -1.940926 et P-value de ADF stat. = 0.0000 < 0,05
Alors on rejette lhypothse nulle de la non stationnarit. Il sensuit que si la srie LCAC40 est non stationnaire
la srie en diffrence premire ; cest--dire la srie DLCAC40 ; est stationnaire.
Nous allons donc retenir la srie DLCAC40 pour la modlisation.

82

ANNEXE 2: LES RENDEMENTS DU MEILLEUR SCENARIO


Jour
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65

Rentabilit
Jour
0,001437275
-0,008528035
0,014405383
-0,000929339
-0,011337611
0,008759815
-0,000650881
0,058398309
-0,022381196
0,002068343
0,042830809
0,038113149
0,052648053
-0,06738904
-0,033785193
0,048181296
-0,025184116
-0,040996526
-0,0106443
-0,026114043
0,011761945
-0,030466056
0,085927313
0,051534778
-0,013905907
0,03019162
-0,079220782
-0,003739976
0,056901081
-0,010464262
0,046587887
-0,059917242
-0,047160605
0,0435449
0,061774372
0,034373994
-0,081986529
-0,012960511
0,019541222
-0,077567723
0,045905057
-0,03411452
0,091396743
0,064957622
0,051065525
-0,075564367
-0,006812054
0,153009171
-0,002985223
0,146226972
-0,035648087
0,015254149
-0,018521197
-0,048770179
-0,109481722
0,020687181
-0,073622956
-0,025318205
-0,020876199
-0,115371933
-0,031973542
-0,118147254
-0,025083547
-0,036340308
0,034870562

Moyenne
Volatilit
Min
Max
Mdiane
Skewnes
Kurtosis
Ratio de sharpe

66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130

Rentabilit
Jour
Rentabilit
Jour
-0,047182135
131
-0,036318275
-0,006545398
132
-0,134065332
0,008135366
133
0,030221968
-0,049400498
134
-0,019664208
-0,066836587
135
0,202985316
-0,039915389
136
-0,00856791
0,044612565
137
0,154806108
0,132433214
138
-0,092603662
0,001151312
139
0,150839379
0,02281294
140
-0,145973017
-0,017837628
141
-0,025596076
0,040271929
142
0,093733798
-0,017034998
143
-0,145859276
0,046950318
144
0,06147531
-0,055186735
145
0,035782171
-0,159421835
146
-0,085113075
-0,07302112
147
0,172304124
0,064877948
148
-0,063868803
-0,06513773
149
0,018464204
0,019785909
150
-0,125279018
0,062043726
151
0,145193065
0,001582737
152
-0,012103981
0,058160317
153
0,143062942
-0,138162425
154
0,102776466
-0,147806692
155
0,317679557
0,139609494
156
-0,214187423
0,035330773
157
-0,062377887
0,154113504
158
-0,21442179
-0,103777039
159
-0,207151079
-0,006184828
160
-0,050168364
0,040038903
161
0,034744437
0,076112015
162
0,044883992
-0,09711964
163
-0,040589085
-0,061790823
164
0,174304396
-0,025410693
165
0,205727132
-0,112158856
166
-0,079668814
0,037752275
167
-0,019938791
0,044104138
168
0,154360359
-0,205389024
169
0,007047467
0,114485201
170
0,069708566
-0,00886903
171
-0,065087901
0,038593606
172
0,020067516
0,319045332
173
-0,044253575
0,063605086
174
0,142371276
0,057789415
175
0,07746602
0,012875812
176
-0,08029532
0,199373939
177
0,0761265
-0,08323528
178
0,143286154
0,116909019
179
0,282152194
-0,117915046
180
0,000868061
-0,036305586
181
-0,027898224
0,268955329
182
-0,004650788
-0,042697283
183
-0,070434182
-0,063164647
184
0,009938906
-0,070993048
185
0,382137151
0,109918236
186
0,066083804
-0,079869564
187
0,043711099
0,045822229
188
0,025414278
0,050045285
189
-0,085389905
0,004914798
190
-0,136157245
0,095103461
191
0,170327116
-0,072104091
192
0,153661243
-0,015798653
193
0,105683406
0,154428334
194
-0,099003724
-0,087417988
195
0,262461506

0,01389045
0,111165685
-0,402881163
0,426943733
0,001582737
0,405508396
1,680735446
0,124608022

83

196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261

Rentabilit
-0,300499047
-0,079650888
-0,063746517
-0,16475214
-0,086203615
0,059454292
-0,241406321
0,087727719
-0,093099837
0,084366046
-0,023034235
0,076996972
0,167869979
0,016429344
0,002899295
-0,071715286
0,083470843
0,02023582
0,146244628
-0,174303645
-0,402881163
0,128722458
0,325262336
0,426943733
0,177609924
0,053683375
-0,04700985
-0,016471688
-0,17637671
0,181833975
-0,028907676
0,167728645
-0,039086969
0,262987756
0,100833209
0,07158212
-0,055596066
-0,120194912
0,173853279
0,054909437
-0,046987988
0,069284765
-0,037712709
0,018774344
0,156363267
0,036002069
0,016002009
-0,027535719
0,074291413
0,123134366
-0,108379456
-0,043633165
0,213992539
-0,078850777
-0,001161969
-0,111399973
0,285839927
0,032814769
0,025192222
0,05758488
-0,08771668
0,179687488
-0,138666611
-0,008137757
0,095727141
-0,037427259

ANNEXE 3 : LES RENDEMENTS DU PIRE SCENARIO


Jour
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65

Rentabilit Jour
0,00344907
-0,003182
-0,00153542
-0,01421406
0,00976434
0,01827635
-0,03708098
0,02476332
0,01752334
-0,00970747
-0,02883196
-0,06371269
-0,02922116
-0,01754254
-0,00658426
0,01362115
-0,00016745
0,01826776
0,02865452
-0,04384646
0,03970707
0,01994874
0,02718947
-0,01499247
-0,00925212
0,05450662
-0,01542733
0,01294178
-0,03054462
-0,06070503
-0,02369703
0,10154112
0,03097413
0,03437646
0,08774082
-0,01932942
0,00162214
0,0024401
0,00057146
0,0223855
0,04032179
0,00498268
-0,01111108
-0,14714491
-0,04113268
-0,01725715
-0,01894866
-0,06619608
-0,0139465
0,00447733
0,11094109
-0,05078598
0,05880573
-0,03394848
0,02589736
-0,08661397
-0,09135238
0,07111176
-0,06788498
-0,07962555
-0,05529836
0,02466874
0,01218009
-0,06652058
0,18230127

66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130

Rentabilit Jour
0,07927861
-0,13147061
-0,00441337
-0,16766437
0,00320626
0,03073397
0,04028781
0,02040735
0,12756434
-0,04605627
-0,04496306
-0,00080683
-0,03892365
0,13237792
-0,07705089
-0,11072996
-0,03519491
0,09854248
-0,24777057
-0,04627463
0,07514489
-0,01755095
-0,12933469
0,05050426
-0,12471811
0,005356
0,03156124
-0,11084784
-0,18094107
-0,11109751
0,04872584
0,06171284
0,1641063
-0,16942018
-0,03357802
0,02793533
0,05736245
-0,11975622
-0,12925415
-0,01087221
0,06409519
-0,12619958
-0,13945968
0,02471718
-0,19700136
0,04584634
0,0587551
-0,11739312
-0,02337652
-0,10992652
0,12297001
0,08531374
-0,03451347
0,06422826
-0,05116147
-0,04532
0,05492228
-0,00729677
0,0801355
-0,07146586
-0,06893358
-0,10168799
-0,08439553
-0,12420231
0,09781773

Moyenne
Volatilit
Min
Max
Mdiane
Skewnes
Kurtosis

-0,025029152
0,110954004
-0,433361019
0,321411212
-0,015427327
-0,161226743
1,169577556

Ratio de sharpe

-0,225926647

84

131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195

Rentabilit Jour
0,10274948
0,02700564
-0,13767481
-0,32913667
0,00777795
0,13544628
-0,09331607
-0,01192613
-0,23475726
-0,09992552
-0,03840658
0,09125787
-0,2149562
0,11548139
-0,04951931
-0,05494003
-0,08947074
-0,02926956
-0,08788215
0,00624652
0,16476006
-0,13515954
0,04169472
-0,10207781
-0,01895274
-0,17723263
0,08545674
0,05399798
0,05111476
-0,16414775
-0,18043919
0,04634593
0,0410803
0,08515321
-0,05128963
0,20514232
-0,03992393
-0,08937396
-0,18677743
-0,08456226
-0,16795928
-0,09448452
-0,05251816
-0,16588158
0,06870877
0,05778818
-0,00908904
-0,17593375
-0,1369084
-0,01392077
-0,20340211
-0,24721426
0,00847747
-0,10529861
-0,04858456
-0,03271662
0,13464987
0,15732137
0,05679832
-0,03359508
-0,05355003
-0,21290678
0,08507704
0,01005745
0,03092735

196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261

Rentabilit
0,14346759
-0,17628909
-0,21049499
-0,14033313
0,0207181
-0,27312162
-0,31919919
-0,00584261
0,31170991
0,068544
-0,14358499
0,14650432
0,0254906
-0,08460106
-0,04620359
0,27133423
-0,10782562
-0,02525023
-0,04039541
0,00244811
-0,21623736
-0,2326606
0,03672957
0,02040017
-0,1498712
-0,10359111
-0,03660031
0,31419361
0,20638598
-0,0186463
0,08725347
-0,07003833
-0,04049486
-0,0124621
0,07852394
-0,14316313
0,15013542
0,06188504
-0,43336102
-0,29455596
0,05692649
0,32141121
-0,04346391
-0,235874
0,19408745
-0,11948951
0,06598728
-0,02718625
0,03011456
-0,02100951
0,03991337
-0,19920484
-0,26355186
-0,06659802
0,06890043
0,17178955
-0,0592874
-0,2290516
-0,08052664
-0,26306164
-0,08373112
0,014602
-0,04875605
0,01053665
-0,01086198
0,01724417

ANNEXE 4 : LES RENDEMENTS DU SCENARIO MOYEN


Jour
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65

Rentabilit
moyenne
Jour
0,000478074
-0,000193525
-0,000429805
0,00036748
-7,89394E-05
0,000666591
0,000491891
-0,000668984
-0,00079829
-0,000572806
-0,001482047
0,001795296
-0,000809024
-0,001684955
-0,000755935
0,001448034
-0,002557154
-0,002627396
-0,00350962
-0,002948957
-0,000391857
0,002730605
-0,000783103
0,002118807
-0,001148814
-0,002717963
-0,003007958
-0,000943902
-0,002542687
-0,001140251
-0,003081231
-3,48956E-05
-0,000662946
-0,003022914
-0,001913402
-0,002083063
0,000475863
-0,002635961
0,001526225
-0,005086905
-0,00125105
0,001054833
-0,00346314
-0,000759925
-0,00529582
-0,003789312
-0,000625014
0,00159812
-0,000529201
-0,00389314
-0,003460139
-0,005087933
-0,006647291
-0,00256455
-0,003228552
-0,001270171
-0,0055298
-0,003649179
-0,002518862
-0,004064752
0,000958002
-0,003662386
-0,005574951
-0,001791749
-0,004186264

66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130

Rentabilit
moyenne
Jour
-0,00272692
-0,00121161
-0,00469319
-0,00889503
0,00034154
-0,00062639
-0,0024992
0,00054887
-0,00169572
-0,00865727
-0,00683485
-0,00173043
-0,00134317
-0,00491395
-0,00572775
-0,00614777
-0,00117156
-0,00635429
-0,00487174
-0,00178493
-0,00478512
-0,00900776
-0,00061471
-0,00351888
-0,00181241
0,00075583
-0,01047682
-0,00201339
-0,00216806
-0,00293439
-0,00425343
-0,00184721
-0,00450082
-0,00317632
-0,00160438
-0,00704513
-0,00586554
-0,00375037
0,00111758
-0,00670124
-0,00538065
6,189E-05
-0,0072321
-0,00675723
-0,00059845
-0,00596769
-0,002466
-0,00399117
-0,00230444
-0,00472358
-0,00766567
-0,00551872
0,000912
-0,00311002
-0,00235073
-0,0014086
-0,00465259
-0,01242886
-0,01289998
-0,008525
-0,00170252
-0,01431059
-0,01116175
-0,01308567
-0,0011122

85

131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195

Rentabilit
moyenne
Jour
-0,00860191
-0,00638793
-0,00792807
-0,00270887
-0,00810086
-0,01224358
-0,00911403
-0,00975559
-0,00446323
-0,00910223
-0,01219761
-0,0114094
-0,00696471
-0,00328871
-0,00872862
3,9866E-05
-0,0061694
-0,00537065
-0,00409718
-0,01527795
-0,00981882
-0,01164949
-0,00528446
-0,00229844
-0,00417798
-0,00202471
-0,00979839
-0,01001631
-0,0056787
-0,00462572
-0,00803462
-0,00900482
-0,0012438
-0,0103501
-0,00678547
-0,01234473
-0,01189853
-0,00959084
-0,00859293
-0,01414691
-0,0109448
-0,00670682
-0,00487666
-0,01148287
-0,00474267
-0,01065941
-0,01194042
-0,00280119
-0,00961119
-0,00720057
-0,01061488
-0,01326317
-0,00712798
-0,01419993
-0,01075567
-0,00256627
-0,00732895
-0,01320684
-0,00845759
-0,02117264
-0,00588807
-0,00939441
-0,00845903
-0,00681736
-0,00792938

196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261

Rentabilit
moyenne
-0,01007318
-0,01020209
-0,01518907
-0,01044717
-0,01453182
-0,01876817
-0,00595497
-0,00451005
-0,01171083
-0,01369452
-0,01644101
-0,00298412
-0,01406915
-0,00750475
-0,0088358
-0,00721342
-0,01877183
-0,0149369
-0,01160554
-0,01424729
-0,01816784
-0,01401108
-0,00598655
-0,01401545
-0,00740249
-0,0084971
-0,01096737
-0,00594367
-0,01030437
-0,00744019
-0,02140955
-0,01369153
-0,01782554
-0,00542556
-0,009398
-0,01011522
-0,01274739
-0,02068708
-0,00993877
-0,01014931
-0,00478024
-0,00496222
-0,01515361
-0,0133446
-0,01074392
-0,0173617
-0,00579848
-0,00905813
-0,011285
-0,00514428
-0,01520749
-0,00854514
-0,01029733
-0,01316861
-0,01421241
-0,00178416
0,00018
-0,01128479
-0,00656278
-0,01008472
-0,01241169
-0,01253367
-0,01205699
-0,00997501
-0,00904628
-0,01548666