Introduction ` a la Gestion des Risques

eme Cours ENSAI de 3` ann ee

Thierry RONCALLI
Groupe de Recherche Op erationnelle Cr edit Lyonnais thierry.roncalli@creditlyonnais.fr

Notes de cours ecrites avec la collaboration de Nicolas Baud, Sakda Hoeung et Ga el Riboulet

Octobre 2001

Table des mati` eres

Avant-Propos I Probl ematique g en erale de la gestion des risques

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1 3
5 5 6 7 9 11 11 11 13 15 15 16 17 21 21 21 21 21 22

1 Introduction historique 1.1 Quelques rep` eres th eoriques . . . . . . . . 1.2 Le d eveloppement des produits nanciers 1.3 Lhistoire r ecente des crises nanci` eres . . 1.4 L evolution de la r eglementation . . . . .

2 D enition du risque 2.1 Typologie des risques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.2 La mesure du risque . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.3 Loptimisation du couple rentabilit e/risque . . . . . . . . . . . . . . . . . . . . . . . . . . 3 Le nouvel Accord de B ale et le ratio McDonough 3.1 Les fonds propres . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.2 Le ratio Cooke . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.3 B ale II et le nouveau ratio de solvabilit e . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 La notion de Capital Economique et lallocation de fonds 4.1 La probl ematique . . . . . . . . . . . . . . . . . . . . . . . . 4.2 La notion de capital economique . . . . . . . . . . . . . . . 4.3 La construction dun mod` ele interne . . . . . . . . . . . . . 4.3.1 Lapproche bottom-up . . . . . . . . . . . . . . . . . 4.3.2 Lapproche top-down . . . . . . . . . . . . . . . . . . propres . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

II

Le risque de march e
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

25
27 28 29 29 30

5 La r eglementation prudentielle 5.1 Les textes ociels . . . . . . 5.2 Les normes g en erales . . . . . 5.3 Les crit` eres qualitatifs . . . . 5.4 Les crit` eres quantitatifs . . .

5.5

5.6

Autres consid erations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.5.1 D enition des facteurs de risque de march e . . . . . . . . . . . . . . . . 5.5.2 Traitement du risque sp ecique . . . . . . . . . . . . . . . . . . . . . . . 5.5.3 Simulations de crise . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Dispositif prudentiel de contr ole ex post li e` a lutilisation des mod` eles internes

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

32 32 33 33 34 37 37 38 39 41 41 43 43 44 45 47 50 52 55 55 56 59 59 59 60 61 61 65 66 67 67 68 71 71 72 72 75 77 78 78 80 80 80 80

6 La valeur en risque 6.1 D enition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.1.1 La VaR analytique (ou param etrique) . . . . . . . . . . . . 6.1.2 La VaR historique (ou non param etrique) . . . . . . . . . . 6.1.3 La VaR Monte-Carlo . . . . . . . . . . . . . . . . . . . . . . 6.1.4 Pertinence des mesures VaRs . . . . . . . . . . . . . . . . . 6.2 Quelques r eexions sur la VaR . . . . . . . . . . . . . . . . . . . . 6.2.1 Linterpr etation du seuil de conance . . . . . . . . . . . 6.2.2 Une explication du facteur multiplicatif (3 + ) . . . . . . . 6.2.3 Le choix de la distribution de probabilit e . . . . . . . . . . 6.2.4 Lestimation de la matrice de covariance . . . . . . . . . . . 6.2.4.1 Un exercice de backtesting . . . . . . . . . . . . . 6.2.4.2 Les approches conditionnelles de lestimation de la 6.2.5 Le probl` eme du scaling . . . . . . . . . . . . . . . . . . . . 6.2.5.1 Quelques el ements th eoriques . . . . . . . . . . . . 6.2.5.2 Un exercice de simulation . . . . . . . . . . . . . . 6.2.5.3 Conclusion . . . . . . . . . . . . . . . . . . . . . . 6.3 Les produits optionnels . . . . . . . . . . . . . . . . . . . . . . . . 6.3.1 La probl ematique . . . . . . . . . . . . . . . . . . . . . . . . 6.3.2 Les solutions . . . . . . . . . . . . . . . . . . . . . . . . . . 6.3.3 La gestion du risque des produits optionnels . . . . . . . . . 6.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 Les 7.1 7.2 7.3 7.4 7.5

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . matrice de covariance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

programmes de stress-testing Directions m ethodologiques choisies par les institutions bancaires . . . . Lapproche historique . . . . . . . . . . . . . . . . . . . . . . . . . . . . Une approche subjective : le macro stress-testing . . . . . . . . . . . . . La m ethode WCS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . La th eorie des valeurs extr emes . . . . . . . . . . . . . . . . . . . . . . . 7.5.1 Une introduction heuristique des extr emes . . . . . . . . . . . . . 7.5.2 La th eorie classique . . . . . . . . . . . . . . . . . . . . . . . . . 7.5.2.1 Pr esentation des 3 lois dextr emes . . . . . . . . . . . . 7.5.2.2 Quelques remarques sur les lois dextr emes . . . . . . . 7.5.2.3 Estimation des param` etres de la distribution GEV . . . 7.5.3 Le concept de temps de retour . . . . . . . . . . . . . . . . . . . 7.5.4 Applications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7.5.5 Le cas multidimensionnel . . . . . . . . . . . . . . . . . . . . . . 7.5.6 Annexes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7.5.6.1 Forme g en erale dune loi dextr emes . . . . . . . . . . . 7.5.6.2 Jacobien analytique de la fonction de log-vraisemblance

. . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . .

III

Le risque de cr edit
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

83
85 85 86 86 86 86

8 Pr esentation g en erale du risque de cr edit 8.1 Origine du risque de cr edit . . . . . . . . 8.2 Le march e du risque de cr edit . . . . . . . 8.2.1 Le march e des pr ets bancaires . . . 8.2.2 Le march e des obligations risqu ees 8.2.3 Les d eriv es de cr edit . . . . . . . .

9 Lapproche standard 9.1 La r eglementation prudentielle . . . . . . . . 9.2 Les pond erations . . . . . . . . . . . . . . . . 9.3 Les notations externes . . . . . . . . . . . . . 9.4 Les proc edures de r eduction des risques . . . 9.4.1 Les s uret es ou collat eraux . . . . . . . 9.4.1.1 Lapproche compl` ete . . . . . 9.4.1.2 Lapproche simple . . . . . . 9.4.2 Les garanties et les d eriv es de cr edit . 9.4.3 Autres consid erations . . . . . . . . . 9.4.3.1 Compensation de bilan . . . 9.4.3.2 Le d ecalage des maturit es . . 9.4.3.3 Lasym etrie des devises . . . 9.4.4 Quelques exemples . . . . . . . . . . . 9.4.4.1 Collateralised transactions . 9.4.4.2 On-balance sheet netting . . 9.4.4.3 Guarantees/credit derivatives

. . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

89 . 89 . 90 . 91 . 94 . 94 . 94 . 97 . 97 . 98 . 98 . 98 . 99 . 99 . 99 . 102 . 103 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105 105 105 106 106 106 107 107 108 112 121 121 121 121 121 121 122 122 122 122 122 122 122 122 124 125 125 129 133

10 La m ethode IRB 10.1 Les principes g en eraux . . . . . . . . . . . . . . . . . . . . . . 10.1.1 Le sch ema simpli ee de lapproche IRB . . . . . . . . . 10.1.2 D enition de la d efaillance . . . . . . . . . . . . . . . 10.1.3 La notation interne . . . . . . . . . . . . . . . . . . . . 10.2 Lexemple de la m ethode IRB pour les entreprises . . . . . . . 10.2.1 Formulation des pond erations de risque . . . . . . . . 10.2.1.1 Dans lapproche IRB simple . . . . . . . . . . 10.2.1.2 Dans lapproche IRB avanc ee . . . . . . . . . 10.2.2 Justication de la m ethode IRB . . . . . . . . . . . . . 10.2.3 Param` etres de la fonction de pond eration . . . . . . . 10.2.3.1 La probabilit e de d efaillance . . . . . . . . . 10.2.3.2 La perte en cas de d efaillance . . . . . . . . . 10.2.3.3 La maturit e . . . . . . . . . . . . . . . . . . 10.2.3.4 Lexposition en cas de d efaillance . . . . . . 10.2.4 Les exigences minimales d eligibilit e . . . . . . . . . . 10.3 Prolongements . . . . . . . . . . . . . . . . . . . . . . . . . . 10.3.1 Risque retail . . . . . . . . . . . . . . . . . . . . . . . 10.3.2 Risque souverain . . . . . . . . . . . . . . . . . . . . . 10.3.3 Risque banque . . . . . . . . . . . . . . . . . . . . . . 10.3.4 Risque nancement de projet . . . . . . . . . . . . . . 10.3.5 Risque equity . . . . . . . . . . . . . . . . . . . . . . . 10.4 Granularit e du portefeuille . . . . . . . . . . . . . . . . . . . . 10.4.1 La m ethodologie . . . . . . . . . . . . . . . . . . . . . 10.4.2 Exemples . . . . . . . . . . . . . . . . . . . . . . . . . 10.4.3 D erivation du coecient dajustement de granularit e . 10.4.3.1 La d etermination du coecient . . . . . . 10.4.3.2 Du coecient ` a lajustement de granularit e 10.5 Les modications du 5 novembre 2001 . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . du . .

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Comit e de B ale . . . . . . . . .

IV

Les mod` eles de risque de cr edit

137
139

11 Introduction

12 Le mod` ele de la rme 141 12.1 Le mod` ele de Merton [1974] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142 12.2 Extensions du mod` ele de Merton . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 144 12.2.1 G en eralisation de la notion de d efaut . . . . . . . . . . . . . . . . . . . . . . . . . . 144

12.2.2 Introduction de sauts dans le processus de valorisation des actifs 12.3 M ethodologie mise en place par K.M.V. Corporation . . . . . . . . . . . 12.3.1 Une mesure du risque de d efaut : la distance au d efaut . . . . . . 12.3.2 Estimation de la distance au d efaut . . . . . . . . . . . . . . . . 12.3.3 Calcul de lEDF . . . . . . . . . . . . . . . . . . . . . . . . . . . 12.4 Une application : le mod` ele CreditMetrics . . . . . . . . . . . . . . . . . . 13 Lapproche actuarielle de CreditRisk+ 13.1 La d emarche . . . . . . . . . . . . . . . . . . . . . 13.2 Mod elisation ` a taux de d efaut xes . . . . . . . . . 13.2.1 Occurrence de d efauts . . . . . . . . . . . . 13.2.2 Pertes de d efaut . . . . . . . . . . . . . . . 13.2.2.1 Proc edure de calcul et distribution 13.2.2.2 Application au cas multi-annuel . 13.3 Passage ` a des taux de d efaut al eatoires . . . . . . . 13.3.1 Incertitude des taux de d efaut . . . . . . . 13.3.2 Analyse par secteur . . . . . . . . . . . . . 13.3.3 Occurrence de d efauts . . . . . . . . . . . . 13.3.4 Distribution des pertes de d efaut . . . . . . 13.3.4.1 Pertes de d efaut . . . . . . . . . . 13.3.4.2 Relation de r ecurrence . . . . . . . 13.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . des pertes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . .

145 146 146 147 148 151 153 153 155 155 156 156 157 158 158 158 159 160 160 160 161 163 163 164 165 165 165 166 166

14 Lapproche Intensit e : une approche sous forme r eduite 14.1 Cadre de lanalyse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14.1.1 D enition de lintensit e de survie . . . . . . . . . . . . . . . . . 14.1.2 Une autre approche de lintensit e de d efaut . . . . . . . . . . . 14.2 Les di erentes repr esentations du prix de la dette risqu ee . . . . . . . 14.2.1 Premi` eres repr esentations . . . . . . . . . . . . . . . . . . . . . 14.2.2 Th eor` eme de repr esentation du prix de la dette risqu ee . . . . . 14.3 Un exemple dapplication : le mod` ele de Jarrow et Turnbull [1995]

Le risque op erationnel
. . . . . . . . . . . . . . . . (RMG) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . of . . . . . . . . . . . . . . . . . . . . . . the . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Basel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Committee on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

169
171 171 173 173 174 174 177 177 179 179 180 181 182

15 La r eglementation prudentielle 15.1 La d enition du risque op erationnel . . . . . . . . . 15.2 Les approches forfaitaires . . . . . . . . . . . . . . . 15.2.1 Basic Indicator Approach (BIA) . . . . . 15.2.2 Standardised Approach (SA) . . . . . . . 15.3 Annexe : composition du Risk Management Group Banking Supervision . . . . . . . . . . . . . . . . . . 16 Les m ethodes AMA 16.1 Lapproche IMA . . . . . . . . . . . . . . . . . 16.2 Lapproche LDA . . . . . . . . . . . . . . . . . 16.2.1 Pr esentation de la m ethode statistique 16.2.2 Robustesse de lapproche LDA . . . . . 16.3 Le mapping IMA/LDA . . . . . . . . . . . . . 16.4 Lapproche Scorecard . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Conclusion g en erale

185

Table des gures

2.1 2.2 5.1 6.1 6.2 6.3 6.4 6.5 6.6 6.7 6.8 6.9 6.10 6.11 6.12 6.13 6.14 6.15 6.16 6.17 7.1 7.2 7.3 7.4 7.5 7.6 7.7 7.8 7.9 7.10 7.11

Les di erents types de risque . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Repr esentation graphique de la valeur en risque . . . . . . . . . . . . . . . . . . . . . . . . BIS Colour frequency (taux de couverture de 99%) . . . . . . . . . . . . . . . . . . . . . . Estimation dun quantile et erreur de second type . . . . . . . . . . . . . . . . . . . . . . . Une illustration de la m ethode de Monte-Carlo . . . . . . . . . . . . . . . . . . . . . . . . Caract` ere lepto-kurtique dune distribution de probabilit e . . . . . . . . . . . . . . . . . . Distribution empirique du rendement du titre BARCLAYS . . . . . . . . . . . . . . . . . . Pond eration dune moyenne mobile exponentielle . . . . . . . . . . . . . . . . . . . . . . . Pond eration cumul ee dune moyenne mobile exponentielle . . . . . . . . . . . . . . . . . . Evolution de la valeur en risque (titre BARCLAYS) . . . . . . . . . . . . . . . . . . . . . . Backtesting avec le titre SOCIETE GENERALE . . . . . . . . . . . . . . . . . . . . . . . . D etermination de la valeur optimale pour . . . . . . . . . . . . . . . . . . . . . . . . . . Valeur optimale de pour di erents titres . . . . . . . . . . . . . . . . . . . . . . . . . . . Variance conditionnelle du rendement du titre BARCLAYS mod` ele GARCH(1,1) . . . . Corr elation conditionnelle des rendements des titres BARCLAYS et LLOYDS/TSB mod` ele BEEK GARCH(1,1) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Simulation du mod` ele ARCH . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . D etermination du scaling (mod` ele ARCH) . . . . . . . . . . . . . . . . . . . . . . . . . . . Simulation du mod` ele Hull-White . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . D etermination du scaling (mod` ele Hull-White) . . . . . . . . . . . . . . . . . . . . . . . . . Positions relatives des VaRs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Fonction de distribution de N . . . . . . . . . . . . . . . . . . . . . . . . . Linuence de la queue de distribution sur (N ) . . . . . . . . . . . . . . . Queue de distribution des rendements du titre LLOYDS/TSB . . . . . . . . Distribution jointe des rendements des titres BARCLAYS et LLOYDS/TSB . Exemples de distribution GEV (I) . . . . . . . . . . . . . . . . . . . . . . . . Exemples de distribution GEV (II) . . . . . . . . . . . . . . . . . . . . . . . Convergence de GN vers la distribution de Gumbel lorsque F est gaussienne Convergence de certaines distributions vers la distribution de Fr echet . . . . Quantile de la distribution GEV . . . . . . . . . . . . . . . . . . . . . . . . . Estimation des densit e des lois des extr emes . . . . . . . . . . . . . . . . . . Relation entre l echelle de risque et le temps de retour . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

12 13 35 40 42 46 46 48 49 49 51 52 53 54 55 57 58 58 59 60 69 70 71 72 74 74 75 76 77 79 80

9.1 9.2 10.1 10.2 10.3 10.4 10.5 10.6

Evolution de la pond eration ajust ee r en fonction de la s uret e ajust ee CA (E = 100) . . . Evolution de la pond eration ajust ee r en fonction de lexposition E (CA = 50) . . . . . .

95 96 108 109 109 114 117 117 118 118 120 129 135 135 136 144 145 147 148 149 150 150

Fonction de r ef erence BRW . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . D eriv ee premi` ere de la fonction de r ef erence BRW . . . . . . . . . . . . . . . . . . . . . . 1PD . . . . . . . . . . . . . . . . . . . . . . . . Ajustement de la maturit e 1 + 0.470 PD 0.44 Repr esentation graphique de la fonction b (PD) . . . . . . . . . . . . . . . . . . . . . . . . Inuence du seuil sur la probabilit e de d efaillance conditionnelle Pi ( = 20%) . . . . . Inuence du seuil sur la probabilit e de d efaillance conditionnelle Pi pour des valeurs donn ees de pi ( = 20%) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10.7 Inuence de la corr elation sur la probabilit e de d efaillance conditionnelle Pi ( = 99.5%) 10.8 Inuence de la corr elation sur la probabilit e de d efaillance conditionnelle Pi pour des valeurs donn ees de pi ( = 99.5%) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10.9 Fonction de r ef erence BRW (ajustement de maturit e/formule exacte) . . . . . . . . . . . . 10.10Impact des param` etres sur le coecient (valeurs par d efaut : LGD = 50%, = 99.5%, = 20% et [X ] = 2) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10.11Impact des propositions du 5 Novembre 2001 sur les pond erations en risque (I) . . . . . . 10.12Impact des propositions du 5 Novembre 2001 sur les pond erations en risque (II) . . . . . . 10.13Impact des propositions du 5 Novembre 2001 sur les corr elations (PD) . . . . . . . . . . 12.1 12.2 12.3 12.4 12.5 12.6 12.7 Eet de levier (d > 1) . . . . . . . . . . . . . Eet de levier (d < 1) . . . . . . . . . . . . . Volatilit e des actifs, secteur dactivit e et taille Expected default frequency . . . . . . . . . . EDF de Bangkok Metropolitan Bank . . . . . . EDF de Burns Philip . . . . . . . . . . . . . . Valeur de march e de Burns Philip . . . . . . . . . . . . . . . . . . . . . . . . . de lentreprise . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

13.1 Organigramme de la d emarche suivie par CreditRisk+

. . . . . . . . . . . . . . . . . . . . 154

16.1 Distribution agr eg ee avec (i, j ) LN (8, 2.2) et N (i, j ) P (50) . . . . . . . . . . . . . 180

Liste des documents distribu es en cours

1. Comit e de B ale sur le Contr ole Bancaire, Vue densemble du Nouvel Accord de B ale sur les fonds propres, Document soumis ` a consultation, Janvier 2001 2. Punjabi, S. [1998], Many happy returns, Risk Magazine, June, 71-76 3. Modalit es de Calcul du Ratio de Solvabilit e Actualisation au 31 d ecembre 2000, Commission Bancaire, Secr etariat G en eral, Service des Aaires Internationales, 31 Janvier 2001 4. Derman, E. [2001], Markets and model, Risk Magazine, 14, July, 48-50 5. Rebonato, R. [2001], Model risk : new challenges, new solutions, Risk Magazine, 14, March, 87-90 6. Turc, J. [1999], Pr esentation du march e du risque de cr edit, CDC March es, S eminaire INRIA du 8 juin 1999 7. Basel Committee on Banking Supervision, Credit Ratings and Complementary Sources of Credit Quality Information, Working Paper, 3, August 2000 8. Koyluoglu, H.U. et A. Hickman [1998], Reconcilable dierences, Risk Magazine, 11, October, 56-62 9. Finger, C.C. [1999], Conditional approaches for CreditMetrics portfolio distributions, CreditMetrics Monitor, April, 14-33 10. Wilson, T. [2001], IRB approach explained, Risk Magazine, 14, May, 87-90 11. Wilson, T. [2001], Probing granularity, Risk Magazine, 14, August, 103-106 12. Basel Committee on Banking Supervision, Working Paper on the Regulatory Treatment of Operational Risk, Working Paper, 8, September 2001 13. Frachot, A., P. Georges et T. Roncalli [2001], Loss Distribution Approach for operational risk, Groupe de Recherche Op erationnelle, Cr edit Lyonnais, Working Paper 14. Pennequin, M. [2001], Risques op erationnels : comment se pr eparer ` a la r eforme de B ale, Club Banque, F ed eration des Banques Fran caises, 27 septembre 2001

Avant-Propos
Ceci est le support ecrit qui accompagne le cours Introduction ` a la Gestion des Risques. Lexpos e oral du cours sera sensiblement di erent de ces notes. Celui-ci portera plus sur la culture nanci` ere du risque que sur les m ethodes. Les m ethodes seront abord ees de fa con plus approfondie dans deux autres cours : La Th eorie des Extr emes et la Gestion des Risques de March e et La Gestion des Risques Multiples. Cest dans ces deux cours que nous verrons la mise en uvre pratique des m ethodes avec le logiciel GAUSS. A titre indicatif, le premier cours portera sur la VaR et le stress-testing. Et nous aborderons les copulas, le risque de cr edit et le risque op erationnel dans le second cours. Les propositions de B ale pour le nouvel Accord evoluent rapidement. Par exemple, la publication le 28 septembre 2001 dun nouveau document consultatif sur le risque op erationnel modie sensiblement les propositions du 16 janvier 2001. Dans lexpos e oral, je pr esenterai les derniers travaux. Certains paragraphes du pr esent document peuvent donc etre (partiellement) obsol` etes.

La r edaction de ce document a et e faite ` a partir de di erents travaux et articles qui ont et e r ealis es au Groupe de Recherche Op erationnelle du Cr edit Lyonnais. 1. Les chapitres de la partie Le risque de march e reprennent la note [HRR] que jai r edig ee en collaboration avec Sakda Hoeung et Ga el Riboulet. 2. Les chapitres sur le mod` ele de Merton et lapproche Intensit e sont extraits du rapport de stage long de Nicolas Baud. 3. Le chapitre sur CreditRisk+ est extrait du document [R] ecrit par Ga el Riboulet. 4. La partie sur le risque op erationnel sinspire tr` es largement des di erents travaux que jai men es avec Antoine Frachot et Pierre Georges. Vous pouvez t el echarger les documents originaux ` a ladresse internet du GRO : http ://gro.creditlyonnais.fr. [B ] Baud, N. [2000], La mesure du risque de cr edit, Groupe de Recherche Op erationnelle, Cr edit Lyonnais, Rapport de Stage [BFIMR] Baud, N., A. Frachot, P. Igigabel, P. Martineu et T. Roncalli [1999], An analysis framework for bank capital allocation, Groupe de Recherche Op erationnelle, Cr edit Lyonnais, Working Paper (document disponible sur le site web du GRO) [BN] Bezat, A. et A. Nikeghbali [2000], La th eorie des extr emes et la gestion des risques de march e, GT ENSAE (document disponible sur le site web du GRO) , E., V. Durrleman, A. Nikeghbali, G. Riboulet et T. Roncalli [2000], Copulas for [BDNRR] Bouye nance : a reading guide and some applications, Groupe de Recherche Op erationnelle, Cr edit Lyonnais, Working Paper (document disponible sur le site web du GRO) [C] Costinot, A. [2000], La construction dun programme de simulation de crise, Groupe de Recherche Op erationnelle, Cr edit Lyonnais, Rapport de Stage [CRR] Costinot, A., G. Riboulet et T. Roncalli [2000], Stress-testing et th eorie des valeurs extr emes : une vision quanti ee du risque extr eme, Groupe de Recherche Op erationnelle, Cr edit Lyonnais, Working Paper (document disponible sur le site web du GRO) [FGR] Frachot, A., P. Georges et T. Roncalli [2001], Loss Distribution Approach for operational risk, Groupe de Recherche Op erationnelle, Cr edit Lyonnais, Working Paper (document disponible sur le site web du GRO) [HRR ] Hoeung, S., G. Riboulet et T. Roncalli [1999], Les risques de march e R eglementations, mesures et pratiques, Groupe de Recherche Op erationnelle, Cr edit Lyonnais, document interne [R ] Riboulet, G. [2000], Mesure du risque de cr edit dun portefeuille, Groupe de Recherche Op erationnelle, Cr edit Lyonnais, document interne

Premi` ere partie

Probl ematique g en erale de la gestion des risques

1
Introduction historique

La gestion des risques est une fonction relativement r ecente dans les banques. An de bien comprendre son evolution, il est indispensable de disposer de certains rep` eres historiques.

1.1 Quelques rep` eres th eoriques

1900 Th` ese de Louis Bachelier Th eorie de la Sp eculation. 1952 Parution de larticle Portfolio selection de Harry Markowitz dans Journal of Finance. 1964 William Sharpe invente le mod` ele CAPM. 1970 Synth` ese des travaux sur lecience des march es par Eugene Fama. 1973 Formule de valorisation dune option europ eenne de Fisher Black et Myron Scholes. 1974 Etude de lobligation risqu ee par Robert Merton. 1977 Mod` eles de taux de Vasicek et de Cox, Ingersoll et Ross. 1992 Parution de larticle dHeath, Jarrow et Morton dans Econometrica. 1994 RiskMetrics. On associe g en eralement la naissance de la th eorie nanci` ere aux travaux fondateurs de Bachelier. Ceux-ci ont et e ignor es pendant tr` es longtemps, jusqu` a leur d ecouverte par Paul Samuelson. Les ann ees 30 marquent le d ebut des recherches empiriques sur les prix des actifs avec la cr eation de la Cowles Commission for Research in Economics en 1932 et celle de la revue Econometrica par Joseph Schumpeter en 1933. Ces recherches portent plus sp eciquement sur la formation des prix, lecience du march e et la d etection de strat egies protables (cest-` a-dire sur lanticipation des cours des actions). Ce nest que dans les ann ees 50 que les chercheurs (Markowitz, Lintner, Sharpe, etc.) entreprennent des travaux cons equents sur le risque. Ceux-ci aboutissent ` a la th eorie moderne du choix de portefeuille bas ee sur les mod` eles CAPM et APT. Lann ee 1973 marque un tournant dans lhistoire nanci` ere pour deux raisons : 1. La premi` ere est la cr eation du CBOE (Chicago Board Options Exchange) avec la mise en place de m ecanismes dune chambre de compensation (clearing house). 2. La seconde est la parution de la tr` es c el` ebre formule de Black et Scholes pour valoriser une option Europ eenne. Cest le point de d epart au d eveloppement intensif des recherches concernant la valorisation (pricing) des produits d eriv es. Durant les ann ees 80 et 90, la mise en place de couverture (hedging) de ces produits sensibilise les acteurs du march e au risque (per cu comme une variation du P&L, cest-` a-dire du r esultat). A la m eme p eriode, de nouveaux outils statistiques sont mis en place dans les banques pour la s election de client` ele (credit scoring). Ces outils concernent aussi bien le risque de d efaillance (default/credit risk)

CHAPITRE 1. INTRODUCTION HISTORIQUE

que les probl` emes de tarication. LAccord de B ale de 1988 impose aussi une nouvelle vision du risque, beaucoup plus r eglementaire. La publication en 1994 de la m ethodologie RiskMetrics par JP Morgan permet une diusion tr` es large des m ethodes Value-at-Risk (VaR ou valeur en risque) aussi bien aupr` es des professionnels que des acad emiques.

1.2 Le d eveloppement des produits nanciers

Il existe plusieurs types de risque (voir le chapitre suivant). Les deux principaux sont le risque de cr edit (credit risk) et le risque de march e (market risk) en fait, le risque op erationnel (operational risk) est consid er e comme plus important que le risque de march e. Pour une premi` ere d enition, nous pouvons assimiler le risque de march e` a un risque de volatilit e des prix des actifs et le risque de cr edit au risque de d efaillance. LAccord de B ale de 1988 traite de ces deux risques pour etre pr ecis, seul le risque de cr edit etait concern e, le risque de march ea et e pris en compte plus tard. N eanmoins, il est vite apparu que le traitement r eglementaire (capital forfaitaire) du risque de march e etait mal adapt e. Les autorit es r eglementaires ont donc autoris e les banques ` a utiliser des mod` eles internes pour mesurer ce risque. Cela nest pas le cas du risque de cr edit, car le march e du cr edit navait pas (et na toujours pas) la maturit e susante pour mesurer le risque de fa con rationnelle et coh erente. Cela explique la part particuli` ere de ce cours consacr ee au risque de march e. Cependant, an de bien cerner le risque de march e, il est indispensable de conna tre les di erents produits. Lhistorique suivant est extrait de Jorion [2001] (voir la section 1.2.2) et de Crouhy, Galai et Mark [2001] (section 2 du chapitre 1). Foreign currency futures (1972) Equity options (1973) Over-the-counter currency options (1979) Currency swaps (1980) Interest rate swaps (1981) Equity index options (1983) Interest rate caps/oors (1983) Swaptions (1985) Path-dependent options (Asian, lookback, etc.) (1987) CAT options (1992) Captions/Floortions (1993) Credit default options (1994) Weather derivatives (1997) Linnovation nanci` ere a surtout concern e dans un premier temps le march e des changes (FX market). Cela sexplique par la crise p etroli` ere de 1973. Cette innovation sest rapidement transmise aux march es dactions (Equity market) et de taux dint er et (Bond market ou Interest Rate market), et dans une moindre mesure au march e des mati` eres premi` eres (Commodity market). Il faut noter que celle-ci sest faite en dehors des march es organis es (centralized exchanges). Ce sont donc g en eralement des produits trait es sur des march es de gr e` a gr e (over-the-counter markets ou OTC markets). Voyons quelques d enitions (tr` es simpli ees) des principaux produits. Un contrat ` a terme (futures) xe les caract eristiques dune transaction future : la maturit e du contrat, le cours ` a terme (forward), etc. Une option est un contrat entre deux parties par lequel lune accorde ` a lautre le droit, mais non lobligation, de lui acheter (option dachat) ou de lui vendre (option de vente) lactif support selon certaines conditions. Loption est un exemple dactif conditionnel ou dactif contingent. Voici quelques caract eristiques qui permettent de d enir le contrat : INTRODUCTION A LA GESTION DES RISQUES 6

CHAPITRE 1. INTRODUCTION HISTORIQUE

1. Le support du contrat est appel e le sous-jacent de loption. 2. Le prix convenu ` a lavance auquel peut avoir lieu la transaction est le prix dexercice (strike). 3. Si la maturit e de loption nest pas pr ecis ee, loption est dite perp etuelle. 4. Lacheteur de loption paye une prime (premium) au vendeur de loption pour le droit dexercer loption. 5. Une option dachat est un call et une option de vente est un put. 6. Si la date dexercice correspond ` a l ech eance de loption, loption est dite Europ eenne. Si lacheteur peut exercer ` a tout moment avant la maturit e de loption, nous avons une option Am ericaine. Ces deux types doption d enissent les options Vanilles (Vanilla options). Lorsquil existe plusieurs dates discr` etes dexercice, on les appelle des options Bermuda La caract erisation math ematique de loption correspond ` a la d enition de la fonction payo : European Call European Put Asian (Floating Strike) Asian (Fixed Strike) Lookback Barrier (DOC) Spread Basket (S (T ) K ) + (K S (T )) + S (T ) S + K S + (S (T ) mint0 tT S (t)) + 1[mint tT S (t)L] (S (T ) K )
0

(S1 (T ) S2 (T ) K ) + (S1 (T ) + S2 (T ) K )

Un swap est un echange de deux ech eanciers de ux futurs. Par exemple, un swap de taux xe/variable (xed/oating) est l echange dun taux xe contre un taux variable (Euribor, etc.). Un cap est un contrat qui permet ` a lacheteur de se garantir contre une hausse des taux en xant un taux plafond.

1.3 Lhistoire r ecente des crises nanci` eres

La r eglementation prudentielle en mati` ere de contr ole des risques nanciers est une cons equence des di erentes crises nanci` eres et de leur impact sur la solvabilit e des etablissements nanciers. Le chapitre 2 de Jorion [2001] pr esente un historique assez complet des d esastres nanciers r ecents. Voici quelques points de rep` ere : 1974 Herstatt Bank FX trading $4.8 Mds. 1994 Orange County Reverse repos $1.81 Mds. 1994 Metallgesellschaft Oil futures $1.34 Mds. 1994 Procter & Gamble Swaps $0.16 Mds. 1995 Barings Index Nikkei 225 futures $1.33 Mds. 1997 Natwest Swaptions $0.13 Mds. 1998 LTCM Liquidity crisis $2 Mds. Pourquoi mettre en place des m ecanismes de surveillance des etablissements nanciers par des autorit es de tutelle ? Lors de crises nanci` eres importantes (crise mexicaine, crise russe, crise asiatique, etc.), la mise en place dun pr eteur en dernier ressort sav` ere tr` es couteuse pour eviter une crise syst emique. De m eme, la d efaillance dun seul etablissement nancier peut conduire ` a une contagion aux autres etablissements nanciers ` a cause de la panique nanci` ere (Diamond et Dybvig [1983]). La mise en place dune r eglementation en mati` ere des risques vise donc dans un premier temps ` a limiter le risque syst emique, et dans un deuxi` eme temps ` a eviter les d efaillances individuelles des etablissements nanciers. ` 1.3. LHISTOIRE RECENTE DES CRISES FINANCIERES 7

CHAPITRE 1. INTRODUCTION HISTORIQUE

The Basel Committee on Banking Supervision The Basel Committee, established by the central-bank Governors of the Group of Ten countries at the end of 1974, meets regularly four times a year. It has about thirty technical working groups and task forces which also meet regularly. The Committees members come from Belgium, Canada, France, Germany, Italy, Japan, Luxembourg, the Netherlands, Spain, Sweden, Switzerland, United Kingdom and United States. Countries are represented by their central bank and also by the authority with formal responsibility for the prudential supervision of banking business where this is not the central bank. The present Chairman of the Committee is Mr. William J. McDonough, President and CEO of the Federal Reserve Bank of New York. The Committee does not possess any formal supranational supervisory authority, and its conclusions do not, and were never intended to, have legal force. Rather, it formulates broad supervisory standards and guidelines and recommends statements of best practice in the expectation that individual authorities will take steps to implement them through detailed arrangements - statutory or otherwise - which are best suited to their own national systems. In this way, the Committee encourages convergence towards common approaches and common standards without attempting detailed harmonisation of member countries supervisory techniques. The Committee reports to the central bank Governors of the Group of Ten countries and seeks the Governors endorsement for its major initiatives. In addition, however, since the Committee contains representatives from institutions which are not central banks, the decisions it takes carry the commitment of many national authorities outside the central banking fraternity. These decisions cover a very wide range of nancial issues. One important objective of the Committees work has been to close gaps in international supervisory coverage in pursuit of two basic principles : that no foreign banking establishment should escape supervision ; and that supervision should be adequate. To achieve this, the Committee has issued a number of documents since 1975. In 1988, the Committee decided to introduce a capital measurement system commonly referred to as the Basel Capital Accord. This system provided for the implementation of a credit risk measurement framework with a minimum capital standard of 8% by end-1992. Since 1988, this framework has been progressively introduced not only in member countries but also in virtually all other countries with active international banks. In June 1999, the Committee issued a proposal for a New Capital Adequacy Framework to replace the 1988 Accord. The proposed capital framework consists of three pillars : minimum capital requirements, which seek to rene the standardised rules set forth in the 1988 Accord ; supervisory review of an institutions internal assessment process and capital adequacy ; and eective use of disclosure to strengthen market discipline as a complement to supervisory eorts. Following extensive interaction with banks and industry groups, a second consultative document, taking into account comments and incorporating further work performed by the Committee, is to be issued in January 2001, with a view to introducing the new framework in 2004. Over the past few years, the Committee has moved more aggressively to promote sound supervisory standards worldwide. In close collaboration with many non-G-10 supervisory authorities, the Committee in 1997 developed a set of Core Principles for Eective Banking Supervision, which provides a comprehensive blueprint for an eective supervisory system. To facilitate implementation and assessment, the Committee in October 1999 developed the Core Principles Methodology. In order to enable a wider group of countries to be associated with the work being pursued in Basel, the Committee has always encouraged contacts and cooperation between its members and other banking supervisory authorities. It circulates to supervisors throughout the world published and unpublished papers. In many cases, supervisory authorities in non-G-10 countries have seen t publicly to associate themselves with the Committees initiatives. Contacts have been further strengthened by an International Conference of Banking Supervisors which takes place every two years, most recently in Basel. The Committees Secretariat is provided by the Bank for International Settlements in Basel. The twelve person Secretariat is mainly staed by professional supervisors on temporary secondment from member institutions. In addition to undertaking the secretarial work for the Committee and its many expert subcommittees, it stands ready to give advice to supervisory authorities in all countries. TABLE 1.1. About Basle Committee (from http ://www.bis.org)

INTRODUCTION A LA GESTION DES RISQUES

1.4 L evolution de la r eglementation

La r eglementation prudentielle a consid erablement evolu e ces vingt derni` eres ann ees sous limpulsion des travaux du Comit e de B ale. M eme si celui-ci na aucun pouvoir d ecisionnel, ses recommandations sont reprises par les di erentes autorit es de tutelle des di erents pays industrialis es. Bien s ur, il existe de petites di erences entre les textes de B ale et les textes ociels. En Europe, cest la Commission Europ eenne qui est charg ee de d enir la CAD (Capital Adequacy Directive). Mais la mise en uvre revient aux di erentes autorit es de tutuelle nationales. En France, cest la Commission Bancaire (qui est rattach ee ` a la Banque de France) qui contr ole lapplication de la CAD (en fait, une version fran caise adapt ee ` a la l egislation fran caise par le Comit e de la R eglementation Bancaire et Financi` ere CRBF). Les principales dates de l evolution de la r eglementation sont les suivantes : 1988 The Basle Capital Accord 1993 Capital Adequacy Directive 1996 Amendment to the Capital Accord to incorporate market risks 1999 A new capital adequacy framework 2001 The New Basel Capital Accord 2004 (2005 ?) Basle II

Bibliographie
[1] Amendment to the capital accord to incorporate market risks, Basle Committee on Banking Supervision, January 1996, N 24 [2] Bernstein, P.L. [1995], Des Id ees Capitales, Presses Universitaires de France, Paris [3] Crouhy, M., D. Galai et R. Mark [2001], Risk Management, McGraw-Hill [4] Diamond, D.W. et P.H. Dybvig [1983] Bank runs, deposit insurance and liquidity, Journal of Political Economy, 91(3), 401-419 [5] Jorion, P. [2001], Value at Risk : The new Benchmark for Controlling Market Risks, deuxi` eme edition, McGraw-Hill

2
D enition du risque

Il est tr` es dicile de d enir de fa con g en erale la notion de risque. Le risque est li e` a la survenance dun ev enement que lon ne peut pr evoir qui a des cons equences importantes sur le bilan de la banque. Il faut donc distinguer le caract ere al eatoire et impr evisible (qui est lorigine du risque) de lenjeu (cons equence nale).

2.1 Typologie des risques

Voici une liste non exhaustive des di erents risques que peut rencontrer un etablissement nancier : Risque de cr edit Risque de d efaillance (default risk) Risque de d egradation de la valeur de la cr eance (downgrading risk) Risque de march e Risque de taux dint er et Risque de change Risque de mod` ele Risque op erationnel Risque de d esastre Risque de fraude Risque de traitement Risque technologique Risque juridique Risque de liquidit e Risque strat egique

2.2 La mesure du risque

Le risque est li e` a la volatilit e du Mark to Market (ou valorisation au prix de march e) du portefeuille dactifs. Pendant tr` es longtemps, la mesure naturelle du risque a donc et e la volatilit e. Par exemple, dans

 CHAPITRE 2. DEFINITION DU RISQUE

GRAPHIQUE 2.1. Les di erents types de risque

le mod` ele de s election de portefeuille de Markowitz, lagent maximise son esp erance de gain pour un niveau de risque donn e, qui est mesur e par l ecart-type. Cette vision du risque nest coh erente que dans un monde gaussien. Cependant, nous savons depuis fort longtemps que lhypoth` ese de normalit e des rendements des actifs nanciers nest pas v eri ee. Actuellement, la mesure de risque qui est la plus r epandue est la valeur en risque (Value-at-Risk ou VaR). Statistiquement, ce nest rien dautre que le quantile de la perte potentielle pour un horizon donn e. Soit la variable al eatoire repr esentant la perte potentielle. Notons F la distribution de probabilit e de . Nous avons VaR = F1 () (2.1)

Deux el ements sont donc d eterminants pour calculer la valeur en risque : la distribution de probabilit e et le seuil de conance. Rating Temps de retour 1 () 1 t 4 () R eglementaire (march e) 99% 100 jours 2.33 3.75 BBB 99.75% 400 jours 2.81 5.60 A 99.9% 4 ann ees 3.09 7.17 AA 99.95% 8 ann ees 3.29 8.61 AAA 99.97% 13 ann ees 3.43 9.83

La perte moyenne E [] est d esign ee par le terme expected loss. Dans le risque de march e, le capital en risque (Capital-at-Risk ou CaR) correspond ` a la valeur en risque. Dans le risque de cr edit, il est egal a la di ` erence entre le quantile et la perte moyenne cette di erence est appel ee la perte exceptionelle (unexpected loss). Dans ce dernier cas, on suppose que les marges (et les provisions) couvrent la perte moyenne. Enn, il nous faut d enir aussi la charge en capital (capital charge) qui est fonction du capital en risque. Cette charge en capital correspond au montant eectif de fonds propres immobilis es pour assurer lop eration. INTRODUCTION A LA GESTION DES RISQUES 12

 CHAPITRE 2. DEFINITION DU RISQUE

GRAPHIQUE 2.2. Repr esentation graphique de la valeur en risque

2.3 Loptimisation du couple rentabilit e/risque

Il est dicile de nir ce chapitre consacr e au risque sans evoquer la rentabilit e. Car le but dune banque, ce nest pas de prendre le moins de risque possible, mais datteindre une rentabilit e maximale pour un risque donn e. La mesure des risques va permettre de calculer les fonds propres n ecessaires pour assurer chaque op eration nanci` ere. Cest donc un outil qui a plusieurs vocations. Il permet bien s ur de dimensionner les risques encourus en fonction du montant de ces fonds propres. Mais cest aussi un outil indispensable pour calculer des mesures de performances. Au niveau global, la mesure de performance la plus utilis ee est le rendement des fonds propres (Return on Equity ou ROE). A des niveaux beaucoup plus ns (jusquau niveau transactionel), les banques utilisent des mesures de performance ajust ee du risque (risk-adjusted performance measure ou RAPM). Par exemple, le rapport du rendement esp er e sur le capital en risque est une mesure RAPM. Il est donc important de consid erer la mesure des risques non pas uniquement comme un outil r eglementaire, mais comme un outil strat egique de d ecision pour la banque, car [...] la gestion dune banque consiste en une gestion globale et coordonn ee, sous contraintes internes et externes, de la rentabilit e et des risques li es aux activit es de ruel [2000]). l etablissement (Augros et Que

Bibliographie
[1] Artzner, A., F. Delbaen, J-M. Eber et D. Heath [1997], Thinking coherently, Risk magazine, 10, November, 68-71 [2] Artzner, A., F. Delbaen, J-M. Eber et D. Heath [1999], Coherent measures of risk, Mathematical Finance, 9, 203-228 ruel [2000], Risque de Taux dInt [3] Augros, J-C. et M. Que er et et Gestion Bancaire, Economica, Paris 2.3. LOPTIMISATION DU COUPLE RENTABILITE/RISQUE 13

[4] Guldimann, Til. [1994], RiskMetricsT M Technical Document, 2nd edition, J.P. Morgan, New York [5] Markowitz, H.M. [1987], Mean-Variance Analyses in Portfolio Choice and Capital Markets, Basil Blackwell, Oxford

3
Le nouvel Accord de B ale et le ratio McDonough

3.1 Les fonds propres

Voici le bilan simpli e dune banque ACTIF Actifs immobilis es Cr edits et pr ets titres (portfeuilles de n egociation, de placement et dinvestissement) Tr esorerie PASSIF Fonds propres Dette D ep ots

Les fonds propres (ou le capital) sont un el ements du passif dune banque. Ils regroupent : Les actions ordinaires et les certicats dinvestissement, les r eserves, le r esultat non distribu e, etc. Les autres el ements du passif dune banque sont les d ep ots, l epargne des m enages, ainsi que les dettes. A lactif, nous trouvons les cr edits et les pr ets aux m enages et aux entreprises, les services, le portefeuille de titres, etc. Le r ole des fonds propres est triple (Dubernet [1997]) : 1. Les fonds propres sont n ecessaires ` a la croissance. Les fonds propres sont le moteur de lactivit e de la banque. A cause des contraintes externes (par exemple, la r eglementation) et internes (impos ees par exemple par les actionnaires), ces fonds propres dimensionnent le risque de la banque, et donc lactivit e de la banque. La croissance de l etablissement nancier d epend donc de l evolution de son capital. Les fonds propres sont une garantie vis-` a-vis des cr eanciers. Ils servent ` a garantir lactivit e de la banque. En particulier, ils doivent permettre dabsorber les fortes pertes dues ` a des el ements exog` enes et/ou inattendus : Crise russe (risque pays d efaut de paiement), Crise asiatique (implosion des syst` emes bancaires), Crise immobili` ere (krach sp eculatif), etc.

2.

 CHAPITRE 3. LE NOUVEL ACCORD DE BALE ET LE RATIO MCDONOUGH

Ainsi plus leur niveau est elev e, plus la banque pr esente des gages de solidit e (` a activit e bancaire constante). Ces fonds propres sont un des el ements de notation de la banque (rating), note qui conditionne le co ut des ressources (de tr esorerie et de long terme). 3. Les fonds propres sont les ressources les plus ch` eres (exigence de rentabilit e). Puisque les fonds propres permettent de couvrir les risques, ils sont r emun er es. Le taux de r emun eration est appel e Return on Equity ou ROE. Lobjectif de la banque est donc dorir le ROE le plus elev e` a ses actionnaires (prendre le moins de risque et d egager la plus de r esultat net). Actuellement, celui-ci varie fortement dun etablissement nancier ` a un autre avec une moyenne autour de 15%. Notons que celui-ci a une inuence tr` es importante sur la valeur de march e de la banque (Market Value Added ou MVA) et conditionne (partiellement) la croissance externe (OPA, OPE, fusion, etc.) de l etablissement nancier.

3.2 Le ratio Cooke

En 1988, le Comit e de B ale propose un ratio international de solvabilit e qui doit permettre une meilleure ad equation des fonds propres par rapport aux risques de renforcer la solidit e et la stabilit e du syst` eme bancaire, et datt enuer les in egalit es concurrentielles entre les banques. Cest le fameux ratio Cooke (du nom du pr esident du Comit e de B ale de l epoque) qui correspond au rapport entre le montant des fonds propres et celui des encours (pond er es) EPC de cr edit. Plusieurs niveaux de fonds propres sont d enis : 1. Les fonds propres de base FP1 ou noyau dur (TIER 1). 2. Les fonds propres compl ementaires FP2 (TIER 2). 3. Les fonds propres surcompl ementaires FP3 (TIER 3). Les fonds propres de base correspondent au capital et aux r eserves. Les fonds propres compl ementaires sont plus diciles ` a d enir, mais sont principalement constitu es par des emprunts subordonn es. Selon lAccord de B ale (Basle Accord), les etablissements nanciers doivent respecter les contraintes suivantes : FP2 FP1 FP1 / EPC 4% (FP1 + FP2 ) / EPC 8% (ratio Cooke) Les encours pond er es de cr edit concerne le bilan et le hors bilan et les pond erations sont les suivantes (Bessis [1995]) : 0% pour les cr eances sur des Etats de lOCDE, 20% pour les cr eances sur les banques et les collectivit es locales dEtats de lOCDE ; 50% pour les cr eances garanties par une hypoth` eque ou cr edit bail immobilier ; 100% pour tous les autres el ements dactifs, dont les cr edits ` a la client` ele. LAccord de B ale a et e adopt e par le Parlement Europ een en 1993. La r eglementation a evolu ee progressivement pour prendre en compte les risques de march e. Contrairement au risque de cr edit, deux approches existent pour calculer les risques de march e. La premi` ere approche est une m ethode forfaitaire, alors que la seconde approche autorise les banques ` a utiliser un mod` ele interne. Lid ee principale est dinciter les banques ` a construire des mod` eles robustes pour calculer les risques de march e et donc dobtenir des exigences en fonds propres beaucoup plus r ealistes. Remarque 1 Le site internet de la Reserve Bank of New Zeland contient un exemple complet de calcul des ratios TIER 1 et TIER 2. Le lien direct est http ://www.rbnz.govt.nz/banking/regulation/0091769.html INTRODUCTION A LA GESTION DES RISQUES 16

 CHAPITRE 3. LE NOUVEL ACCORD DE BALE ET LE RATIO MCDONOUGH

3.3 B ale II et le nouveau ratio de solvabilit e

Le Comit e de B ale a publi e le 16 janvier 2001 le second document consultatif pour une r eforme (en profondeur) de la r eglementation prudentielle. Celui-ci fait suite ` a la publication en juin 1999 dun premier document consultatif et aux diverses r eactions de la profession. Dans le calendrier original de la r eforme, une seconde p eriode consultative devait avoir lieu jusquau 31 mai 2001 pour permettre la r edaction nale du nouvel Accord pour n 2001. Limpl ementation de celui-ci etait pr evu pour janvier 2004. Le calendrier original est actuellement retard e, et limpl ementation nest d esormais pr evue quen 2005 pour plusieurs raisons : Le Comit e de B ale nest pas satisfait des r eponses fournies par les banques aux questionnaires QIS (Quantitative Impact Study). La calibration aux donn ees sav` ere dicile. Il existe des d esaccords importants entre le Comit e de B ale et les associations de banques (par exemple, sur la part du risque op erationnel). Enn, plusieurs questions m ethodologiques ne sont pas r esolues. Les motivations du nouvel Accord sont multiples. La premi` ere dentre elle est la modication de lassiette des risques : FP1 + FP2 8% risque de cr edit + risque op erationnel + risque de march e Lassiette des risques int egre d esormais le risque op erationnel. Dans la version de janvier 2001, le Comit e de B ale proposait la r epartition suivante de la charge en fonds propres Type de risque Cr edit March e Op erationnel Total Exigence en FP 6% 0.4% 1.6% 8% R epartition 75% 5% 20% 100%

La seconde motivation de lAccord est de rapprocher la r eglementation des pratiques en vigueur dans lindustrie pour le pilotage des risques, an que lexigence en fonds propres sont plus sensible au risque r eel (more risk sensitive) de la banque. A terme, lid ee est dautoriser les banques, sous certaines conditions, dutiliser les mod` eles internes pour mesurer le risque de cr edit et le risque op erationnel, comme cela se fait d ej` a pour le risque de march e. [...] Le renforcement de l egalit e des conditions de concurrence et le meilleur alignement des exigences de fonds propres sur les risques sous-jacents sont [...] deux nalit es importantes du futur dispositif. [...] Le nouveau ratio permettra non seulement de faire converger le capital r eglementaire souci des autorit es de contr ole et le capital economique souci des etablissements mais aussi, au-del` a des exigences de fonds propres, de poser un v eritable cadre prudentiel pour le contr ole bancaire des prochaines ann ees (Pujal [2001]). Le nouveau dispositif se d ecompose en trois piliers : 1. First Pillar : Minimum Capital Requirement 2. Second Pillar : Supervisory Review Process 3. Third Pillar : Market Discipline Le premier pilier concerne lexigence minimale en fonds propres. Le traitement du risque de march e reste inchang e. Le traitement du risque de cr edit est revu en profondeur. Trois m ethodes sont d esormais possibles pour mesurer le risque de cr edit : Lapproche standardis ee est une version actualis ee de lapproche r eglementaire actuelle. En particulier, la classication est beaucoup plus ne et la notation externe (rating) est prise en compte. 3.3. BALE II ET LE NOUVEAU RATIO DE SOLVABILITE 17

 CHAPITRE 3. LE NOUVEL ACCORD DE BALE ET LE RATIO MCDONOUGH

Lapproche IRB (Internal Ratings Based Approach) est une m ethode de calcul bas ee sur des mesures internes des probabilit es de d efaillance (Probability of Default ou PD) et des mesures externes des autres param` etres du mod` ele. Dans lapproche IRB avanc ee, la banque estime aussi le taux de perte (Loss Given Default ou LGD), lexposition au d efaut (Exposure At Default ou EAD) et le traitement des garanties. La m ethode de calcul (relativement complexe voir le chapitre 10 page 105) est standardis ee et impos ee par le Comit e de B ale. Pour linstant, le Comit e de B ale nenvisage pas dautoriser lutilisation de mod` eles internes. Le risque op erationnel fait maintenant partie de lassiette des risques. Comme pour le risque op erationnel, le Comit e de B ale propose trois m ethodes pour le mesurer : 1. La m ethode Basic Indicator Approach (BIA). Dans ce cas, le risque op erationnel dun etablissement est appr ehend e ` a partir dun indicateur nancier. Le Comit e de B ale propose de retenir le revenu brut GI comme proxy. La charge en capital K se calcule alors tr` es facilement ` a partir de la formule K = GI (3.1)

o` u est un coecient x e par les autorit es r eglementaires. Un premier calcul du Comit e de B ale donne egal ` a 30%. 2. La m ethode Standardized Approach (SA). Dans cette approche, l etablissement nancier est divis e en business lines. Un indicateur nancier FI est alors utilis e pour calculer la charge en capital sp ecique ` a la business line i K (i) = (i) FI (i) (3.2)

La charge en capital pour la banque au titre du risque op erationnel correspond alors ` a la somme des charges en capital sp eciques : K=
i

K (i) =
i

(i) FI (i)

(3.3)

Pour linstant, le Comit e de B ale a retenu 7 business lines et nenvisage pas de prendre en compte les eets de diversication (cest-` a-dire les corr elations). 3. La m ethode Internal Measurement Approach (IMA). Cest lapproche la plus sophistiqu ee. Le Comit e de B ale a adopt e un d ecoupage matriciel du risque op erationnel. Pour une business line i et un type de risque j , la charge en capital est d enie comme lunexpected loss UL (i, j ) au seuil de conance de 99%. La formule suivante est utilis ee pour calculer UL (i, j ) : K (i, j ) := UL (i, j ) = EL (i, j ) (i, j ) RPI (i, j ) (3.4)

o` u EL (i, j ) repr esente la perte moyenne, est un facteur d echelle r eglementaire et RPI est lindice de prol de risque. Notons que le Comit e de B ale propose de calculer la perte moyenne comme le produit de trois termes : EL (i, j ) = EI (i, j ) PE (i, j ) LGE (i, j ) (3.5)

o` u EI (i, j ) est lindicateur dexposition, PE (i, j ) est la probabilit e doccurence dune perte unitaire et LGE (i, j ) est le montant de la perte unitaire. En combinant ces deux equations, nous obtenons lexpression suivante pour UL (i, j ) : UL (i, j ) = EI (i, j ) PE (i, j ) LGE (i, j ) (i, j ) RPI (i, j ) (3.6)

Parmi les 5 param` etres n ecessaires au calcul, seul est un param` etre externe fourni par les autorit es r eglementaires. Comme pour la m ethode SA, la charge en capital pour la banque au titre du risque op erationnel correspond alors ` a la somme des charges en capital sp eciques : K=
i j

UL (i, j )

(3.7)

INTRODUCTION A LA GESTION DES RISQUES

18

Depuis la publication du second document consultatif, la position du Comit e de B ale a evolu e: Les risques op erationnels pourraient repr esenter moins de 20% de lexigence en fonds propres. Lapproche IMA est remplac ee par lapproche AMA (Advanced Measurement Approach) qui pourrait etre compos ee de plusieurs m ethodes (IMA, ScoreCard, LDA, etc.). Il nest donc pas exclu que le Comit e de B ale autorise lutilisation des mod` eles internes LDA. Le second pilier concerne le processus de surveillance. Les autorit es de contr ole (la Commission Bancaire en France) disposeront dun pouvoir beaucoup plus important. Enn, le troisi` eme pilier vise ` a promouvoir une discipline de march e plus ecace (communication publique de la structure du capital, de lallocation de fonds propres, de lexposition aux risques et des pertes).

Bibliographie
[1] International convergence of capital measurement and capital standards, Basle Committee on Banking Supervision, July 1988, N 4 [2] Capital Adequacy Directive (CAD), directive 93/6/CEE du CONSEIL du 15 mars 1993 sur lad equation des fonds propres des entreprises dinvestissement et des etablissements de cr edit, Journal Ociel des Communaut es Europ eennes, N L 141/1-26 [3] Amendment to the capital accord to incorporate market risks, Basle Committee on Banking Supervision, January 1996, N 24 [4] A new capital adequacy framework, Basle Committee on Banking Supervision, June 1999, N 50 [5] The New Basel Capital Accord Consultative Document, Basle Committee on Banking Supervision, January 2001 [6] Overview of The New Basel Capital Accord Consultative Document, Basle Committee on Banking Supervision, January 2001 [7] The New Basel Capital Accord : an explanatory note Consultative Document, Basle Committee on Banking Supervision, January 2001 [8] Basel part one : the new Accord, Risk Magazine, 14, February, 24-29 [9] The new Accord delayed, Risk Magazine, 14, July, 29-31 [10] Bessis, J. [1995], Gestion des Risques et Gestion Actif-Passif des Banques, Dalloz, Paris [11] Dubernet, M. [1997], Gestion Actif-Passif et Tarication des Services Bancaires, Economica, Paris [12] Pujal, A. [2001], Un nouveau ratio de solvabilit e en 2004, Banque Magazine, 622, F evrier, 36-39

4
La notion de Capital Economique et lallocation de fonds propres

4.1 La probl ematique

Cadre danalyse : Utilisation dun mod` ele interne dallocation de fonds propres sur base economique. Objectif : Cr eation de valeur (EVA) pour les actionnaires (Shareholder Value Added analysis SVA). Moyens : Calcul de la rentabilit e economique de chaque op eration, de chaque projet (cest-` adire de la rentabilit e de chaque projet en tenant compte du montant de fonds propres capital economique consomm e).

4.2 La notion de capital economique

Chaque op eration (risqu ee) mobilise des fonds propres de la banque. Ceux-ci peuvent etre calcul es de fa con r eglementaire. Dans ce cas, on parle de fonds propres forfaitaires. Cependant, le calcul ne tient pas compte des eets de diversication, de la nature du portefeuille de la banque, de la signature (rating) de la contrepartie, etc. Ceux-ci peuvent aussi etre calcul es ` a partir de mod` eles internes, qui sont (suppos es etre) plus rationnels. Dans ce cas, on parle de fonds propres economiques (ou capital economique = mesure juste du risque).

4.3 La construction dun mod` ele interne

La valeur en risque est loutil de mesure du capital economique. Elle permet donc de savoir combien il faut allouer de capital economique ` a un nouveau projet, mais ce nest pas un mod` ele dallocation. Un mod` ele dallocation est un mod` ele qui permet dallouer de fa con eciente les fonds propres entre di erentes activit es ou di erents projets. Deux approches existent : lapproche bottom-up et lapproche top-down.

4.3.1

Lapproche bottom-up

Lapproche bottom-up peut etre consid er ee comme un mod` ele dallocation de fonds propres et/ou comme un suivi de la consommation de fonds propres. Le principe est de mesurer le capital economique au niveau le plus n, cest-` a-dire au niveau de la transaction, puis de consolider ces capitaux economiques a des niveaux moins d ` etaill es. De par sa nature, lapproche bottom-up permet eectivement de suivre la consommation en fonds propres.

CHAPITRE 4. LA NOTION DE CAPITAL ECONOMIQUE ET LALLOCATION DE FONDS PROPRES

Plusieurs questions se posent alors : Comment d ecider la r ealisation ou non dune op eration ? Comment choisir entre deux op erations ? Que faire lorsque lenveloppe allou ee est enti` erement consomm ee ? Nous voyons bien que dans ce contexte le principe de premier arriv e, premier servi ne tient plus. Une premi` ere approche consid` ere le principe dEuler. Soit un portefeuille avec un vecteur de strat egie u. Notons R la mesure de risque et K le vecteur de capital economique. Nous pouvons alors d enir une mesure de performance raisonnable par (Tasche [1999], th eor` eme 4.4) : a (u) = u R (u) Le capital economique est alors d eni par K = (Ki (u)) avec Ki (u) = ui ai (u) R (u) ui u R (u) R (u) (4.1)

(4.2)

Dans le cas dune mesure de risque de type Value-at-Risk gaussienne, nous retrouvons le principe de covariance. Une deuxi` eme approche consid` ere l egalisation des mesures de performance ajust ee du risque (RAPM) : 1. Roc (return on regulatory capital) 2. Rorac (return on risk-adjusted capital) 3. Raroc (risk-adjusted return on regulatory capital) 4. Rarorac (risk-adjusted return on risk-adjusted capital) Par exemple, la mesure RORAC est d enie par RORAC = Revenu net Capital economique (4.3)

Lid ee sous-jacente est alors de comparer cette mesure ` a une cible, et seuls les projets qui pr esentent des performances sup erieures ` a cette cible seront retenus. Consid erons M activit es relativement ind ependantes. Notons Km le capital economique allou e` a la mi` eme activit e. Soit (K) la fonction qui relie le capital economique et le RORAC. C repr esente le capital de la banque. Nous pouvons alors formaliser le probl` eme dallocation de la fa con suivante : K1 + . . . + KM C m (Km ) = m (Km ) (4.4)

A moins de consid erer lind ependance entre les di erentes activit es (ou de faire des hypoth` eses simplicatrices), lapproche bottom-up est dicile ` a utiliser pour faire un v eritable exercice dallocation de fonds propres. En fait, cette approche est beaucoup plus appropri ee pour suivre la consommation de fonds e de chaque activit e. propres, et ` a posteriori pour mesurer la v eritable rentabilit

4.3.2

Lapproche top-down

Contrairement ` a lapproche bottom-up qui consiste ` a consolider le risque du portefeuille bancaire depuis le niveau el ementaire (la transaction) jusqu` a lunit e dallocation (la ligne de m etier), lapproche topdown consiste ` a d esagr eger une information mesur ee sur lensemble du portefeuille bancaire, celle-ci etant utilis ee comme un proxy pour la mesure de risque. Concr` etement, selon la m ethodologie EaR (Earnings-at-Risk) usuellement mise en uvre dans ce contexte, le risque dune activit e est directement reli e` a la volatilit e de son r esultat. De ce point de vue, INTRODUCTION A LA GESTION DES RISQUES 22

la volatilit e est per cue comme un int egrateur de lensemble des risques associ es ` a cette activit e. Cette d emarche est une etape pr eliminaire naturelle de lallocation puisquelle adopte le point de vue a autant dactifs de lactionnaire qui investit son capital dans di erentes activit es bancaires assimil ees ` nanciers. Cest donc une m ethode proche de la th eorie du portefeuille, mais avec des particularit es li ees a lactivit ` e bancaire. Remarque 2 Vous trouverez un exemple de m ethode top-down dans larticle de Baud, Frachot, Igigabel, Martineu et Roncalli [1999].

Bibliographie
[1] Baud, N., A. Frachot, P. Igigabel, P. Martineu et T. Roncalli [1999], An Analysis Framework for Bank Capital Allocation, Groupe de Recherche Op erationnelle, Cr edit Lyonnais, Working Paper [2] Denault, M. [1999], Coherent allocation of risk capital, Swiss Federal Institute of Technology, Working Paper [3] Froot, K.A. et J.C. Stein [1998], Risk management, capital budgeting, and capital structure policy for nancial institutions : an integrated approach, Journal of Financial Economics, 47, 55-82 [4] Punjabi, S. [1998], Many happy returns, Risk, June, 71-76 [5] Tasche, D. [1999], Risk contributions and performance measurement, Zentrum Mathematik, TU M unchen, Working Paper

Deuxi` eme partie

Le risque de march e

25

5
La r eglementation prudentielle

Le d eveloppement des march es nanciers dans les ann ees 80 et surtout dans les ann ees 90, a conduit les autorit es de contr ole bancaire et les autorit es de march e ` a prendre un certain nombre de d ecisions pour r eguler ces march es. En particulier, ces d ecisions ont concern e fortement les risques de march e. Actuellement, ils existent plusieurs textes r eglementaires relatifs ` a ce sujet. Nous pouvons citer par exemple celui de la Commission Bancaire dat e du 3 Novembre 1997 et celui de la CAD [1]. Ces textes r eglementaires ont eu pour eet de pousser les etablissements nanciers ` a d evelopper des mod` eles internes de mesure de risque.

Avant de situer les enjeux pour une banque, nous devons pr eciser dans un premier temps la notion de risque de march e. Celui-ci est pr esent e de la mani` ere suivante dans le texte de la Commission Bancaire (r ef erence [3], section 1) :

Le risque de march e, d eni comme le risque de pertes sur les positions du bilan et du horsbilan ` a la suite de variations des prix de march e, recouvre : Les risques relatifs aux instruments li es aux taux dint er et et titres de propri et e du portefeuille de n egociation ; Le risque de change et le risque sur produits de base encourus pour lensemble de lactivit e de bilan et hors-bilan.

Nous remarquons tout de suite le caract` ere potentiel de la perte induit par cette d enition. Et nous voyons aussi que le p erim` etre consid er e est relativement large. Nous devons noter tout de m eme que cette perte doit etre li ee ` a des possibles variations de prix de march e.

De la m eme mani` ere que pour le risque de cr edit, les exigences de fonds propres relatives aux risques de march e sappliquent sur une base consolid ee. Pour les mesurer, les etablissements ont le choix entre deux types dapproches :

 CHAPITRE 5. LA REGLEMENTATION PRUDENTIELLE

1. lapproche standard pr esent ee dans les di erentes annexes du document [3]. Celles-ci concernent les cat egories suivantes de risques et sont additionn ees de mani` ere arithm etique ; Cat egorie de risque Risque de Taux (risque g en eral et risque sp ecique) Risque sur Titres de Propri et e (risque g en eral et risque sp ecique) Risque de Change Risque sur mati` eres premi` eres Risques optionnels P erim` etre de calcul Portefeuille de n egociation Portefeuille de n egociation Ensemble des op erations quelles appartiennent au portefeuille de n egociation ou non Ensemble des op erations quelles appartiennent au portefeuille de n egociation ou non Options associ ees ` a chacune des cat egories de risques pr ec edentes

2. ou lapproche mod` eles internes. Lutilisation de cette m ethode, subordonn ee ` a la r ealisation de certaines conditions, est soumise ` a lapprobation explicite du Secr etariat G en eral de la Commission Bancaire . Le probl` eme de lutilisation conjointe des mod` eles internes et de la m ethodologie standardis ee fait lobjet dun paragraphe dans lannexe 7 du document [3]. La position de la Commission Bancaire sur ce point est donc la suivante : Ainsi, un etablissement commen cant ` a utiliser des mod` eles pour une ou plusieurs cat egories de facteurs de risque doit en principe etendre progressivement ce syst` eme ` a tous ses risques de march e et ne peut plus, pour les risques evalu es, revenir ` a la m ethodologie standardis ee (` a moins que la Commission Bancaire ne lui ait retir e son agr ement pour ses mod` eles). La Commission Bancaire tol` ere donc lutilisation combin ee des mod` eles internes et de la m ethode standardis ee. Mais elle pr ete une attention particuli` ere ` a la permanence des m ethodes, ainsi qu` a leur evolution an de sorienter vers un mod` ele global qui tient compte de lensemble des risques de march e. Pour la banque, en plus de fournir une mesure plus juste des risques de march e, la construction dun mod` ele interne est un projet qui permet aussi dassainir son syst` eme dinformation, notamment sur le stockage et la qualit e des donn ees. Mais le v eritable enjeu concerne lexigence en fonds propres. Nous pouvons penser quune mesure plus r e echie permet de mieux mesurer la consommation en fonds propres des activit es de march e. Un mod` ele interne est donc un el ement de r eponse dans le cadre dun mod` ele dallocation de fonds propres, comme peuvent l etre les outils RAROC. La lecture des textes r eglementaires est int eressante ` a plusieurs titres. Elle permet de d egager les crit` eres d enissant un bon mod` ele selon les autorit es r eglementaires, cest-` a-dire de d enir les normes de validation. Elle permet aussi de sinterroger sur les aspects m ethodologiques et le choix dun mod` ele. Elle permet enn de repositionner les pratiques actuelles en mati` ere de gestion du risque de march e par rapport aux exigences r eglementaires.

5.1 Les textes ociels

Il existe plusieurs textes ociels relatifs ` a la r eglementation des risques de march e. En ce qui nous concerne, nous nous int eressons principalement ` a celui de la Commission Bancaire et celui de la CAD. Ce sont les deux textes (lun provenant dune autorit e de r eglementation fran caise, lautre dune autorit e europ eenne) qui sappliquent aux etablissements nanciers fran cais. La r eglementation de la Commission Bancaire a fait lobjet de plusieurs r evisions importantes qui sont pr esent ees dans larticle [2] de la Revue dEconomie Financi` ere. Dans les ann ees 80, suite ` a la d er eglementation et la lib eralisation des mouvements de capitaux, les op erations de march e ont connu un essor consid erable. Jusque l` a, les risques de march e etaient relativement peu contr ol es. Une des cons equences de la crise doctobre 1987 a et e la signature dun premier accord international (lAccord de INTRODUCTION A LA GESTION DES RISQUES 28

 CHAPITRE 5. LA REGLEMENTATION PRUDENTIELLE

B ale) sur le risque bancaire, mais celui-ci concernait plus sp eciquement le risque de cr edit, cest-` a-dire le risque de d efaillance de la contrepartie . Ce nest quen 1993 que des m ethodes standardis ees pour mesurer les risques de march e ont commenc e ` a etre propos ees dans le cadre du Comit e de B ale, sans encore faire lobjet dapplication en termes de contr ole . Sous la pression de certains ev` enements marquants du d ebut des ann ees 1990 (en particulier, la faillite de la banque Barings), de nouveaux travaux ont vu le jour, notamment lamendement ` a lAccord sur les fonds propres de 1988 concernant les risques de march e du comit e de B ale en janvier 1996. Cest sur ce texte, ainsi que sur la directive 93/6/CEE du Conseil de lUnion Europ eenne du 15 mars 1993, que sappuie tr` es fortement la r eglementation de la Commission Bancaire. Les institutions nanci` eres ont la possibilit e dutiliser leurs propres mod` eles internes de mesure de risques de march e` a la place des m ethodes standardis ees. Ces mod` eles internes doivent cependant etre valid es par lautorit e de tutelle, cest-` a-dire quils doivent respecter des normes qualitatives et des crit` eres qualitatifs et quantitatifs. Nous d eveloppons ceux-ci dans les paragraphes qui suivent.

5.2 Les normes g en erales

Les mod` eles internes doivent remplir les conditions minimales suivantes (section 1 de lannexe 7 du document [3]) : le syst` eme de gestion des risques de l etablissement repose sur des principes sains et mis en uvre de mani` ere int` egre ;

l etablissement poss` ede en nombre susant de personnel quali e pour lutilisation de mod` eles elabor es non seulement dans le domaine de la n egociation, mais aussi dans ceux du contr ole des risques, de laudit interne et, du postmarch e; les mod` eles de l etablissement ont fait la preuve sur une dur ee signicative quils mesurent les risques avec une pr ecision raisonnable ; l etablissement eectue r eguli` erement des simulations de crise selon les modalit es pr ecis ees ` a la section 5.5.3. Dans la m eme section, la Commission Bancaire pr ecise la proc edure de soumission du mod` ele et les modalit es dutilisation : Lutilisation des mod` eles internes pour le calcul de lexigence prudentielle en fonds propres est soumise ` a lapprobation pr ealable de la Commission Bancaire, apr` es une p eriode de suivi et de test en situation r eelle.

5.3 Les crit` eres qualitatifs

Les syst` emes de gestion des risques de march e doivent respecter certains crit` eres qualitatifs. Les cons equences sont relativement importantes, puisque le degr e de conformit e` a ces crit` eres peut conditionner le niveau du multiplicateur. Seuls les etablissements les respectant int egralement pourront pr etendre au multiplicateur minimal. Ce multiplicateur (qui correspond au (3 + ) de la formule 5.1 page 31) intervient dans le calcul de lexigence de fonds propres et doit etre consid er e comme un param` etre de p enalisation. Lensemble des crit` eres qualitatifs est pr esent e dans le paragraphe 2 de lannexe 7 du document [3]. Nous pr esentons ici un r esum e de ces di erents crit` eres : a. L etablissement nancier doit disposer dune unit e de contr ole des risques, responsable de la conguration et de lexploitation du syst` eme de gestion des risques, ind ependante des unit es de n egociation. Elle doit etablir et analyser des rapports quotidiens sur les r esultats produits par les mod` eles ainsi quune evaluation de lutilisation des limites de n egociation et rend compte directement ` a lorgane ex ecutif de l etablissement. b. Cette unit e doit eectuer r eguli` erement ( au moins trimestriellement ) des contr oles ex-post. ERALES 5.2. LES NORMES GEN 29

 CHAPITRE 5. LA REGLEMENTATION PRUDENTIELLE

c. d.

Lorgane d elib erant et lorgane ex ecutif doivent etre activement associ es au processus de contr oles des risques et le consid erer comme un aspect essentiel de lactivit e de l etablissement. Les rapports quotidiens doivent etre revus par des responsables disposant de lexpertise et de lautorit e susantes pour exiger au besoin une r eduction des positions prises par un op erateur voire une diminution du degr e dexposition global de la banque. Les mod` eles internes doivent etre etroitement int egr es ` a la gestion journali` ere des risques. Le syst` eme de mesure des risques doit etre utilis e conjointement avec les limites op erationnelles. Un programme rigoureux de simulations de crise doit r eguli` erement compl eter lanalyse des risques fond ee sur les r esultats quotidiens des mod` eles internes. Lorsque ses conclusions font appara tre une vuln erabilit e particuli` ere ` a un ensemble donn e de circonstances, des mesures appropri ees doivent etre prises rapidement pour r eduire ces risques. Les etablissements doivent disposer dun programme de v erication du respect des r` egles et proc edures internes relatives au fonctionnement du syst` eme de mesure des risques. Ce syst` eme fait lobjet dune documentation d ecrivant les principes de base et le d etail des techniques de mesure utilis ees. Une analyse ind ependante du syst` eme de mesure des risques doit etre eectu ee r eguli` erement dans le cadre du processus dun audit interne de l etablissement. Elle doit porter ` a la fois sur les activit es des unit es de n egociation et sur celles de lunit e ind ependante de contr ole des risques. R ealis ee ` a intervalles r eguliers, si possible annuellement, elle doit couvrir au minimum : le caract` ere ad equat de la documentation concernant le syst` eme et les processus de mesure des risques ; lorganisation de lunit e de contr ole des risques ; lint egration des mesures des risques de march e dans la gestion journali` ere des risques ; les proc edures dagr ement des mod` eles et syst` emes de valorisation ; la validation de toute modication signicative du processus de mesure des risques ; la couverture par le mod` ele des di erents risques de march e; la abilit e et lint egrit e du syst` eme dinformation et des tableaux de bord destin es aux responsables ; la pr ecision et lexhaustivit e des donn ees relatives aux positions ; le contr ole de la coh erence, de la mise ` a jour et de la abilit e des donn ees utilis ees dans les mod` eles internes ainsi que de lind ependance des sources ; lexactitude et la pertinence des hypoth` eses en mati` ere de volatilit e et corr elations ; la v erication de la pr ecision des mod` eles par le biais danalyses ex-post fr equentes.

e. f. g.

h.

i.

Plusieurs commentaires peuvent etre faits sur ces crit` eres qualitatifs. Tout dabord, la Commission Bancaire insiste fortement sur lorganisation du syst` eme des risques et notamment sur lunit e de contr ole. Sans fournir la structure d esir ee du syst` eme, elle indique des signaux forts pour lunit e de contr ole concernant son ind ependance, son pouvoir et sa comp etence. La Commission Bancaire insiste aussi sur la transparence des mod` eles. Ils doivent notamment faire lobjet dune description ecrite d etaill ee et doivent etre aliment es par des bases de donn ees ables.

5.4 Les crit` eres quantitatifs

Le choix des mod` eles est laiss e aux etablissements nanciers. Mais ils doivent respecter un certain nombre de r` egles, qui sont d ecrites dans le paragraphe 5 de lannexe 7 du document [3] : 1. 2. 3. La perte potentielle est calcul ee quotidiennement. Le niveau de conance unilat eral requis est de 99%. Il est appliqu e un choc instantan e sur les prix equivalent ` a une variation sur dix jours correspondant a une p ` eriode de d etention de dix jours ouvr es. 30

INTRODUCTION A LA GESTION DES RISQUES

 CHAPITRE 5. LA REGLEMENTATION PRUDENTIELLE

4. 5. 6.

La p eriode dobservation ( echantillon historique) pour le calcul de la perte potentielle doit etre au minimum dun an. Les etablissements doivent mettre ` a jour leurs s eries de donn ees au moins une fois tous les trois mois et plus fr equemment en cas daccroissement notable des volatilit es observ ees. Les etablissements peuvent prendre en compte les corr elations empiriques entre tous les facteurs de risques sous r eserve que le syst` eme de mesure de celles-ci soit able, appliqu e de mani` ere int` egre et que la qualit e des estimations soit susante. Les mod` eles doivent appr ehender avec pr ecision les risques particuliers li es au caract` ere non lin eaire du prix des options. Chaque etablissement doit satisfaire, sur une base journali` ere, ` a lexigence de fonds propres correspondant ` a la valeur la plus elev ee entre : i) la perte potentielle du jour pr ec edent ; et ii) la moyenne des pertes potentielles sur les soixante derniers jours ouvr es, ` a laquelle est appliqu e un facteur de multiplication. La Commission Bancaire attribue ` a chaque etablissement un facteur multiplicatif en fonction de la qualit e de son syst` eme de gestion des risques, avec un minimum de 3, le compl ement eventuel, compris entre 0 et 1, etant directement li e aux performances de son mod` ele, evalu ees a posteriori. Lorsque le risque sp ecique inh erent aux instruments li es au taux dint er et et aux titres de propri et e nest pas pris en compte de mani` ere satisfaisante dans leurs mod` eles, les etablissements sont assujettis ` a une exigence de fonds propres distincte destin ee ` a couvrir ce risque calcul ee selon la m ethodologie standard.

7. 8.

9.

10.

Plusieurs des crit` eres pr ec edents sont discut es dans la section concernant les aspects m ethodologiques. Pour r esumer, les etablissements doivent calculer la perte potentielle quotidiennement pour une p eriode de d etention de 10 jours. Notons cette perte potentielle P (t) ` a la date t (jour ouvr e). A chaque date t, l etablissement calcule lexigence de fonds propres FP (t) de la fa con suivante FP (t) = max P (t 1) , (3 + ) 1 60
60

P (t i )
i=1

(5.1)

avec le compl ement eventuel (0 1). Il est donc important de disposer dune bonne mesure des risques (cest-` a-dire de la perte potentielle) puisque celle-ci conditionne totalement lexigence en fonds propres. Dans le cadre dune banque universelle, il est important de veiller ` a ce que la mesure des risques de march e ne soit ni sur-estim ee, ni sous-estim ee an de ne pas d efavoriser ou favoriser lactivit e Corporate March e au d etriment des autres activit es de la banque. De m eme, nous pouvons supposer que la Commission Bancaire attribuera automatiquement un coecient multiplicateur egal ` a 4 lorsque la mesure de risque lui sera pr esent ee pour la premi` ere fois. Ce nest quau vu du comportement de cette mesure que la Commission Bancaire modiera ce coecient et le xera peut- etre ` a 3. Il convient donc de prendre conscience de limportance des r eexions men ees en amont sur la mesure et sur la n ecessit e de la p eriode de test. Remarque 3 Lexigence en fonds propres est calcul ee pour une p eriode de d etention de 10 jours. Cependant, cette p eriode de d etention est ramen ee ` a un jour lorsque lanalyse concerne le calcul des exceptions, cest-` a-dire le backtesting. Il convient donc de bien distinguer ces deux mesures de risque. Deux points sont importants dans la mise en place du mod` ele. Le point 6 pr ecise que nous devons prendre en compte lensemble des facteurs de march e. Il nest donc pas n ecessaire de consid erer chaque produit comme un facteur de march e. Nous pouvons donc eectuer des regroupements (notamment pour les produits de taux) ` a partir de techniques danalyse de donn ees pour construire ces facteurs. Mais ces facteurs pris dans leur ensemble doivent parfaitement re eter les possibilit es de variation des prix. Cela sapplique en particuliers aux produits optionnels (point 7). Il nest pourtant pas pr ecis e les types de non-lin earit e que doit appr ehender le mod` ele. Il est commun ement admis que les convexit es dordre 1 et 2 par rapport au prix du sous-jacent (risques de Delta et Gamma) doivent etre pris en compte. Dans lannexe 6, il est de plus pr ecis e que nous devons tenir aussi compte de la sensibilit e des options ` a la eles de mesure de volatilit e des sous-jacents (risque vega) . Nous pouvons donc supposer que les mod` risque des options doivent etre bas es sur des mod` eles qui prennent en compte le smile de volatilit e. Enn, ` 5.4. LES CRITERES QUANTITATIFS 31

 CHAPITRE 5. LA REGLEMENTATION PRUDENTIELLE

la Commission Bancaire est assez impr ecise concernant le cinqui` eme point. Elle ne pr ecise pas ce qui est consid er e comme un accroissement notable de la volatilit e. Lappr eciation est laiss ee ` a la discr etion de lunit e de contr ole.

5.5 Autres consid erations

Dans ce paragraphe, nous pr esentons des points particuliers relatifs aux facteurs de march e, au risque sp ecique et aux simulations de crise.

5.5.1

D enition des facteurs de risque de march e

Dune mani` ere g en erale, les grandes cat egories de facteurs concernent : Les taux dint er et ; Les cours de change ; Les prix des titres de propri et e et de produits de base1 ; La volatilit e des options correspondantes. Plus pr ecis ement, la commission Bancaire propose de d enir les facteurs de risque comme les param` etres de march e qui aectent la valeur des positions de n egociation de l etablissement et propose un certain nombre de recommandations : 1. Pour les taux dint er et, un ensemble de facteurs de risque doit exister pour chaque monnaie. La mod elisation de la courbe des taux doit faire intervenir plusieurs bandes de maturit e, an dappr ehender la variation de la volatilit e des taux tout au long de l ech eancier ; ` a chaque bande correspond au moins un facteur de risque. Le syst` eme de mesure doit inclure des facteurs distincts destin es ` a saisir le risque li e aux ecarts de taux entre types dinstruments et/ou cat egories d emetteurs. 2. Pour les cours de change, on doit pr evoir nationale de chaque devise. 3. des facteurs correspondant au cours contre monnaie

Les facteurs de risque doivent exister pour chacun des march es de titres de propri et e. Au minimum, un facteur de risque doit appr ehender les uctuations des prix dun march e donn e (indice de march e). Une m ethode plus d etaill ee consiste ` a d enir des facteurs de risque correspondant aux di erents secteurs du march e. Lapproche la plus compl` ete consiste ` a retenir comme facteurs de risque les titres sp eciques.

4. Pour les produits de base, un facteur de risque unique peut etre admis lorsque les positions sont faibles. En cas dactivit e plus importante, les mod` eles doivent tenir compte des di erences entre qualit es du m eme produit et maturit es. 5. Pour les options, on doit tenir compte de facteurs de risque appr ehendant la volatilit e des taux/prix/cours sous-jacents. Lorsque les positions sont importantes ou lorsque lactif conditionnel est complexe, on doit utiliser des volatilit es di erenci ees en fonction des ech eances et le cas ech eant des prix dexercice. Ce dernier point est important, puisque la Commission Bancaire pr ecise comment doit etre pris en compte le risque de volatilit e. Dune mani` ere g en erale, laspect volatility skew 2 doit etre int egr e dans
1 Les risques de march e concernent aussi les produits sur mati` eres premi` eres. Cela appara t clairement dans lactualisation du 31 d ecembre 1998 (r ef erence [4]) :

Enn, par instruments sur produits de base, il faut comprendre tous contrats ` a terme ou d echange, toutes options achet ees ou tous produits d eriv es similaires ayant pour sous-jacents des contrats sur produits energ etiques, productions agricoles ou m etaux non ferreux (par exemple aluminium, cuivre et zinc), ainsi que les autres m etaux non pr ecieux.
2 La notion de volatility skew (ou volatility smile ) correspond au fait que la volatilit e implicite des options de m eme maturit e nest pas constante et quelle d epend des prix dexercice. Si nous repr esentons sur un graphe la volatilit e en fonction du prix dexercice, nous obtenons une courbe qui ressemble souvent ` a un sourire.

INTRODUCTION A LA GESTION DES RISQUES

32

 CHAPITRE 5. LA REGLEMENTATION PRUDENTIELLE

le mod` ele. Il est aussi int eressant de remarquer la construction du troisi` eme point. A sa lecture, la meilleure m ethode consisterait ` a prendre en compte la totalit e des prix de titres pour d enir les facteurs de risque. Cependant, ce type dapproche pose des probl` emes statistiques importants li es ` a la th eorie de convergence des estimateurs, de telle sorte que, concr` etement, une application ` a la lettre du point 3 peut etre dangereuse.

5.5.2

Traitement du risque sp ecique

Nous rappelons que le risque sp ecique vise ` a tenir compte du risque de contrepartie li e` a l emetteur de linstrument (document [2], page 9). Les mod` eles internes, qui prennent en compte ce risque sp ecique, doivent satisfaire les crit` eres suivants : Le mod` ele est apte ` a expliquer ex ante les variations historiques des valeurs du portefeuille, il fournit la preuve de sa sensibilit e au risque de concentration dans la composition du portefeuille, sa abilit e de fonctionnement demeure bonne dans un environnement adverse, la qualit e de ses performances est justi ee par un contr ole ex-post (backtesting), la m ethodologie sous-jacente doit etre en mesure de prendre en compte le risque d ev enements impr evisibles (OPA, OPE, etc.) ainsi que le risque de d efaillance de l emetteur. ... les exigences de fonds propres pour la couverture du risque sp ecique feront lobjet dune surcharge en capital. Le mode de calcul de lexigence de fonds propres est relativement peu clair dans ce cas (voir page 53 du document [3]). N eanmoins, la Commission bancaire fournit la formule suivante : soit 3(VaR globale) + (VaR risque sp ecique du portefeuille global), soit 3(VaR globale) + (VaR des sous-portefeuilles contenant du risque sp ecique). Il est dicile de faire le lien entre cette formule et la formule (5.1). Dans lactualisation du 31 d ecembre 1998 (r ef erence [4]), la Commission Bancaire est encore moins pr ecise sur le risque sp ecique puisque le paragraphe traitant de ce sujet se r eduit ` a une peau de chagrin. N eanmoins, nous pouvons penser que le coecient 3 est en fait le coecient multiplicatif 3 + . En notant VaR sp la VaR du risque sp ecique (cest-` a-dire la VaR risque sp ecique du portefeuille global ou la VaR des sous-portefeuilles contenant du risque sp ecique), il est possible que la vraie formulation soit FP (t) = max P (t 1) + VaR sp (t 1) , (3 + ) 1 60
60

La cons equence imm ediate de la non prise en compte du risque sp ecique dans le mod` ele est que

P (t i) +
i=1

1 60

60

VaR sp (t i)
i=1

(5.2)

Il est int eressant de noter que la Commission Bancaire fait explicitement r ef erence ` a la VaR (Value-atRisk) que nous pouvons traduire sous le terme de valeur en risque . M eme si cela nest pas arm e parfaitement, la m ethode interne de r ef erence est clairement la VaR.

5.5.3

Simulations de crise

Nous rappelons que les simulations de crise font partie des normes g en erales dacceptation de la m ethode interne. Cest donc un point important dans la mise en place dun mod` ele interne. Celles-ci font dailleurs lobjet dun paragraphe dans le texte de la Commission Bancaire. 7 points sont alors evoqu es : Les etablissements... doivent se doter dun programme de simulations de crise ` a la fois rigoureux et complet. Ces simulations, qui permettent didentier les ev` enements susceptibles davoir une forte incidence, constituent un el ement-cl e de l evaluation du niveau des risques. 2. Elles doivent couvrir toute la gamme des facteurs, y compris les ev enements ` a probabilit e r eduite. Elles doivent aussi rendre compte de limpact de ces ev enements sur les produits lin eaires et non lin eaires. 3. Les simulations de crise doivent rev etir un caract` ere quantitatif et qualitatif. En outre, l etablissement doit dresser linventaire des mesures ` a prendre pour r eduire ses risques et pr eserver son capital. Leurs conclusions doivent etre communiqu ees syst ematiquement ` a la direction g en erale, et p eriodiquement, au conseil dadministration. 1. 5.5. AUTRES CONSIDERATIONS 33

 CHAPITRE 5. LA REGLEMENTATION PRUDENTIELLE

4. Lexercice prudentiel consiste ` a tester sur le portefeuille courant des situations pass ees de pertubations majeures, en tenant compte des fortes variations de prix et de la vive r eduction de la liquidit e associ ees ` a ces ev enements et/ou ` a evaluer la sensibilit e des positions de march e aux modications des hypoth` eses de volatilit e et corr elations, ce qui n ecessite une mesure des marges de uctuations de ces valeurs dans le pass e et un calcul sur la base des chires extr emes. 5. Ces sc enarios doivent notamment comprendre les situations que l etablissement identie comme etant les plus d efavorables, sur la base des caract eristiques de son portefeuille. 6. La Commission Bancaire peut demander ` a l etablissement d evaluer limpact de sc enarios quelle a d enis et de lui communiquer lensemble des conclusions. 7. Les r esultats doivent etre revus ` a intervalles r egulier par la Direction G en erale et etre pris en compte dans la d enition des limites et strat egies x ees. En outre, si la simulation fait appara tre une vuln erabilit e particuli` ere ` a un ensemble donn e de circonstances, l etablissement doit prendre rapidement les mesures n ecessaires ` a une gestion ad equate de ces risques. Nous voyons ici limportance de la direction g en erale dans le syst` eme de gestion des risques. Celle-ci doit etre continuellement inform ee. Il est int eressant de noter que le cur du mod` ele interne doit etre bas e sur les ev enements extr emes. Le mod` ele doit donc bien mesurer une perte potentielle, un risque extr eme. Enn, nous devons aussi remarquer limportance de la Commission Bancaire qui, si elle le d esire, peut intervenir et demander ` a l etablissement de chirer des sc enarios.

5.6 Dispositif prudentiel de contr ole ex post li e` a lutilisation des mod` eles internes
Les contr oles ex post visent ` a sassurer que le degr e de couverture observ e correspond bien au niveau de conance de 99%. Voici quelques el ements pour mener ` a bien ces contr oles : 1. Ils sont r ealis es ` a partir des r esultats r eels et/ou hypoth etiques. 2. Ils sont r ealis es au moins trimestriellement et les donn ees des douze derniers mois glissants doivent etre utilis ees. Ces contr oles permettent notamment de calculer les exceptions. Une exception correspond ` a une date o` u la perte d epasse le risque calcul e par le mod` ele. La Commission Bancaire utilise le nombre dexceptions pour valider le mod` ele et pour d eterminer le coecient multiplicateur (3 + ). Elle d enie le concept de probabilit e cumul ee des exceptions comme la probabilit e dobtenir au maximum le nombre dexceptions indiqu e avec un taux de couverture eectif de 99%. Voyons de fa con concr` ete comment le calcul est eectu e. Si d esigne la variable qui prend la valeur 1 dans le cas dune exception, alors est une variable 1 al eatoire de Bernoulli de param` etre p = 100 (nous avons une chance sur 100 pour que corresponde ` a une exception lorsque le taux eectif de couverture est de 99%). Si on consid ere une p eriode [t1 , t2 ] comprenant N jours ouvr es. Pendant cette p eriode, et sous lhypoth` ese que les ev enements sont ind ependants, la probabilit e davoir n exceptions est egale ` a
n n Pr (X = n) = CN p (1 p) N n

avec X la variable al eatoire correspondant au nombre dexceptions pour la p eriode [t1 , t2 ]. X correspond N bien s ur ` a une variable al eatoire Binomiale Bp . La probabilit e cumul ee davoir n exceptions a donc pour expression
n

Pr (X n) =
i=1

i i CN p (1 p)

N i

La Commission Bancaire d enit alors trois zones pour evaluer les r esultats des contr oles ex post et pour appliquer le compl ement eventuel au coecient multiplicateur 3 : Zone Verte Orange Rouge D enition de la zone Pr (X n) < 95% Pr (X n) < 99.99% Pr (X n) 99.99% Valeur de 0 01 1

INTRODUCTION A LA GESTION DES RISQUES

34

 CHAPITRE 5. LA REGLEMENTATION PRUDENTIELLE

A titre dillustration, nous reproduisons le tableau de la Commission Bancaire pour N egal ` a 250 jours ouvr es.

Zone

Verte

Nombre n dexceptions 0 1 2 3 4 5 6 7 8 9 10+

Probabilit e (en %) Pr (X = n) 8.1059 20.469 25.742 21.495 13.407 6.663 2.748 0.968 0.297 0.081 0.020

Probabilit e cumul ee Pr (X n) 8.1059 28.575 54.317 75.812 89.219 95.882 98.630 99.597 99.894 99.975 99.995

Majoration du facteur de multiplication 0.00 0.00 0.00 0.00 0.00 0.40 0.50 0.65 0.75 0.85 1.00

Orange

Rouge

Le graphique (5.1) repr esente le nombre critique dexceptions pour la d etermination des fronti` eres des zones verte, orange et rouge. La lecture du graphique est la suivante : Par exemple, pour 500 jours ouvr es, la zone verte est deni pour un nombre dexceptions inf erieur ou egal ` a 8, la zone orange va de 9 ` a 14 exceptions et la zone rouge commence ` a 15 exceptions. Toutefois, la Commission Bancaire ne pr ecise pas

GRAPHIQUE 5.1. BIS Colour frequency (taux de couverture de 99%)

comment est calcul e la majoration du facteur multiplicatif dans la zone orange. Elle pr ecise n eanmoins que celles-ci ne sont toutefois pas destin ees ` a etre appliqu ees de fa con purement automatique, plusieurs el ements dinformation pouvant etre pris en compte pour compl eter l evaluation. Remarque 4 La position de la Commission Bancaire nest pas tr` es claire sur le facteur multiplicateur. Nous avons vu dans le paragraphe consacr e aux crit` eres qualitatifs que le degr e de conformit e ` a ces A ` LUTILISATION DES MODELES ` 5.6. DISPOSITIF PRUDENTIEL DE CONTROLE EX POST LIE INTERNES 35

crit` eres peut conditionner le niveau de multiplicateur. Ici, nous avons limpression que ce niveau est presque enti` erement d etermin e par la proc edure de backtesting. Lactualisation du 31 d ecembre 1998 permet de pr eciser et de modier certains points. En premier lieu, le backtesting porte sur la Valeur en Risque sur un jour, et non sur la Valeur en Risque pour une p eriode de d etention de 10 jours. Ensuite, les contr oles doivent porter sur les 250 derniers jours ouvrables. Cela est important, car si nous supposons que les douze derniers mois correspondent ` a 260 jours, les zones sont d enies di erement ` a cause du caract` ere escalier de la loi Binomiale : Zone Verte Orange Rouge N = 250 moins de 5 exceptions entre 5 et 9 exceptions plus de 10 exceptions N = 260 moins de 6 exceptions entre 6 et 10 exceptions plus de 11 exceptions

Enn, les exceptions doivent etre communiqu ees ` a la Commission Bancaire : An de permettre ` a la Commission Bancaire de v erier en permanence lad equation du facteur compl ementaire, l etablissement informe sans d elai et, en tout etat de cause, dans les cinq jours ouvrables, le Secr etariat G en eral de la Commission Bancaire, des d epassements r ev el es par leur programme de contr ole ex-post qui, en fonction du tableau ci-dessus, impliqueraient un rel` evement du facteur compl ementaire.

Bibliographie
[1] Capital Adequacy Directive (CAD), directive 93/6/CEE du CONSEIL du 15 mars 1993 sur lad equation des fonds propres des entreprises dinvestissement et des etablissements de cr edit, Journal Ociel des Communaut es Europ eennes, N L 141/1-26 [2] La surveillance prudentielle des risques de march e support es par les etablissements de cr edit, Commission Bancaire, Service des etudes bancaires, article pour la Revue dEconomie Financi` ere, 26 juin 1996 [3] Modalit es de Calcul du Ratio de Solvabilit e Actualisation au 31 d ecembre 1997, Commission Bancaire, Cellule de contr ole des Risques de march e, 3 novembre 1997 [4] Modalit es de Calcul du Ratio de Solvabilit e Actualisation au 31 d ecembre 1998, Commission Bancaire, Secr etariat G en eral, Service des Aaires Internationales, 30 d ecembre 1998

6
La valeur en risque

6.1 D enition
La Valeur en Risque, plus connue sous le nom anglais Value-at-Risk ou VaR, est une mesure de la perte potentielle qui peut survenir ` a la suite de mouvements adverses des prix de march e. Elle permet de r epondre ` a la question suivante : Combien l etablissement nancier peut-il perdre avec une probabilit e pour un horizon de temps T x e? Deux el ements sont donc indispensables pour interpr eter le chire VaR (qui permet de donner une vision globale du risque de march e dun portefeuille) : 1. la p eriode de d etention T ou holding period qui correspond ` a la p eriode sur laquelle la variation de valeur du portefeuille est mesur ee ; 2. le seuil de conance du chire VaR qui correspond ` a la probabilit e de ne pas d epasser cette mesure du risque. Si ces deux param` etres ne sont pas sp eci es, nous ne pouvons pas interpr eter le chire VaR, car un risque ` 10 jours avec une probabilit a e de 99% est beaucoup plus important quun risque ` a 1 jour avec une probabilit e de 90%. Dans le premier cas, nous avons une chance sur 100 que la perte r ealis ee pour les 10 prochains jours ouvr es soit sup erieure ` a celle estim ee par la VaR. Dans le second cas, nous avons une chance sur 10 que la perte r ealis ee demain soit plus grande que la VaR. Avec la mesure VaR, on passe donc dune mesure de risque comme volatilit e` a une mesure de risque comme quantile. Il faut bien avoir ` a lesprit que la mesure VaR ne donne une image du risque que dans le cadre de conditions normales de march e et pour un niveau de conance inf erieur ou egal ` a 99% (dans le cas de la r eglementation). Pour avoir une mesure du risque extr eme, dautres techniques sont plus adapt ees : les m ethodes de stress testing pr esent ees au chapitre 7 et la th eorie des valeurs extr emes pr esent ees a la section 7.5 permettent de mieux appr ` ehender les risques extr emes. Pour calculer la VaR, nous devons identier les facteurs de march e qui aectent la valeur du portefeuille. Le nombre de ces facteurs peut etre plus ou moins grand, mais d epend g en eralement du type de march e consid er e. En pratique, nous pouvons obtenir les facteurs de march e en d ecomposant les instruments du portefeuille en instruments de base (par exemple, nous pouvons d ecomposer un portefeuille de contrats forward en un portefeuille equivalent dobligations ` a coupon z ero). Le calcul de la VaR d epend alors de la m ethodologie utilis ee. Dune mani` ere g en erale, nous avons le choix entre trois grandes familles de m ethodes : 1. la VaR analytique (ou param etrique) ;

CHAPITRE 6. LA VALEUR EN RISQUE

2. la VaR historique (ou non param etrique) ; 3. la VaR Monte-Carlo. Ces trois m ethodes utilisent les donn ees du pass e pour estimer les variations potentielles de la valeur du portefeuille dans le futur proche. Cela suppose implicitement que ce futur se comporte comme le pass e: nous supposons donc que la variation de la valeur du portefeuille est stationnaire. Nous comprenons pourquoi lapproche Value-at-Risk nest pertinente que dans des conditions normales de march e (` a moins que les donn ees utilis ees aient et e collect ees pendant des p eriodes anormales).

6.1.1

La VaR analytique (ou param etrique)

Dans le mod` ele de VaR param etrique, nous supposons que la valeur alg ebrique dun portefeuille est repr esent ee par une combinaison lin eaire de K facteurs gaussiens. Notons P (t) la valeur du portefeuille ` a linstant et F (t) le vecteur gaussien des facteurs de loi N (, ). La valeur du portefeuille en t vaut alors P (t) = a F (t) avec a le vecteur de sensibilit es. A la p eriode t, la valeur de P (t + 1) nest pas connue puisque nous ne disposons que de linformation jusquen t. En t, P (t + 1) est donc une variable al eatoire gaussienne de loi N a , a a . La valeur de la VaR pour un seuil de conance correspond alors ` a Pr {P (t + 1) P (t) VaR } = (6.1)

Dans cette equation, P (t + 1) P (t) repr esente la variation du portefeuille entre linstant t +1 et linstant t. Cest donc une perte si la valeur r ealis ee du portefeuille dans un jour est inf erieure ` a la valeur actuelle du portefeuille. Comme la VaR repr esente la perte potentielle que lon sautorise et que celle-ci est exprim ee en valeur absolue, Pr {P (t + 1) P (t) VaR } est la probabilit e que la perte ne d epasse pas la VaR (ou perte potentielle). Par d enition, cette probabilit e est notre seuil de conance . Lorsque la p eriode de d etention nest pas 1 jour mais T jours, la mesure de VaR se d enit ` a partir de la relation suivante : Pr {P (t + T ) P (t) VaR } = Comme nous savons que P (t + 1) est gaussien, nous en d eduisons que Pr P (t + 1) a 1 (1 ) a a = (6.3) (6.2)

avec 1 la fonction gaussienne inverse. Or nous avons 1 (1 ) = 1 () avec 1 () le quantile a % de la loi gaussienne. Un rapide calcul montre que ` VaR = P (t) a + 1 () a a (6.4) Lorsque les facteurs F mod elisent directement la variation du portefeuille, la mesure VaR devient VaR = 1 () a a a (6.5) En g en eral, nous supposons que = 0, et nous avons nalement VaR = 1 () a a

(6.6)

Cette m ethode de calcul de la VaR est appel ee la m ethode de variancecovariance, puisquelle d erive directement de la matrice de covariance des facteurs. La relation (6.6) sinterpr` ete tr` es facilement ; a a est en fait l ecart-type de la variation du portefeuille : nous pouvons lassimiler ` a un risque-volatilit e (par r ef erence ` a la th eorie du portefeuille de Markowitz) ; 1 () est un coecient que nous notons c ; nous avons donc une relation lin eaire entre le risque-volatilit e et la perte potentielle : VaR = c risque-volatilit e A titre dillustration, c prend la valeur 2.33 pour une seuil de conance = 99%. Dans ce cas, la VaR correspond au risque-volatilit e multipli e par ce facteur 2.33. A noter que lorsque les facteurs de march e correspondent directement aux variations de prix des actifs du portefeuille, le vecteur est le vecteur des composantes du portefeuille. Avant de d evelopper dans la section 6.2 des el ements de r eexion sur la pertinence de la m ethode et sur le p erim` etre de validit e, nous pouvons noter tout de suite que cette m ethode repose sur trois hypoth` eses : INTRODUCTION A LA GESTION DES RISQUES 38

CHAPITRE 6. LA VALEUR EN RISQUE

1. lind ependance temporelle des variations de la valeur du portefeuille ; 2. la normalit e des facteurs F (t) ; 3. et la relation lin eaire entre les facteurs et la valeur du portefeuille. Ces trois hypoth` eses simplient le calcul de la VaR, puisque les quantiles de a F (t) sont li es de fa con lin eaire au quantile de la loi normale ` a une dimension. La principale dicult e de cette m ethode est destimer la matrice de covariance et de d eterminer les sensibilit es. Nous pouvons montrer que lexpression (6.6) de la VaR obtenue pour une p eriode de d etention dun jour peut se g en eraliser ` a une p eriode de d etention de T jours. Dans ce cas, repr esente la matrice de covariance des facteurs pour T jours. Nous rappelons que la p eriode de d etention r eglementaire est x ee a 10 jours. Les autorit ` es r eglementaires autorisent de calculer une VaR pour une p eriode de d e tention de 1 jour et de la convertir en une VaR ` a 10 jours en multipliant par 10. Ce coecient T nest autre que ce quon d enomme le scaling factor 1 . Enn, nous rappelons que cette m ethode nest utilisable que pour les produits lin eaires car elle ne prend pas en compte le caract` ere non-lin eaire des positions (risque Gamma par exemple). Aussi, le calcul dune VaR param etrique pour un portefeuille doptions nest pas adapt e (voir la section 6.3 consacr e au produit optionnels).

6.1.2

La VaR historique (ou non param etrique)

Contrairement ` a la VaR param etrique, la VaR historique est enti` erement bas ee sur les variations historiques des facteurs de risque F (t). Supposons que nous disposions dun historique de longueur N . En t0 , nous pouvons valoriser le portefeuille avec les facteurs de risque de lhistorique. Cela veut dire que nous calculons pour chaque date t = {t0 1, . . . , t N } une valeur (potentielle) du portefeuille. Nous pouvons alors d eterminer N variations potentielles, que nous assimilons ` a N pertes potentielles (certaines pertes sont en fait des gains). Ainsi, ` a partir de lhistorique, nous construisons implicitement une distribution empirique. De celle-ci, nous pouvons extraire le quantile ` a %. Il sut pour cela de ranger les N pertes potentielles et de prendre la valeur absolue de la N (1 ) i -i` eme plus petite valeur. Voyons un exemple. Nous supposons que les pertes potentielles P sont ordonn ees. Nous obtenons alors un ensemble {P1 , . . . , Pn , . . . , PN } avec Pn Pm quelque soit n < m. Pour un seuil de conance de 99%, la VaR correspond ` a la premi` ere perte potentielle |P1 | si N = 100, ` a la dixi` eme perte potentielle |P10 | si N = 1000, etc. Lorsque N (1 ) nest pas un entier, dans ce cas, la VaR est calcul ee par interpolation : VaR = |Pn + (N (1 ) n ) (Pn
+1

Pn )|

(6.7)

avec n = N (1 ) lentier inf erieur le plus proche de N (1 ) (arrondi de type oor ). Par exemple, si nous consid erons un historique de 250 jours et un intervalle de conance de 99%, nous avons VaR = P2 + 1 (P3 P2 ) 2 (6.8)

Il est g en eralement admis que la VaR historique nimpose pas dhypoth` eses a priori sur la loi de distribution des facteurs F (t) ` a la di erence de la m ethode param etrique. Mais il est quand m eme n ecessaire davoir un mod` ele sous-jacent pour estimer les facteurs pour lhistorique de longueur N . Cela explique que les VaRs historiques sont principalement appliqu es avec des facteurs de march e qui sont exactement les variations des actifs (dans ce cas, nous avons autant dactifs que de facteurs). Cette m ethode est vraiment tr` es simple conceptuellement et facile ` a impl ementer. Elle est donc tr` es utilis ee. Cependant, elle pr esente quelques dicult es. En eet, lestimation dun quantile a une vitesse de convergence beaucoup plus faible que les estimateurs de la moyenne, de la variance, de la m ediane, etc. Cela tient au fait que lestimation dun quantile est une estimation locale qui demande donc beaucoup
1 Voir

le paragraphe 6.2.5 consacr e au probl` eme du scaling factor.

6.1. DEFINITION

39

CHAPITRE 6. LA VALEUR EN RISQUE

dobservations an den avoir susament autour du quantile. Le graphique (6.1) est une illustration de ce probl` eme. Consid erons un portefeuille compos e dune position longue sur un seul actif. Nous supposons que les variations du prix de cet actif sont gaussiennes, centr ees autour de la valeur z ero et de variance egale ` a 1. Nous cherchons ` a calculer la perte potentielle du portefeuille en employant la VaR historique. Cela revient ` a calculer le quantile qN () des N variations de prix historiques. Sur le graphique, nous avons consid er e plusieurs valeurs de et N . Nous mettons en evidence que lestimateur qN () converge plus rapidement lorsque le nombre dobservations cro t. De plus, la puissance de cet estimateur d epend de . Cela peut se comprendre ais ement. Nous avons vu que lestimation du quantile revient ` a trouver la valeur optimale n = N (1 ) . Cela revient aussi ` a chercher n tel que pour n 1 la fr equence soit sup erieure ` a et pour n + 1 la fr equence soit inf erieure ` a . Si ces deux probabilit es sont proches de , lerreur destimation sur le quantile est faible. Sinon, lerreur peut etre tr` es importante. Pour illustrer ceci, nous consid erons les tableaux suivants : Quantile associ e` a n 1 n +1 100 98 99.1 98.9 99.01 98.99 99.0001 98.9999 Quantile associ e` a n 5 n +5 100 94 99.5 98.5 99.05 98.95 99.0005 98.9995

N 100 1000 10000 1000000

n 1 10 100 10000

n 99 99 99 99

N 100 1000 10000 1000000

n 1 10 100 10000

n 99 99 99 99

GRAPHIQUE 6.1. Estimation dun quantile et erreur de second type

Nous voyons donc ` a quel quantile serait associ e la n -i` eme position si nous eliminions la donn ee n 1 ou n + 1 de la base de donn ees. Dans le m eme genre did ee, la quatri` eme gure du graphique (6.1) INTRODUCTION A LA GESTION DES RISQUES 40

CHAPITRE 6. LA VALEUR EN RISQUE

montre comment evolue la probabilit e destimer un quantile avec une erreur de plus ou moins 10%. Le probl` eme est le m eme que celui consid er e pr ec edemment. Nous voyons bien que cette probabilit e de conance cro t avec le nombre dobservations. Et il est int eressant de remarquer la di erence entre le seuil de conance de 99% et les autres seuils de conance.

Remarque 5 Si les autorit es de r egulation d ecident daugmenter le seuil de conance, cela aura un impact tr` es important sur la gestion des bases de donn ees, qui devront etre plus longues. A titre dillustration, il nest pas possible destimer une VaR historique ` a 99.9% avec moins de 1000 observations.

6.1.3

La VaR Monte-Carlo

La VaR Monte-Carlo est bas ee sur la simulation des facteurs de march e F (t) dont on se donne une loi de distribution a priori, de pr ef erence admissible avec lhistorique. Nous pouvons alors valoriser le portefeuille avec les facteurs simul es. Si nous utilisons N simulations, nous pouvons alors d eterminer N variations simul ees du portefeuille, que nous assimilons ` a N pertes potentielles. Il sut ensuite de calculer le quantile correspondant tout comme pour la m ethode de la VaR historique. Les deux m ethodes sont donc tr` es semblables. La seule di erence est que lune des m ethodes utilise les facteurs pass es, alors que lautre utilise des facteurs simul es. Une autre di erence concerne la taille N de l echantillon pour la calcul du quantile, qui nest pas contraint dans le cas de la VaR Monte-Carlo. A titre dillustration, le sch ema 6.2 montre les di erentes etapes de lalgorithme lorsque les facteurs de march e correspondent aux variations des prix des actifs. Cette m ethode est tr` es int eressante, puisque nous pouvons calculer directement la VaR pour une p eriode de d etention de T jours m eme si les facteurs de march e correspondent ` a une p eriode de 1 jour. Il faut cependant noter que cette m ethode n ecessite un ordinateur tr` es performant car elle est co uteuse en temps de calcul (elle convient dicilement au calcul journalier dune VaR pour un nombre trop grand dactifs). De plus, elle demande un eort important de mod elisation puisque celle-ci d eterminera enti` erement les trajectoires des facteurs de march e que lon utilise pour le calcul de la VaR.

6.1.4

Pertinence des mesures VaRs

Nous avons vu que la VaR param etrique ne convenait pas pour les portefeuilles doptions. Toutes les mesures ne sont donc pas pertinentes pour nimporte quel type de portefeuille. Le tableau suivant montre le p erim` etre dutilisation des VaRs en fonction de la normalit e des facteurs de march e et de la lin earit e du portefeuille :

Instruments lin eaires Oui

Non

Normalit e des facteurs Oui Non Param etrique Monte-Carlo Historique Historique Monte-Carlo Historique Historique

source : Boulier, Brabant, Dalaud et Dieu [1997]

A noter que nous pouvons aussi utiliser la m ethode de Monte Carlo lorsque les facteurs ne sont pas normaux, mais dans ce cas, elle peut etre extr emement dicile ` a mettre en place si elle pr esente des sp ecicit es importantes. 6.1. DEFINITION 41

CHAPITRE 6. LA VALEUR EN RISQUE

'

Nous notons : P (t1 , t2 ) la variation du portefeuille entre les p eriodes t1 et t2 F (t) le vecteur des variations des prix des actifs T la p eriode de d etention t0 la date actuelle S la m ethode de simulation bas ee sur le mod` ele M Nous d enissons 2 processus de simulation : (t + T ) directement ` ST permet de simuler F a partir du vecteur F (t) (t + 1) ` S1 permet de simuler F a partir du vecteur F (t) ST F (t0 ) F (t0 ) 1 (t0 + T ) P 1 (t0 , t0 + T ) F . . . N (t0 , t0 + T ) FN (t0 + T ) P

N simulations

1 (t0 , t0 + T ) , . . . , P N (t0 , t0 + T ) = calcul du quantile P = VaR T jours S1 F (t0 ) F (t0 ) 1 (t0 + 1) F . . . FN (t0 + 1) 1 (t0 + 2) F N (t0 + 2) F ... ... 1 (t0 + T ) P 1 (t0 , T ) F N simulations N (t0 + T ) P N (t0 , T ) F

1 (t0 , t0 + T ) , . . . , P N (t0 , t0 + T ) = calcul du quantile P = VaR T jours

Remarque : Pour calculer la VaR T jours, nous pouvons aussi calculer la VaR 1 jour avec le processus de simulation ST et convertir celle-ci en VaR T jours avec la m ethode T rule.

&
GRAPHIQUE 6.2. Une illustration de la m ethode de Monte-Carlo

INTRODUCTION A LA GESTION DES RISQUES

42

CHAPITRE 6. LA VALEUR EN RISQUE

6.2 Quelques r eexions sur la VaR

6.2.1 Linterpr etation du seuil de conance
Le seuil de conance est lun des deux param` etres qui permettent de d enir la VaR (lautre etant la p eriode de d etention). Celui-ci est x e` a 99% par les autorit es r eglementaires. Cela veut dire que la probabilit e que la perte r ealis ee soit sup erieure ` a la perte pr evue est de 1%. Cela doit donc se produire th eoriquement une p eriode toutes les cent p eriodes. Comme la p eriode de d etention est de 10 jours, nous disons commun ement que nous avons alors 1 retour tous les 4 ans (car 100 p eriodes 10 jours = 1000 jours de trading quatre ann ees calendaires2 ). La notion de seuil de conance est utilis ee en statistique depuis fort longtemps. Elle est fortement associ ee ` a la notion de probabilit e. Depuis la n de la seconde guerre mondiale, de nombreux travaux (Savage, De Finnetti, l ecole Bay esienne, etc.) ont vu le jour et ont fortement modi e la notion de probabilit es objectives et la vision fr equentiste de la th eorie de lestimation fonctionnelle 3 . Sans rentrer dans les d etails des th eories associ ees ` a la notion de probabilit e subjective, lid ee g en erale est la suivante : Existe-t-il une classe dordre sur les probabilit es ? Il existe un exemple fort c el` ebre qui consiste ` a demander ` a une personne : Si vous savez que vous avez une probabilit e de 5% de gagner ` a la prochaine loterie nationale, prenez-vous le risque de jouer ? Si vous etes directeur dune centrale nucl eaire et que vous savez quil y a une probabilit e de 5% quil se produise un incident, continuez-vous ` a faire fonctionner cette centrale nucl eaire ? Derri` ere la notion de seuil de conance, il y a lid ee que la probabilit e que l ev` enement survienne est trop faible pour que cet ev` enement se r ealise eectivement. Cette probabilit e devient une simple mesure dincertitude, pouvant varier avec les circonstances et lobservateur. Cela a conduit ` a de nombreux d ebats en statistique sur la pertinence de cette notion. Du point de vue des instances r eglementaires, nous pouvons parfaitement comprendre lutilisation de ce seuil de conance qui appara t alors comme une fonction dutilit e ; la fonction dutilit e des autorit es de r egulation correspond alors un probl` eme de minimisation du nombre de faillites. On sautorise ainsi un certain nombre de faillites qui ne doit pas d epasser ce fameux 1%. Ce seuil de conance sinterpr` ete donc comme une fr equence. Du point de vue de l etablissement nancier, la fonction dutilit e est s urement tr` es di erente. Il faut donc bien comprendre que ce seuil de conance peut parfaitement changer dans le futur, si les pr ef erences des autorit es se modient. Ce seuil de conance tient une tr` es grande importance pour le calcul des fonds propres. Sous lhypoth` ese de normalit e, nous pouvons calculer la variation du niveau de fonds propres requis selon le niveau de conance souhait e par rapport ` a lexigence r eglementaire (en supposant que les autres param` etres restent inchang es4 ) : Niveau de conance de la VaR Variation de fonds propres 90% -44.9% 95% -29.3% 98.04% -11.4% 98.5% -9,69% 99% 0% 99.5% +10.7% 99.96% +44.1%

Le niveau de conance de 99.96% correspond au risque d ecennal, cest-` a-dire ` a une occurence en moyenne tous les 10 ans de perte sup erieure ` a la VaR. Am eliorer lintervalle de conance de 0.96% revient donc ` a augmenter de 44.12% le montant des fonds propres. En revanche, une diminution de lintervalle de conance de 0.96% ne permet de diminuer lexigence en capital que de 11.36%. Il ny a donc pas de relation lin eaire entre le seuil de conance, la probabilit e de perte et lexigence en fonds propres. Nous
dur ee de retour J, qui indique le temps quil faut attendre pour la perte soit sup erieure ` a la VaR, est une variable al eatoire g eom etrique de param` etre (1 ). Par cons equent, la dur ee moyenne J est bien egale ` a (1 )1 (` a cause de la propri et e de lesp erance math ematique de la loi g eom etrique). 3 A ce sujet, le trait e de De Finetti commence par la c el` ebre phrase La probabilit e nexiste pas. 4 Nous montrons dans le prochain paragraphe que ce seuil de conance a aussi une incidence sur le coecient multiplicateur.
2 La

6.2. QUELQUES REFLEXIONS SUR LA VAR

43

CHAPITRE 6. LA VALEUR EN RISQUE

pouvons par exemple consid erer que les niveaux de conance 98.5% et 99.5% sont tr` es proches du fait de leur faible ecart absolu, ou au contraire les consid erer tr` es di erents, car la VaR ` a 99.5% a 3 fois moins de chance d etre d epass ee que la VaR ` a 98.5%.

6.2.2

Une explication du facteur multiplicatif (3 + )

Les mod` eles internes de risques de march e sont majoritairement bas es sur les m ethodes VaR. Or, ces m ethodes ne donnent quune approximation de la vraie distribution pour mod eliser la variation des prix. Cest pourquoi il est n ecessaire de corriger lestimation du quantile par un facteur de prudence. Celuici correspond implicitement au facteur multiplicatif. Comme Stahl [1997] le montre, ce facteur, souvent pr esent e comme arbitraire, a des fondements th eoriques rigoureux (dans le cadre dune VaR gaussienne). Le probl` eme est le suivant : etant donn e une variable al eatoire X de loi quelconque dont nous connaissons les deux premiers moments et 2 , ` a quelle distance relative par rapport ` a l ecart-type se situe le quantile ? Pour cela, nous utilisons lin egalit e de Bienaym e-Tchebyshev : Pr (|X | > k ) Si la loi est sym etrique, nous avons Pr (X + k ) 1 1 2k 2 (6.10) 1 k2 (6.9)

Or cette probabilit e nest rien dautre que la fonction de r epartition F : F ( + k ) 1 1 2k 2 (6.11)

Au seuil de conance de et si nous d esignons par F 1 la fonction inverse de r epartition (qui nest rien dautre que la fonction de quantile), nous en d eduisons que X + k F 1 1 et donc k 1 2 2 1 2k 2 = (6.12)

En n egligeant la tendance et en assimilant X ` a la perte potentielle, celle-ci se situe donc ` ak ecarts-types. Or la VaR telle quelle est calcul ee se situe ` a c = 1 () ecarts-types. Le ratio k est le coecient de c multiplication qui permet d etre s ur que la VaR correspond bien ` a un quantile au moins egal ` a lorsque nous utilisons une approximation gaussienne et ceci quelle que soit la vraie fonction de distribution. Remarque 6 Il est facile de montrer que lorsque la fonction de distribution est asym etrique, une borne 1 sup erieure de k est (1 ) . Le tableau suivant contient les valeurs du ratio pour di erentes valeurs de . sym etrique k k/ c 2.24 1.74 3.16 1.92 7.07 3.04 8.16 3.36 10.00 3.88 14.14 5.04 70.71 19.01 asym etrique k k/ c 3.16 2.47 4.47 2.72 10.00 4.30 11.55 4.75 14.14 5.49 20.00 7.12 100.00 26.89

90.00 95.00 99.00 99.25 99.50 99.75 99.99

c 1.28 1.64 2.33 2.43 2.58 2.81 3.72

INTRODUCTION A LA GESTION DES RISQUES

44

CHAPITRE 6. LA VALEUR EN RISQUE

Nous remarquons queectivement lorsque le seuil de conance est egal ` a 99%, ce ratio est proche de 3 (lorsque la fonction de densit e est sym etrique). Supposons que les autorit es r eglementaires xent le seuil de conance ` a 99.5%, dans ce cas le ratio est proche de 4. Si les autorit es r eglementaires prenaient alors cette valeur pour xer le coecient multiplicateur, cette mesure aurait pour incidence daugmenter les fonds propres de 41.4% par rapport ` a la situation actuelle. Il y a une remarque int eressante ` a faire concernant lanalyse pr ec edente. Dans cette pr esentation, la VaR correspond ` a c , mais nous consid erons que la borne sup erieure de la vraie VaR est en fait k . Lexigence en fonds propres correspond donc ` a cette valeur k . Or les exceptions sont d etermin ees en fonction de la VaR c , et non en fonction de la VaR k . Si nous poussons lanalyse jusquau bout, il aurait et e plus logique de d eterminer les exceptions en fonction de k . Donc, ce coecient multiplicateur trouve bien une justication, mais les autorit es r eglementaires ont fait preuve de beaucoup de prudence, puisque la probabilit e que la perte potentielle d epasse le montant des fonds propres est bien inf erieure ` a 1%.

6.2.3

Le choix de la distribution de probabilit e

Ce choix est primordial dans le calcul des VaRs param etrique et de Monte-Carlo. G en eralement, nous utiliserons une loi normale ou log-normale pour mod eliser les facteurs F (t). Cela implique que la distribution de F (t) est enti` erement d etermin ee par les deux premiers moments et . Lutilisation en nance de la normalit e repose sur des arguments de facilit e dutilisation. Mais nous savons depuis fort longtemps que les s eries nanci` eres ne sont ni normales ni log-normales. En revanche, il est facile de calculer la variance dune combinaison des composantes dun vecteur gaussien. De m eme, la simulation de nombres al eatoires normaux est tr` es ais ee ` a partir dun g en erateur de nombres al eatoires uniformes pour le cas a une dimension, ou dune d ` ecomposition de Cholesky ou en valeurs singuli` eres pour le cas ` a plusieurs dimensions. Certains auteurs ont tent e de justier le recours ` a la loi normale par le th eor` eme central-limite qui etablit la convergence vers la loi normale sous des hypoth` eses peu contraignantes. Soit (Xn ) une suite de variables al eatoires ind ependantes et identiquement distribu ees, alors
n i=1

Xi E (Xi ) L N (0, 1) (Xi ) n

(6.13)

Cependant, la convergence en loi nest rien dautre quune convergence des fonctions de r epartition. Cette convergence est beaucoup plus rapide dans les r egions proches de la moyenne. Feller [1968] a dailleurs 3 montrer que lapproximation nest valable quautour de n 4 ecarts-types de la moyenne. Nous pouvons alors facilement construire des exemples qui illustrent le probl` eme du th eor` eme central-limite dans la m ethodologie VaR param etrique. Lexemple suivant est propos e par Boulier, Brabant, Dalaud et Dieu [1997]. Les auteurs consid` erent un mod` ele macro- economique de type APT o` u les rentabilit es sont d ecrites par l evolution al eatoire dune trentaine de facteurs economiques, quils supposent ind ependants et 3 de m eme loi. Lapproximation nest alors valable quautour de 30 4 12.819 ecarts-types de la moyenne. 5.477 fois plus grande que l ecart-type initial. Or l ecart-type de la loi normale r esultante est 30 Cela implique que lapproximation nest plus valable au del` a de la probabilit e de 99.04%. Pour cet exemple, les VaRs au-del` a de 99% ne font plus partie du domaine de validit e de lapproximation par la loi normale. Dans le cas des portefeuilles de taux dint er et, il est recommand e dutiliser au moins 13 facteurs. En utilisant le m eme raisonnement, cela voudrait dire que les VaRs au-del` a de 97.12% sont en dehors du domaine de validit e d eni par Feller5 . Cette analyse peut etre une nouvelle explication de lutilisation dun facteur multiplicatif. Comme nous lavons d ej` a signal e, la variable al eatoire X de loi normale N (, ) est enti` erement caract eris ee par ces deux premiers moments = E (X ) et 2 = E (X ) . Nous rappelons que cette fonction de distribution est utilis e en nance car elle est facilement manipulable, mais il existe de nombreux travaux qui pr esentent des arguments contredisant lid ee que les variations des prix des actifs sont normaux. Cela vient notamment du fait que les moments dordre 3 et 4 dune s erie nanci` ere sont
5 La

1 valeur de la probabilit e qui d enit le domaine de validit e est n 4 .

6.2. QUELQUES REFLEXIONS SUR LA VAR

45

CHAPITRE 6. LA VALEUR EN RISQUE

GRAPHIQUE 6.3. Caract` ere lepto-kurtique dune distribution de probabilit e

GRAPHIQUE 6.4. Distribution empirique du rendement du titre BARCLAYS

INTRODUCTION A LA GESTION DES RISQUES

46

CHAPITRE 6. LA VALEUR EN RISQUE

tr` es di erents de ceux de la loi normale. La skewness (ou moment centr e dordre 3) est un coecient dasym etrie de la fonction de densit e, alors que la kurtosis (ou moment centr e dordre 4) est une mesure daplatissement. Nous avons = = E (X ) 3 E (X ) 4
4 3

Pour la loi normale, et valent respectivement 0 et 3. Si < 0 (resp. > 0), on dit que la distribution est asym etrique ` a droite (resp. ` a gauche). Lorsque est sup erieur ` a 3, la distribution pr esente des queues epaisses (elle est lepto-kurtique). Le graphique (6.3) pr esente di erentes fonctions de densit e6 . Lorsque les distributions pr esentent des queues de distribution epaisses, le quantile est alors bien au del` a (en valeur absolue) du quantile gaussien correspondant. Prenons par exemple la gure en bas ` a gauche. Celleci contient le graphe des fonctions de r epartition pour le segment x [3, 2]. Pour la loi gaussienne, nous v erions bien que le quantile ` a 1% est 2.33. Or pour cette valeur, la quatri` eme distribution pr esente une valeur de 5% pour la fonction de r epartition. Le quantile ` a 1% est en fait bien au-del` a de 2.33. Le graphique (6.4) correspond ` a l evolution du cours du titre Barclays depuis 1994. Nous avons estim e la fonction de densit e des variations du cours en utilisant la m ethode non param etrique du noyau dEpanechnikov et compar e celle-ci avec la fonction de densit e gaussienne estim ee par la m ethode des moments. Lestimation classique bas ee sur les deux premiers moments ne permet donc pas de prendre en compte les queues epaisses. L evolution du titre Barclays nous interpelle sur le probl` eme de la stationnarit e du processus. Nous pouvons penser quune approximation gaussienne ne peut etre valide que localement. Cela pose alors le probl` eme de la longueur de lhistorique utilis e pour la VaR param etrique. Les instance r eglementaires exigent un historique dau moins 1 an. Contrairement ` a lid ee fort r epandue que plus lhistorique est long, meilleure sera la mesure des risques, lutilisation dun historique trop long peut avoir des cons equences n efastes sur la VaR param etrique. Car, dans ce cas l` a, il est parfaitement clair que les propri et es dergodicit e et de stationnarit e ne sont pas respect ees. Lutilisation dun historique long doit etre plut ot r eserv e` a la VaR historique. Lutilisation de la loi normale pour la VaR param etrique nen demeure pas moins incontournable. Il convient donc dapporter une attention particuli` ere ` a lestimation de la matrice de covariance.

6.2.4

Lestimation de la matrice de covariance

Nous notons F (t0 ; N ) la matrice des facteurs observ es pour t = t0 1, . . . , t0 N avec F (t0 1) . . . F (t0 ; N ) = F (t0 n) . . . F (t0 N )

(6.14)

Consid erons une matrice diagonale de dimension N N avec 1 diag () = 1. est appel ee la matrice par des poids des observations. Nous d enissons et = F (t0 ; N ) 1
6 Nous

(6.15)

avons g en er e celles-ci en utilisant la fonction de densit e dEdgeworth (Rubinstein [1998]) :   3 4 2 5 3 x 3x + x 6x2 + 3 + x 10x3 + 15x f (x) = b (x) 1 + 6 24 72

avec b la fonction de densit e Binomiale.

6.2. QUELQUES REFLEXIONS SUR LA VAR

47

CHAPITRE 6. LA VALEUR EN RISQUE

et = F (t0 ; N ) 1 F (t0 ; N ) 1 (6.16)

sont deux estimateurs consistants des param` Nous pouvons alors montrer que et etres et de la loi de distribution N (, ). Dans le cadre dune VaR, nous utilisons g en eralement deux types de poids : 1. Lapproche standard consiste ` a donner le m eme poids ` a chacune des observations. Dans ce cas, nous 1 avons n,n = n = N . 2. Lapproche moyenne mobile consiste ` a donner des poids di erents en fonction des positions des observations. Plus la date dobservation est r ecente, plus le poids associ e est important. Sous limpulsion de RiskMetrics, la m ethode de la moyenne mobile exponentielle sest impos ee. Dans ce cas, N n1 nous avons n = (1 ) 1 . Le graphique (6.5) repr esente la fonction n pour N egal ` a 250 jours. Nous constatons que plus la valeur de est petite pour les poids exponentiels, plus les observations r ecentes ont de linuence sur lestimation. Nous remarquons aussi que les poids constants sont un cas particulier des poids exponentiels puisque lim (1 ) n1 1 N = 1 N

Nous pouvons aussi nous int eresser ` a la contribution de n premi` eres observations, cest-` a-dire ` a la somme n n . Sur le graphique (6.6), nous voyons parfaitement le caract` ere exponentiel de la m ethode Riski=1 Metrics. Ainsi, pour = 0.94 (valeur retenue par RiskMetrics), 50% des poids concernent les 12 premi` eres observations7 . Et, bien s ur, ceci est ind ependant de la taille de l echantillon, contrairement aux poids constants.

GRAPHIQUE 6.5. Pond eration dune moyenne mobile exponentielle

7A

titre compl ementaire, 75% et 95% des poids correspondent aux 23 et 49 premi` eres observations.

INTRODUCTION A LA GESTION DES RISQUES

48

CHAPITRE 6. LA VALEUR EN RISQUE

GRAPHIQUE 6.6. Pond eration cumul ee dune moyenne mobile exponentielle

GRAPHIQUE 6.7. Evolution de la valeur en risque (titre BARCLAYS)

6.2. QUELQUES REFLEXIONS SUR LA VAR

49

CHAPITRE 6. LA VALEUR EN RISQUE

Voyons un exemple montrant la di erence entre les deux exemples. Nous consid erons une position longue sur le titre BARCLAYS. Le graphique (6.7) pr esente l evolution de la VaR avec deux types de r eactualisation. La taille de l echantillon est x e ` a 250 jours de trading. En p eriode de crise, la VaR RiskMetrics est plus grande que la VaR avec les poids constants. Ce ph enom` ene sinverse lors des p eriodes calmes (ou apr` es les p eriodes de crises). Cela se comprend ais ement ` a cause de la forme des poids. Si nous consid erons le nombre dexceptions (pour information, le nombre de jours de trading est egal ` a 1136), la VaR avec poids constants est la plus performante pour cet exemple. Cela tient au fait que la VaR RiskMetrics sous-estime le risque pour les p eriodes calmes, ce qui implique que d` es quil y a une variation plus importante, nous obtenons une exception. Cela se voit tr` es bien si nous consid erons la localisation des exceptions. Celles-ci ont des positions di erentes selon la m ethodologie. Enn, nous remarquons que la fr equence de r eactualisation a une inuence non n egligeable sur la qualit e de la VaR. Si nous calculons le temps de retour moyen empirique pour lexemple pr ec edent, nous constatons quil est l eg` erement inf erieur au temps de retour moyen th eorique. Cela veut dire que nos mesures VaR ont sous-estim e la perte potentielle. Hendricks [1996] remarque ce m eme ph enom` ene. Il compare douze m ethodologies di erentes et constate que Virtually all of the approaches produce accurate 95th percentile risk measures. The 99th percentile risk measures, however, are somewhat less reliable and generally cover only between 98.2 percent and 98.5 percent of the outcomes. On the one hand, these deciencies are small when considered on the basis of the percentage of outcomes missclassied. On the other hand, the risk measures would generally need to be increased across the board by 10 percent or more to cover precisely 99 percent of outcomes. 6.2.4.1 Un exercice de backtesting

Ce paragraphe sattache ` a d eterminer la mani` ere optimale de calculer la matrice de covariance. Notre approche se base sur le calcul du nombre dexceptions observ ees sur un historique des cours d etablissements nanciers depuis 1994. Nous nous pla cons dans le cadre dune VaR analytique sous lhypoth` ese de rendements gaussiens. Nous sommes donc en mesure de d eterminer un intervalle de conance ` a une certaine probabilit e ` a partir des deux premiers moments. Nous comparons ici de mani` ere qualitative la validit e de ces intervalles de conance selon la m ethode choisie pour lestimation des deux premiers moments. Les r esultats qui suivent permettent de visualiser de mani` ere dynamique les caract eristiques sur la VaR associ ees ` a ces m ethodes. Les estimateurs retenus pour le calcul des rendements moyens et des volatilit es sont les m ethodes de poids constants et de poids exponentiels ( = 0.94). Lenjeu inh erent au choix de la m ethode destimation de ces param` etres est capital ; il sagit dobtenir une r eactivit e optimale aux variations du march e, tout en conservant une inertie susante pour ne pas trop sur ou sous-estimer les variations possibles. A priori, une m ethode reposant sur des poids constants accusera un petit peu de retard pour r ehausser son niveau dans une p eriode ` a forte volatilit e. De m eme, la m ethode reposant sur des poids exponentiels risque de largement sur-estimer la VaR apr` es une courte p eriode dagitation. An dillustrer ce ph enom` ene, nous proposons par la suite d etudier le nombre dexceptions observ ees sur le cours de certains etablissements nanciers par p eriode. Une exception est d enie comme une valeur du titre en dehors de lintervalle de conance pr evu. Nous consid erons les cas de positions longues et courtes sur un titre, ce qui nous am` ene ` a d enir des bornes sup erieures et inf erieures de notre intervalle. Nous nous sommes attach es ` a respecter les crit` eres quantitatifs de la Commission Bancaire pour le calcul de la VaR. Ainsi avons nous retenu un niveau de conance de 1% sur une p eriode de d etention de 1 jour. De m eme, lestimation des moments des distributions des rendements quotidiens ont et e calcul es sur un historique dun an renouvel e tous les trois mois. Tout ceci nous a permis de d eterminer les s eries des deux bornes Lu et Ld de notre intervalle pour les rendements journaliers : Lu t Ld t = = t 1 (0.5%) t t + 1 (0.5%) t 2.575). t et t sont

o` u 1 (0.5%) est le quantile ` a 0.5% de la loi normale centr ee r eduite (1 (0.5%) respectivement la moyenne et l ecart-type estim es du rendement ` a linstant t. INTRODUCTION A LA GESTION DES RISQUES

50

CHAPITRE 6. LA VALEUR EN RISQUE

Nous sommes alors en mesure de d eterminer les valeurs up et down du cours ` a 1 jour avec un intervalle de conance de 99%. Nous comptons alors le nombre de fois o` u le titre est sorti de cet intervalle sur chaque p eriode de 3 mois (environ 60 jours). Les graphiques suivants repr esentent les mouvements des titres des grands etablissements nanciers par rapport aux intervalles calcul es avec les poids constants et exponentiels, ainsi que le nombre dexceptions constat es au cours des p eriodes. Ceci nous donne une bonne id ee des avantages et inconv enients des deux m ethodes destimation des moments. En fait, lexemple de la Soci et e G en erale est particuli` erement int eressant, puisquil comporte une longue p eriode de stagnation pendant laquelle les deux m ethodes sont equivalentes et performantes. Aux premiers chocs, la m ethode aux poids constants r eagit trop tard et accuse 3 et 5 exceptions sur 60 observations (p eriodes 9 et 10), alors que la m ethode aux poids exponentiels encaisse tr` es bien le choc. De m eme, lors de la crise de l et e 1998 (p eriode 16), la m ethode aux poids constants r eagit beaucoup trop tard et ne passe pas le backtesting. Dun autre c ot e les l eg` eres p eriodes de ottements suivies de brusques variations mettent en d efaut les poids exponentiels (p eriodes 11 et 18). Du fait dune p eriode, m eme courte, relativement calme, la volatilit e calcul ee ` a partir des poids exponentiels a trop vite chut e et sous-estime les variations possibles du cours. Enn, nous devons mentionner le cas de la p eriode 6 qui correspond ` a une p eriode de stabilit e exceptionnelle, ce qui entra ne une variance pour la p eriode 7 quasi nulle lorsque celle-ci est calcul ee avec la m ethode des poids exponentiels. Cela explique le nombre dexceptions relativement elev e de la VaR RiskMetrics sur cette p eriode relativement calme.

GRAPHIQUE 6.8. Backtesting avec le titre SOCIETE GENERALE

Lexemple de la Soci et e G en erale illustre la n ec essit e et la dicult e dobtenir ` a la fois de la r eactivit e lors de p eriodes dagitations et de linertie pour les fausses p eriodes de calme. RiskMetrics nous recommande de prendre = 0.94. Ceci implique que 95% de linformation est contenue dans les trois derniers mois. Outre le fait que cela pose quelques probl` emes pour lestimation des matrices de covariance de dimension trop grande, on peut sinterroger sur la m emoire de tels processus. En eet, m eme si les toutes derni` eres informations contribuent enorm ement ` a la d etermination du moment, signe de r eactivit e forte, les informations de plus de trois mois ne jouent plus aucun r ole, signe de faible inertie. Les r esultats qui suivent traitent donc de linuence de sur la qualit e de la VaR analytique. Nous avons fait varier de 0.9 ` a 0.999, et nous avons compar e le nombre dexceptions observ ees sur les p eriodes de trois mois suivant lestimation des moments. Sans pour autant que ce r esultat puisse etre g en eralis e, 6.2. QUELQUES REFLEXIONS SUR LA VAR 51

CHAPITRE 6. LA VALEUR EN RISQUE

l etude des s eries des cours sur les etablissements nanciers pousse ` a choisir un coecient favorisant une m emoire plus longue, cest` a-dire une inertie plus importante. Il semble, de mani` ere qualitative, que la valeur optimale de ce coecient dans ce cas l` a soit de lordre de 0.96. Nous notons, toutefois, que la valeur optimale de est susceptible de varier selon les march es8 . Aussi, le coecient obtenu ne peut etre adapt e pour lensemble des s eries nanci` eres. Nous conseillons plut ot une etude du march e ` a consid erer au pr ealable, qui permettrait de d eterminer le optimal.

GRAPHIQUE 6.9. D etermination de la valeur optimale pour

6.2.4.2

Les approches conditionnelles de lestimation de la matrice de covariance

Les approches pr ec edentes de lestimation la matrice de covariance reposent sur lhypoth` ese que est une matrice constante au cours du temps. Cette hypoth` ese a et e vivement critiqu ee par de nombreux econom` etres (voir les survey [1], [6] et [29]). An de prendre en compte les eets h et erosc edastiques, Engle [1982] introduit une nouvelle classe de processus connus sous le nom de mod` eles ARCH. A la suite de cet article, de nombreux travaux dans le domaine de la mod elisation de la variance conditionnelle ont vu le jour et plusieurs formes de g en eralisation ont et e introduites. Dans un premier temps, Bollerslev [1986] propose dintroduire un eet autor egressif dans l equation de variance conditionnelle (mod` eles GARCH). Ensuite, plusieurs formes dextension au cas multidimensionnel sont apparues. Le cas unidimensionnel Soit le processus unidimensionnel {yt } en temps discret d eni par yt = + t
8 Cette

(6.17)

etude a d ej` a et e men ee par RiskMetrics, et met en evidence des di erences notables de selon les march es (places nanci` eres et produits) et la p eriode de d etention. = 0.94 est une valeur moyenne bas ee sur un crit` ere de moindres carr es de la variance quotidienne des rendements. Dans le cadre de la VaR, nous pensons que ce crit` ere nest pas le plus appropri e et quil est pr ef erable de consid erer un crit` ere de minimisation du nombre dexceptions.

INTRODUCTION A LA GESTION DES RISQUES

52

CHAPITRE 6. LA VALEUR EN RISQUE

GRAPHIQUE 6.10. Valeur optimale de pour di erents titres

avec t un processus stochastique. Sous lhypoth` ese de normalit e et de constance de la variance, nous avons t | It1 N 0, 2 (6.18)

o` u It1 repr esente linformation pass ee. Lorsque nous estimons la variance avec la m ethode pr esent ee pr ec edemment, nous faisons lhypoth` ese implicite que le processus est celui ci-dessus. Comme nous savons que ce nest pas la bonne repr esentation, les estimations sont refaites r eguli` erement pour tenir compte que la variance change au cours du temps. En revanche, les mod` eles de type ARCH supposent que t | It1 N 0, h2 t (6.19)

Conditionnellement ` a linformation pass e, t nest plus un bruit blanc. Selon la sp ecication de h2 t , nous d enissons plusieurs types de mod` eles. Par exemple, yt est un processus ARCH(p) si
p

h2 t = 0 +
i=1

i 2 ti

(6.20)

Dans le cas dun processus GARCH(p,q), nous avons

p q

h2 t = 0 +
i=1

i h2 t i +
i=1

i 2 ti

(6.21)

A titre illustratif, nous avons repr esent e sur le graphique (6.11) la variance conditionnelle du rendement du titre BARCLAYS estim ee ` a partir dun mod` ele GARCH(1,1). A partir des estimations, il est alors possible de construire des pr evisions de la variance conditionnelle Et h2 ethodes t+h . Dans le cas des m pr esent ees au paragraphe pr ec edent, la seule pr evision possible de la variance en t + h est en fait la variance et Stahl observ ee en t, ce qui nest pas le cas des mod` eles ` a variances conditionnelles. L etude de Dave [1998] montre bien que dun point de vue dynamique, les approches traditionnelles destimation de la matrice de covariance pr esentent un biais lorsque les s eries ne sont pas stationnaires. Les auteurs ont fait une etude exhaustive sur le march e des changes en consid erant 5 m ethodes : la m ethode historique, la VaR analytique avec des poids constants, la VaR RiskMetrics et les mod` ele GARCH(1,1) et Tail GARCH(1,1). 6.2. QUELQUES REFLEXIONS SUR LA VAR 53

CHAPITRE 6. LA VALEUR EN RISQUE

GRAPHIQUE 6.11. Variance conditionnelle du rendement du titre BARCLAYS mod` ele GARCH(1,1)

La comparaison de ces m ethodologies a port e sur 5 mesures de performance, et notammant la m ethode BIS Colour frequency, qui consiste ` a calculer la probabilit e quun mod` ele corrrespond ` a une zone donn ee (verte, orange, rouge) pour un seuil de conance de 99%. Pour la zone rouge, les r esultats sont les suivants : les m ethodes qui se trouvent dans cette zone le plus souvent sont les deux VaRs analytiques, suivies par la m ethode historique et le mod` ele GARCH(1,1), puis enn par le mod` ele Tail GARCH(1,1). Le cas multidimensionnel Les mod` eles GARCH peuvent se g en eraliser au cas multidimensionnel. Dans ce cas, nous avons Yt = + t avec Yt un processus de dimension N et t | It1 N (0, Vt ) (6.23) (6.22)

Il existe alors di erentes formulations possibles pour d enir la matrice de covariance conditionnelle. Le tableau suivant pr esente celles qui sont le plus souvent rencontr ees dans la lit erature. :

Diagonal VECH BEEK

Vt = A0 +
i=1

Ai Vti +
p i=1 i=1

Bi t1 t1
q

Vt = A0 A0 +

Ai Vti Ai +
i=1

Bi t1 t1 Bi

Appliquons un mod` ele GARCH multidimensionnel de type BEEK pour mod eliser les titres BARCLAYS et LLOYDS/TSB. Dans ce cas particulier, nous remarquons sur le graphique (6.11) que la corr elation conditionnelle est la plupart du temps tr` es r eguli` ere. Cela se comprend ais ement du fait de la nature de deux titres. Ce type de mod elisation est en revanche tr` es int eressante lorsque les corr elations ne peuvent pas etre consid er ee comme constantes au cours du temps. INTRODUCTION A LA GESTION DES RISQUES 54

CHAPITRE 6. LA VALEUR EN RISQUE

GRAPHIQUE 6.12. Corr elation conditionnelle des rendements des titres BARCLAYS et LLOYDS/TSB mod` ele BEEK GARCH(1,1)

6.2.5

Le probl` eme du scaling

Cette section sint eresse au choix de lhorizon consid er e et aux dicult es quil engendre pour le calcul de la VaR. Selon le type dactifs g er es, nous aurons tendance ` a porter notre attention ` a des VaR allant de lintra-day ` a quelques ann ees. De mani` ere op erationnelle, les risques sont souvent mesur es ` a 1 jour. Le passage ` a un autre horizon peut poser quelques probl` emes. Le comit e de B ale impose une p eriode de d etention de 10 jours pour mesurer les risques dun portefeuille. Il conseille alors de convertir la VaR 1 jour ` a la VaR 10 jours par scaling. Le scaling consiste ` a multiplier la volatilit e` a 1 jour par T , T etant lhorizon consid er e. Cette m ethode soul` eve une certaine pol emique quant ` a son application, et le d ebat sur lad equation du scaling sintensie sans pour autant faire ressortir un consensus clair. Nous pr esentons dans un premier temps les id ees rencontr ees dans les derniers articles es sur le publi sujet, puis nous eectuons quelques simulations pour tester la validit e du coecient 10 pour le calcul de la VaR. 6.2.5.1 Quelques el ements th eoriques

Au travers des di erents articles sur le sujet, il ressort trois m ethodes pour la conversion de la volatilit e 1 jour ` a une volatilit e T jours : La premi` ere conseill ee par RiskMetrics est la fameuse T rule qui consiste ` a appliquer le coecient a la VaR 1 jour. Cette m ethode est appr eci ee principalement pour sa simplicit e multiplicatif T ` et sa tr` es facile mise en uvre. Elle repose essentiellement sur une hypoth` ese de normalit e et dind ependance des accroissements des prix des actifs. Ces hypoth` eses sont souvent discut ees, et ne sappliquent pas ` a toutes les maturit es. Lalternative actuelle ` a la premi` ere m ethode repose sur la th eorie des valeurs extr emes. Elle demande a estimer un coecient repr ` esentatif de l epaisseur des queues de distribution. Par exemple, pour une loi de Student, repr esente le nombre de degr es de libert e (ou lexposant caract eristique) et pour un processus ARCH, repr esente le nombre de moments nis de la distribution non conditionn ee 6.2. QUELQUES REFLEXIONS SUR LA VAR 55

CHAPITRE 6. LA VALEUR EN RISQUE

des innovations. Ce coecient etant d etermin e, nous appliquons la T rule, qui consiste ` a passer 1 de la VaR 1 jour ` a la VaR T jours en multipliant par T . La derni` ere m ethode consiste tout simplement ` a d eterminer la matrice de variance-covariance des rendements ` a T jours. Cette approche n ecessite un historique assez long des donn ees et ne peut pas etre appliqu ee ` a tous les horizons. Toutefois, elle permet dobtenir la v eritable matrice de variance-covariance historique. Reste alors le probl` eme de lad equation du mod` ele ` a cette maturit e. Les articles rencontr es dans la litt erature sattachent plus particuli` erement ` a tester la validit e de la premi` ere approche et ` a d evelopper la deuxi` eme m ethodologie au travers de mod` eles semi-param etriques. il ny a pas de consensus arr et e sur la question. Diebold et al. [15], [10] testent la proc edure de scaling sur des actifs soumis ` a une dynamique de type GARCH. Leur argumentation repose sur la formule de Drost-Nijman qui permet de corriger la volatilit e` a T jours ` a partir de celle obtenue ` a 1 jour, sous certaines conditions de r egularit e et pour des horizons susamment longs. Leurs deux principales conclusions sont les suivantes : pour un horizon sup erieur ` a 10-15 jours, la volatilit e nest pas pr evisible. Autrement dit, les mod` eles a volatilit ` e conditionnelle ne sont plus valables pour T > 10 ; dans e. M eme si en moyenne le coecient tous les cas, le scaling amplie les uctuations de la volatilit T peut sembler conservateur, le v e ritable rapport entre les deux volatilit es est souvent bien au dessous ou bien au-dessus de T . Danielsson et De Vries [11], [12] proposent une autre approche fond ee sur des r esultats de la th eorie des valeurs extr emes. Ils emettent quelques r eserves sur lapplication de la m ethode propos ee par RiskMetrics pour un horizon de 10 jours, m eme si les conclusions ne sappliquent pas uniquement au passage de la VaR 1 jour ` a la VaR 10 jours. Cest plus la m ethode fond ee sur lunique estimation de la matrice de variance-covariance qui est remise en cause. Les tests et simulations quils ont eectu es aboutissent aux conclusions suivantes : RiskMetrics sous-estime la VaR ` a 1 jour par rapport ` a une m ethode fond ee sur la th eorie des extr emes surtout pour la mesure des risques rares (i.e. 0.05% et 0.005%). Nous notons ici que les r esultats obtenus pour une VaR ` a 1% sont comparables pour les deux m ethodes. Pour des pr evisions ` a 10 jours, la m ethode de RiskMetrics bas ee sur le scaling sur-estime la VaR 1 obtenue par la T rule (en moyenne, le coecient obtenu vaut 4.6). Ces di erents r esultats ne font ressortir aucun consensus quant ` a lapplication du coecient T . Les seules conclusions tir ees soulignent que dans une approche purement RiskMetrics, le scaling nest pas forc ement conservateur (amplication des uctuations) et quen le comparant ` a des m ethodes plus nes, il peut sav erer trop conservateur. 6.2.5.2 Un exercice de simulation

Pour illustrer les id ees enonc ees ci-dessus, nous avons eectuer quelques simulations de rendements de di erents actifs. Nous avons consid er e successivement une dynamique de type GARCH, puis un mod` ele ` a volatilit e stochastique (Hull-White). Dans ces deux cas, nous simulons des trajectoires du cours, dont nous calculons les vraies volatilit es ` a 1 jour et ` a 10 jours, puis nous comparons le rapport de ces deux volatilit es avec le coecient 10 . Cette approche a seulement le m e rite de tester la validit e de lapproximation eectu ee par la T rule, mais ne nous apporte aucune information quant ` a la pertinence dune VaR analytique de type RiskMetrics qui ne d epend que de la matrice de variance-covariance. Mod` ele GARCH Nous supposons ici que le rendement 1 jour dun actif peut etre mod elis e par un GARCH(1,1). Cette hypoth` ese nest pas tr` es restrictive et semble cadrer avec la dynamique observ ee sur les march es de certains titres. Nous simulons donc un processus yt tel que : yt 2 t t = = t t 2 2 w + yt 1 + t1 N ID(0, 1) 56

INTRODUCTION A LA GESTION DES RISQUES

CHAPITRE 6. LA VALEUR EN RISQUE

Nous imposons les conditions usuelles de r egularit e et de stationnarit e 0<w< 0, 0 + <1 Nous avons param etr e ce mod` ele de telle sorte quil re` ete des s eries de rendements ` a 1 jour en posant = 0.1 et = 0.85. Le choix de w est purement arbitraire et est x e` a 20%. Pour illustrer le type de processus que nous obtenons, nous repr esentons quelques trajectoires simul ees (voir le graphique 6.13). Les rendements simul es permettent de r ecup erer les volatilit es historiques 1 jour et 10 jours pour chaque trajectoire simul ee. Nous avons eectu e ceci sur 1000 simulations de trajectoires. Chacune des volatilit es etant calcul ee ` a partir de 250 observations quotidiennes (donc 25 observations pour la volatilit e 10 jours), nous nous sommes plac es dans la situation dun historique dun an. Les simulations eectu ees rendent compte du fait que m eme si le rapport des volatilit es semble estimer 10 en moyenne, il subsiste un fort ecart-type (voir le graphique 6.14). On ne retrouve pas le ph enom` ene damplication des uctuations en multipliant par 10. Nous ne pouvons donc pas conclure quant ` a lad equation de la m ethode de RiskMetrics ` a la VaR ` a 10 jours dans le cas de mod` eles GARCH.

GRAPHIQUE 6.13. Simulation du mod` ele ARCH

Mod` ele ` a volatilit e stochastique Nous avons d evelopper la m eme m ethodologie pour des prix dactifs r egis par un mod` ele ` a volatilit e stochastique de type Hull-White. Plus pr ecis ement la dynamique des cours suit l equation di erentielle stochastique suivante : dS (t) S (t) dV (t) V (t) = r dt + V (t) dW 1 (t) = dt + dW 2 (t)

1 . Ce mod` ele, sorte de processus 1 ARCH en temps continu, re` ete de mani` ere assez satisfaisante la dynamique suivie par les cours de o` u W 1 et W 2 sont deux browniens de matrice de corr elation 6.2. QUELQUES REFLEXIONS SUR LA VAR 57

CHAPITRE 6. LA VALEUR EN RISQUE

GRAPHIQUE 6.14. D etermination du scaling (mod` ele ARCH)

GRAPHIQUE 6.15. Simulation du mod` ele Hull-White

INTRODUCTION A LA GESTION DES RISQUES

58

CHAPITRE 6. LA VALEUR EN RISQUE

GRAPHIQUE 6.16. D etermination du scaling (mod` ele Hull-White)

certains actifs. Le graphique (6.15) contient quelques exemples de trajectoires de ces processus. Comme pour le mod` ele GARCH, nous avons simul e 1000 trajectoires sur 1 an de ce processus. Pour chacune des trajecoires, nous calculons la volatilit e des rendements ` a 1 jour multipli ee par 10 et la volatilit e des rendements ` a 10 jours. Nous repr esentons sur le graphique (6.16) les volatilit es obtenues pour ces 1000 trajectoires ainsi que le rapport des volatilit es (` a comparer avec 10). Nos conclusions sont les m emes que pour le mod` ele GARCH. 6.2.5.3 Conclusion

Nos r esultats semblent coh erents avec les id ees rencontr ees dans la litt erature nanci` ere. Nous ne a 1 jour ` a une VaR analytique ` a 10 jours par pouvons pas armer que le passage dune VaR analytique ` scaling soit conservateur (voir le sch ema 6.17). En eet, m eme si les simulations eectu a ees ont tendance ` montrer quen moyenne le ratio entre les volatilit es 10 jours et 1 jour est inf erieur ` a 10, l ecart type de ce m eme ratio reste tr` es elev e. Toutefois, les travaux actuels r ealis es dans la th eorie des valeurs extr emes semblent montrer que le calcul dune VaR analytique (type RiskMetrics) est inadapt e pour un horizon sup erieur ` a 10 jours. Les articles publi es sur le sujet saccordent ` a dire que lapproche VaR analytique conduit ` a une sur-estimation de la mesure de risque ` a 10 jours par rapport ` a un calcul bas e sur la th eorie des extr emes. Si nous assimilons la mesure bas ee sur les extr emes au v eritable risque encouru, nous pouvons donc armer que la m ethode du scaling est conservatrice (voir de nouveau le sch ema 6.17 pour les positions relatives des di erentes mesures de risque).

6.3 Les produits optionnels

6.3.1 La probl ematique
Le calcul de la VaR de produits optionnels est relativement complexe, puisque la mesure de risque nest pas une fonction lin eaire de la variance dune option. Consid erons par exemple une option europ eenne de maturit e et de prix dexercice K portant sur un sous-jacent S (t). Dans le mod` ele de Black et Scholes, a linstant t0 , le prix de loption est ` egale ` a C (t0 , S0 ) = S0 exp ((b r) ) (d1 ) K exp (r ) (d2 ) 6.3. LES PRODUITS OPTIONNELS (6.24) 59

CHAPITRE 6. LA VALEUR EN RISQUE

VaR 1 jour (RiskMetrics)

<

VaR 1 jour (th. des extr emes) -

VaR 10 jours (th. des extr emes)

<

VaR 1 jour 10 (RiskMetrics)

<

VaR 10 jours (RiskMetrics) -

ou
VaR 10 jours (th. des extr emes) < VaR 10 jours (RiskMetrics) < VaR 1 jour 10 (RiskMetrics) -

GRAPHIQUE 6.17. Positions relatives des VaRs

avec b le cost-of-carry et la fonction de r epartition de la loi normale centr ee et r eduite, d1 = 1 S 1 ln 0 + b + K 2 et d2 = d1 (6.25)

Consid erons un portefeuille avec une position longue sur cette option, la variation du portefeuille entre t0 et t0 + h est egale ` a C (t + h, S (t + h)) C (t0 , S0 ). Nous ne pouvons pas assimiler le risque du portefeuille a une distribution normale ou log-normale, car le prix de loption BS est une fonction non-lin ` eaire du prix du sous-jacent S (t) qui correspond ` a une distribution log-normale dans le mod` ele de Black et Scholes. Notons fS la fonction de densit e de S (t) et C (S ) la fonction de la prime dachat. Comme la fonction C est bijective, nous avons alors fC ( C ) = fS C 1 (C ) S C (C 1 (C )) (6.26)

Puisque S C (S ) nest pas une fonction ane de S , le distribution du prix de loption nest pas lognormale. Il nest donc pas possible dutiliser une m ethode de type matrice de covariance pour calculer la VaR dune option.

6.3.2

Les solutions

Plusieurs auteurs ont alors propos e des m ethodes de types analytique ou Monte Carlo pour calculer la mesure de risque des produits non lin eaires. Les m ethodes analytiques sont g en eralement bas ee sur des approximations de Taylor. Par exemple, Britten-Jones et Schaefer [1997] proposent dutiliser rdenas, Fruchard, une expansion partielle ` a lordre 2 an de tenir compte du Gamma de loption. Ca Koehler, Michel et Thomazeau [1997] int` egrent dans leur analyse le risque de volatilit e en consid erant le Vega de loption. G en eralement, ces m ethodes sont assez lourdes ` a mettre en place dun point de vue technique, surtout dans le cas multidimensionnel. Dun autre c ot e, les m ethodes de Monte Carlo sont beaucoup moins complexes, mais pr esentent parfois des temps de calcul prohibitifs. Finalement, la m ethode historique (parfois coupl ee avec une m ethode Monte Carlo) semble etre une m ethode de compromis int eressante. Cependant, elle n ecessite une gestion tr` es ecace des bases de INTRODUCTION A LA GESTION DES RISQUES 60

CHAPITRE 6. LA VALEUR EN RISQUE

donn ees. En eet, celles-ci doivent contenir beaucoup plus dinformation (par exemple, les surfaces de volatilit e) que celles des actifs lin eaires. Nous devons aussi mentionner le fait que dans lesprit des textes r eglementaires, la m ethode doit prendre en compte les risques de volatilit e. Implicitement, cela suppose donc que les pricers utilis es pour le calcul de la VaR soient des pricers int egrant le smile. Cela pose quelques dicult es, car il nexiste pas de paradigme dominant de type Black et Scholes comme dans le cas du pricing sans smile. Plusieurs mod` eles existent, mais tous ne sont pas de m eme robustesse. De plus, la qualit e dun pricer avec smile d epend de limpl ementation. Il existe ainsi plusieurs logiciels de valorisation doptions de change bas ee sur la m ethode de Dupire, mais tous donnent un prix di erent, car les m ethodes dinterpolation du smile sont di erentes, les donn ees utilis ees sont di erentes, certains utilisent des artices num eriques pour assurer la convergence, etc. Il convient donc d etre tr` es prudent lors du choix de la m ethodologie dune VaR sur des produits non lin eaires. Remarque 7 La m ethode historique est largement utilis ee par les banques pour calculer les VaRs optionnelles. Cependant, il semble que la Commission Bancaire demande de plus en plus d eviter cette m ethodologie au prot de m ethodes plus robustes.

6.3.3

La gestion du risque des produits optionnels

Les produits optionnels sont parmi les actifs les plus risqu es dans lactivit e dune salle de march e. Ils font donc lobjet dune surveillance quotidienne importante. La Commission Bancaire insiste fortement sur le contr ole des risques des activit es de d eriv es : d eriv es actions ; produits structur es (options sur plusieurs sous-jacents) ; exotiques de taux ; options de change (FX) ; d eriv es de cr edit ; etc. En particulier, la Commission Bancaire demande que les pricers soient valid es par une unit e quantitative ind ependante du Front Oce. Derni` erement, elle a aussi propos e de calculer des r efactions pour risque de mod` ele et risque de param` etres. Voici une liste (non-exhaustive) des di erents risques li es aux actifs contingents : 1. Le risque de mod` ele ou risque de mispricing 2. Le risque dimpl ementation 3. Le risque de param` etres 4. Le risque de volatilit e ou risque de smile 5. Le risque de convexit e 6. Le risque de corr elation An de ne pas alourdir le cours, nous verrons des exemples tr` es simples sans entrer dans les d etails math ematiques. Pour cela, nous utiliserons les r eexions men ees par Rebonato [2001] et Derman [2001].

6.4 Conclusion
Comme nous avons pu le voir, les mod` eles de mesure des risques de march e demandent beaucoup de savoir-faire. Celui-ci ne doit pas seulement concerner les instruments de march e ou les aspects nanciers, mais aussi les outils statistiques et la gestion des bases de donn ees. Cependant, pour reprendre lexpression de Boulier et al. [1997], mesurer nest pas g erer. La gestion des risques de march e ne consiste pas seulement ` a mesurer son risque. Elle cherche surtout ` a lanalyser, ` a le comprendre. En d enitive, elle passe par la compr ehension de la micro-structure de son risque de march e. Toutefois, il est dicile de nir cette section sans evoquer les pol emiques autour la VaR. Cette mesure nous lavons d ej` a vu pose de nombreux probl` emes statistiques. Aux Etats-Unis, cela a conduit ` a des 6.4. CONCLUSION 61

CHAPITRE 6. LA VALEUR EN RISQUE

attaques assez violentes de la part des econom` etres et des statisticiens. Dautres critiques plus th eoriques ont et e faites. En premier lieu, elles concernent limpossibilit e de mod elisation du futur par le pass e (voir la controverse entre Nassim Taleb et Phillipe Jorion r ef erences [21], [27] et [28]). En second lieu, elles portent sur la coh erence de la VaR en tant que mesure des risques. Dapr` es laxiomatique d evelopp ee par Artzner, Delbaen, Eber et Heath [1998], la VaR ne v erie pas la propri et e fondamentale de sous-additivit e9 . Deux types de mesures coh erentes du risque ont alors et e propos es. Soit X la variable ppelberg et Milkosh [1997] al eatoire d ecrivant la position nette du portefeuille, Embrechts, Klu d enissent de la fa con suivante : = E X | X x (6.27)

Dans ce cas, nest plus un quantile (comme pour la VaR ), mais lesp erance de perte au del` a dun certain quantile (qui pourrait etre eventuellement le niveau de la VaR ). Artzner, Delbaen, Eber et Heath [1997] ont sugg er ee une deuxi` eme mesure de risque proche de la pr ec edente : = sup E X | X x , P = p p (6.28)

avec lensemble des distributions de probabilit es des etats de la nature. est aussi appel e lensemble des sc enarios g en eralis es. Dans ce cas, pour chaque sc enario appartenant ` a , on calcule lesp erance de perte (x = 0) ou lesp erance de perte au del` a dun certain quantile (x < 0), puis on d etermine la plus grande valeur parmi tous les sc enarios de . Comme le font remarquer les auteurs, cela exige une r eexion approfondie pour d enir : The generalized scenarios method is the universal coherent risk measurement method : it requires thinking before calculating, which can only improve risk management.

Bibliographie
[1] Andersen, T.G. [1994], Stochastic autoregressive volatility : a framework for volatility modeling, Mathematical Finance, 4, 75-102 [2] Artzner, A., F. Delbaen, J-M. Eber et D. Heath [1997], Thinking coherently, Risk magazine, 10, November, 68-71 [3] Artzner, A., F. Delbaen, J-M. Eber et D. Heath [1998], Coherent measures of risk, Eidgen ossische Technische Hochschule, Z urick, Working Paper [4] Baker, M., J. Tattersall et R. Wilson [1996], Cad and beyond, Risk Magazine, 9-2, February [5] Bollerslev, T. [1986], Generalized autoregressive conditional heteroskedasticity, Journal of Econometrics, 50, 987-1008 [6] Bollerslev, T., R.F. Engle et D.B. Nelson [1993], ARCH models, in The Handbook of Econometrics, Volume 4, chapter 11 [7] Boulier, J-F., A. Brabant, R. Dalaud et A-L. Dieu [1997]. Risques de march e : Vue de Prol, Direction de la Recherche et de lInnovation, Cr edit Commercial de France, Quants, 28 [8] Britten-Jones, M. et S.M. Schaefer [1997], Non-linear Value at Risk, London Business School, Working Paper rdenas, J., E. Fruchard, E. Koehler, C. Michel et I. Thomazeau [1997], VaR : One step [9] Ca beyond, Risk magazine, 10, October, 72-75 [10] Christoffersen, P.F., F.X. Diebold et T. Schuermann [1998], Horizon Problems and Extreme Events in Financial Risk Management, FRBNY Economic Policy Review [11] Danielsson, J. et C.G. de Vries [1997a], Value-at-Risk and Extreme Returns, Tinbergen Institute Rotterdam, Mimeo [12] Danielsson, J. et C.G. de Vries [1997b], Beyond the Sample : Extreme Quantile and Probability Estimation, Tinbergen Institute Rotterdam, Mimeo
veut dire que la VaR globale de deux portefeuilles peut etre sup erieure ` a la somme des VaRs individuelles des deux portefeuilles !
9 Cela

INTRODUCTION A LA GESTION DES RISQUES

62

, R.D. et G Stahl [1999], On the accuracy of VaR estimates based on the variance-covariance [13] Dave approach, Olsen & Associates, Z urich, Working Paper [14] Derman, E. [2001], Markets and model, Risk Magazine, 14, July, 48-50 [15] Diebold, F.X., A. Hickman , A. Inoue et T. Schuermann [1997], Converting 1-Day Volatility to hDay volatility : Scaling by h is worse than you think, The Wharton School, University of Pennsylvania, 97-34 [16] Engle, R.F. [1982], Autoregressive conditional Heteroskedasticity with estimates of the variance of the U.K. ination, Econometrica, 50, 987-1008 ppelberg, C. et T. Mikosch [1997], Modelling Extremal Events for Insurance [17] Embrechts, P., Klu and Finance, Springer-Verlag, Berlin [18] Feller, W. [1968], An introduction to probability theory and its applications, volume 1, trois` eme edition, John Wiley & Sons, New York [19] Guldimann, Til. [1994], RiskMetricsT M Technical Document, 2nd edition, J.P. Morgan, New York [20] Hendricks, D. [1996], Evaluation of Value-at-Risk models using historical data, Federal Reserve Board of New York, FRBNY Economic Policy Review, April, 39-69 [21] Jorion, P. [1997], In defense of VaR, Derivatives Strategy [22] Lopez, J. [1998], Methods for evaluating Value-at-Risk estimates, Federal Reserve Bank of New York [23] Rebonato, R. [2001], Model risk : new challenges, new solutions, Risk Magazine, 14, March, 87-90 [24] Rouvinez, C. [1997], Going greek with VaR, Risk Magazine, 10, February [25] Rubinstein, M. [1998], Edgeworth binomial trees, Journal of Derivatives, spring, 20-27 [26] Stahl, G. [1997], Three cheers, Risk Magazine, 10, May [27] Taleb, N. [1997a], The world according to Nassim Taleb, interview by editor Joe Kolman, Derivatives Strategy, December/January [28] Taleb, N. [1997b], Against Value-at-Risk : Nassim Taleb replies to Phillipe Jorion, document non publi e [29] Taylor, S.J. [1994], Modeling stochastic volatility : a review and comparative study, Mathematical Finance, 4, 183-204

7
Les programmes de stress-testing

Comme le pr econisent les autorit es r eglementaires, les etablissements nanciers doivent eectuer r eguli` erement des simulations de crise an de conna tre le montant des pertes potentielles en cas de uctuations dangereuses et importantes du march e. Il faut tout de suite pr eciser que malgr e le caract` ere obligatoire, ces simulations de crises ne sont en aucun cas utilis es pour calculer lexigence en fonds propres. Cependant, lutilisation de simulations de crises est lun des quatre principes de base d enis par la Commission Bancaire pour quun mod` ele interne soit valid e. Le but de ces simulations est alors de compl eter le dispositif de mesure des risques, et notamment les mesures de VaR 1 . Ces simulations de crises, parfois appel ees sc enarios de stress, et plus connu sous le terme anaglais stress testing, doivent etre des outils pour appr ehender lexposition de la banque ` a une crise grave. Contrairement a la VaR, elles doivent permettre de r ` epondre ` a la question suivante : Quel est le montant de perte auquel la banque doit faire face lors de la prochaine crise si le portefeuille de n egociation ne change pas ? La notion de probabilit e dispara t. Statistiquement, les stress testing font donc r ef erence ` a un maximum, et non ` a un quantile. Cest une vision du risque extr eme. Le point de vue est donc assez di erent de celui de la VaR, puisque le r egulateur est beaucoup moins concern e par cette mesure (m eme si la m ethodologie doit lui etre communiqu ee). Les mesures fournies par les stress testing sont avant tout destin ees au risk management et ` a la direction g en erale. Celles-ci doivent faire lobjet dune analyse d etaill ee an de bien comprendre lexposition de la banque et an de bien v erier que ce risque extr eme est ` a un niveau supportable : The art of stress testing should give the institution a deeper understanding of the specic portfolios that could be put in jeopardy given a certain situation. The question then would be : Would this be enough to bring down the rm ? That way, each institution can know exactly what scenario it is they do not want to engage in (Michael Ong, ABN Amro, in Dunbar et Irving [1998]). Deux grandes familles de stress testing existent : les m ethodes objectives et les m ethodes dites subjectives. Le premier type utilise les faits historiques (des faits qui se sont r eellement pass es) pour construire les sc enarios, alors que la seconde famille est bas ee sur des hypoth` eses de travail. Pour etre plus pr ecis, nous pouvons classer les stress testing selon trois approches (Dunbar et Irving [1998]) :
etude men ee par Tucker et Lawrence [1998] sur le risk management aupr` es de 679 institutions de 25 pays montre que 93% des risk managers consid` erent quune mesure VaR est insusante comme mesure de risque.
1 Une

CHAPITRE 7. LES PROGRAMMES DE STRESS-TESTING

1. La premi` ere est la plus simple : elle consiste ` a utiliser les donn ees des crises pass ees et ` a employer la m ethode de simulation historique sur ces p eriodes troubl ees pour calculer une perte potentielle maximale (et non une VaR ). L etablissement nancier a alors une estimation de ce que causerait la survenance de ces m emes crises avec le portefeuille de n egociation actuel. 2. La deuxi` eme approche est une analyse structur ee des sc enarios. Les ev` enements historiques sont utilis es en les appliquant aux conditions actuelles de march e. Par exemple, nous pouvons analyser lincidence de la hausse des taux de 1994 par la Federal Reserve Bank si elle survenait aujourdhui. Contrairement ` a la premi` ere m ethode qui utilisent les donn ees historiques, cette m ethode va donc utiliser des donn ees simul ees ` a partir des donn ees actuelles et des ev` enements pass es. 3. La troisi` eme approche est une analyse de sc enarios sp eciques. Pour cela, il convient didentier une situation qui risque de menacer l etablissement nancier. Cette m ethode ne fait donc pas r ef erence aux ev` enements pass es, mais utilisent des hypoth` eses sur les crises potentielles futures. Les stress testing sont donc des suites de questions que doit se poser l etablissement nancier sur son risque : In essence, a comprehensive stress-testing programme asks a series of what if questions that force risks managers to try to predict what risk banks could face next time disaster strikes (Dunbar et Irving [1998]). Par exemple, voici le genre de questions que peut se poser la banque : Quel est limpact dune hausse des taux directeurs de 100 points de base ? Que se passe-t-il si la courbe des taux sinverse ? Quelles sont les r epercussions dune d evaluation ? Que se passe-t-il en labsence de liquidit e? Quel est limpact dune hausse des prix de limmobilier ? etc.

Il est tout dabord important de noter quil nexiste pas aujourdhui de standard plus pr ecis pour l elaboration des sc enarios de crise. On se contentera donc dans un premier temps davoir ` a lesprit la probl ematique suivante : un programme de simulation de crise doit etre en mesure de r epondre ` a ces trois questions : Quelles seront les pertes si le sc enario X se produit ? Quels sont les pires sc enarios pour linstitution ? Que pouvons-nous faire pour limiter les pertes dans ce cas ? Sachant par ailleurs que lint er et de la Commission Bancaire est que ces simulations puissent inuencer directement les choix de la direction en mati` ere de gestion du risque, il faut avoir en t ete deux autres exigences : la cr edibilit e du sc enario aux yeux de la direction g en erale ; la bonne lisibilit e pour cette derni` ere de lexposition du portefeuille aux di erents facteurs de risque pr ealablement d enis.

7.1 Directions m ethodologiques choisies par les institutions bancaires

Nous fournissons ici les r esultats dune enqu ete men ee par Deloitte & Touche en 1999 aupr` es de 200 banques dans le monde sur le Risk Management et publi ee en mai 2000 dans la revue Banque Magazine : Lutilisation du stress testing (en % des etablissements interrog es) Actuels Envisag es Sc enarios reposant sur la politique et l economie 40% 45% Sc enarios chocs march es 70% 55% Chocs historiques 65% 58% Stress testing global 30% 50% Micro-stress testing 44% 29% Th eorie des valeurs extr emes 5% 24% 66

1 2 3 4 5 6

INTRODUCTION A LA GESTION DES RISQUES

CHAPITRE 7. LES PROGRAMMES DE STRESS-TESTING

On assimilera les m ethodes 1, 2, 4 et 5 ` a des m ethodes subjectives ; les m ethodes 3 et 6 correspondent evidemment ` a lapproche historique et ` a lapproche syt ematique utilisant les extr emes. Il ressort de cette enqu ete quau sein dune m eme banque, sont bien utilis ees plusieurs approches pour r epondre aux di erentes exigences de la Commission Bancaire. Les chocs historiques sont, et resteront, largement utilis es, ceci sexpliquant par le fait quils sont ` a la fois explicitement demand es par la Commission Bancaire et facilement implementables. Cette approche ne suscite gu` ere de pol emiques tant sur le plan technique que conceptuel. Les m ethodes subjectives sont elles aussi tr` es bien repr esent ees : peu ables, aux dires des Risk Managers, elles restent n eanmoins aujourdhui ce que lon peut faire de mieux, ou de moins pire, lorsque lon tente danticiper lavenir. Enn, nous pouvons constater que lutilisation de la th eorie des valeurs extr emes est aujourdhui marginale mais tend ` a se d evelopper : ceci sexplique sans doute par son introduction relativement r ecente dans le traitement des probl` emes nanciers.

7.2 Lapproche historique

Ce type dapproche est demand ee explicitement par la Commission Bancaire. Lid ee est simple : on se concentre sur l evolution de nos facteurs de risque sur une p eriode donn ee (typiquement du 1er janvier 1987 au 31 d ecembre 1999) et on en d eduit la ou les pires p eriodes qui constitueront nos sc enarios de crise. Cest evidemment dans le choix de ces pires p eriodes que va r esider la qualit e des sc enarios propos es. Ainsi lapproche la plus simple consiste ` a r epertorier pour chaque facteur de risque la variation, ` a la hausse ou ` a la baisse, la plus importante sur un pas de temps pr ealablement choisi. On peut alors composer di erents sc enarios de crise en s electionnant certaines de ces valeurs, les autres facteurs de risque etant cens es rest es identiques ` a leur valeur actuelle. On voit n eanmoins que labsence de corr elation entre les di erents facteurs est un obstacle ` a la cr edibilit e de tels sc enarios do` u lid ee de choisir comme sc enario de crise une conguration historique incluant tous les facteurs. Le pire serait alors d eni sur la base des caract eristiques du portefeuille actuel : soit en calculant les valeurs potentielles du portefeuille pour les p eriodes pass ees, soit en calculant la moyenne pond er ee des variations des facteurs pour chaque p eriode ; dans les deux cas, le pire est d eni comme la p eriode o` u le minimum a et e obtenu. Ce type dappoche fournit alors un sc enario de crise dont la cr edibilit e est assur ee puiquil sest d ej` a produit. Lavantage de cette m ethode repose donc dans sa bonne cr edibilit e ainsi que dans sa facilit e de mise en place. Elle fournit egalement un cadrage quantitatif aux m ethodes subjectives : la perte potentielle maximale calcul ee dans le pass e sur la base du portefeuille actuel peut fournir lordre de grandeur des pertes cumul ees pour tout sc enario subjectivement cr e e. N eanmoins, ce type dapproche pr esente linconv enient d etre peu lisible : on obtient une perte agr eg ee et d ependant de la pire p eriode, ce qui rend dicile pour la direction g en erale, la localisation objective des zones ` a risque de son portefeuille.

7.3 Une approche subjective : le macro stress-testing

Quentend-on par m ethode subjective ? il sagit dune m ethode non plus fond ee sur lanalyse des donn ees pass ees mais qui, ` a partir dun ev enement inattendu (politique ou economique), tente de cr eer lenchainement des ev enements engendr es puis les calibre quantitativement de mani` ere ` a cr eer le sc enario de crise. On a donc une m ethode en deux etapes : elaboration dun sc enario dynamique ` a partir dune entr ee (par exemple 8% sur le Dow Jones), puis construction dun bilan nal chir e en terme de facteurs de risque du portefeuille. On parle de macro stress-testing lorsquon entend d eduire la dynamique de la crise ainsi que le bilan chir e des mod` eles macro- economiques actuels. Ce type de sc enario est indispensable car lui seul permet de cr eer des sc enarios de crise non inf erables ` partir des donn a ees du pass e bien que plausibles. N eanmoins pour etre ecace ce type dapproche doit etre cr edible. On pourra donc envisager : dutiliser plusieurs degr es de gravit e dans les sc enarios de crise ; 7.2. LAPPROCHE HISTORIQUE 67

CHAPITRE 7. LES PROGRAMMES DE STRESS-TESTING

dimpliquer dans sa construction un grand nombre de personnes aux comp etences vari ees et jusqu` a des niveaux de responsabilit e tr` es elev es ; de cr eer r eguli` erement de nouveaux sc enarios adapt es aux changements politiques et economiques. Exemple 1 Herv e Goulletquer, Senoir Economist au Cr edit Lyonnais, nous a fourni un exemple de sc enario de crise concernant une baisse de Wall Street dicilement g erable (voir Costinot, Riboulet and Roncalli [2000]). Aux Etats-Unis, sous le double eet dune activit e qui ralentit et dune ination qui devient moins sage, le march e des actions se retourne assez brutalement (8% sur un mois pour lindice Dow Jones). La R eserve f ed erale est incapable de r epondre de suite ` a cette baisse brutale des cours. Les taux courts restent en l etat tout au long du mois concern e. Le dollar subit la pression baissi` ere li ee aux rapatriements de capitaux vers lEurope et le Japon. LEuro sappr ecierait de 3 cents par rapport au Dollar (toujours en un mois). La hausse de la Livre serait un peu plus forte (6 cents). Dans ce contexte de sortie de capitaux du pays, et aussi dans un environnement qui dans un premier temps reste marqu e par la crainte de plus dination, le march e obligataire est mal orient e. Le rendement ` a 10 ans dune obligation du Tr esor am ericain se tend assez nettement (+55 bp). En Europe, la hausse de lEuro freine la remont ee des taux longs (+20 bp en un mois). Dans ces conditions, la baisse du CAC40 peut dicilement se comparer ` a celle de Wall Street. Elle natteint que 5%. Et la BCE ne juge pas utile de revoir son r eglage mon etaire.

7.4 La m ethode WCS

Boudoukh, Richardson et Whitelaw [1995] d enisse lanalyse worst-case scenario (ou WCS) de la fa con suivante : WCS asks the following question : what is the worst that can happen to the value of the rms trading portfolio over a given period (eg, 20 trading days) ? Comme lexplique Bahar, Gold, Kitto et Polizu [1997], lutilisation de lanalyse WCS est motiv ee par les pr eoccupations r eelles des risk managers : ...VaR has been criticised at a more fundamental level that it asks the wrong question... VaR requires a probability that loss shocks, over a short horizon, will not exceed a certain gure. This is often interpreted as expressing the number of times a loss shock in excess of the subjective threshold would occur over a long time horizon. But managers are more likely be concerned with the probability of realising a specic loss shock, rather than the probability of landing in a region of large loss shocks. Lanalyse WCS consiste ` a diviser une p eriode de r ef erence T en N sous-intervalles de m eme longueur. Soit Xn la variable al eatoire d ecrivant la position nette du portefeuille pour le n-i` eme sous-intervalle. Dans ce contexte, nous pouvons d enir la mesure de VaR ` a partir du nombre de sous-intervalles qui pr esentent une perte sup erieure ` a une valeur donn ee x :
N n=1

1[Xn x ] N

=1

(7.1)

avec le seuil de conance. Pr esent e de cette fa con, x nest rien dautre que la mesure VaR. En revanche, lanalyse WCS consid` ere la distribution de la perte maximale (ou la fonction de distribution du pire ) parmi les sous-intervalles. On cherche donc ` a caract eriser la fonction de distribution GN de eatoires Xn sont ind ependantes N = min (X1 , . . . , Xn , . . . , XN ). Si nous supposons que les variables al et de m eme loi de distribution F, nous avons GN (x) = Pr N x = 1 Pr (X1 > x, . . . , Xn > x, . . . , XN > x) = 1 [1 F (x)]
N

(7.2)

Notons gN et f les fonctions de densit e correspondantes, nous pouvons montrer facilement que gN (x) = N [1 F (x)] INTRODUCTION A LA GESTION DES RISQUES
N 1

f (x)

(7.3) 68

CHAPITRE 7. LES PROGRAMMES DE STRESS-TESTING

et
1 1 G 1 (1 ) N N () = F
1

(7.4)

1 G N () est donc le quantile de la fonction de distribution du pire. A titre dillustration, nous avons repr esent e sur le graphique (7.1) les fonctions WCS de densit e et de r epartition pour une loi normale et une loi de Student ` a un degr e de libert e.

GRAPHIQUE 7.1. Fonction de distribution de N

Remarque 8 Lorsque N est egal ` a 1, cest-` a-dire lorsque nous ne consid erons quun seul jour de trading, 1 1 1 nous avons G1 (x) = F (x), g1 (x) = f (x) et G ( ) = F ( ) . Dans ce cas, G 1 1 () est exactement la Valeur en Risque.
1 G t comme une extension de la mesure VaR. Nous notons celle-ci WCS . Cette mesure N () appara de risque d epend donc de deux param` etres, N le nombre de jours de trading et la probabilit e2 que la perte d epasse WCS . Prenons un exemple. Nous supposons que la position nette du portefeuille X suit 1 une loi gaussienne standard N (0, 1). Nous avons report e les valeurs prises par G N () dans le tableau suivant :

N 1 5 10 100 250

0.5% 2.5758 3.0896 3.2899 3.8900 4.1069

1% 2.3263 2.8769 3.0889 3.7178 3.9432

5% 1.6449 2.3187 2.5679 3.2834 3.5334

10% 1.2816 2.0365 2.3087 3.0748 3.3384

2 Nous

avons donc WCS = 1 VaR

7.4. LA METHODE WCS

69

CHAPITRE 7. LES PROGRAMMES DE STRESS-TESTING

Lorsque lhorizon consid er e est un jour de trading et pour egal ` a 1%, la mesure de risque est bien egale a 2.33, la Valeur en Risque. Lorsque nous prenons 5 jours de trading, la mesure de risque passe ` ` a 2.88. Nous voyons bien que le risque d epend alors du nombre de jours de trading consid er e. La coubure de la 1 fonction G ( ) en fonction de N nous donne une certaine vision dynamique du risque3 . A partir N de la fonction de distribution du pire, nous pouvons construire dautres mesures de risque. Par exemple, nous pouvons consid er e lesp erance du pire (N ) d enie par (N ) = E [N ] N [1 F (x)]
N 1

f (x) x dx

(7.5)

Comme le montre le graphique (7.2), cette esp erance du pire d epend fortement de la fonction de densit e et notamment de la queue gauche de celle-ci. Nous voyons clairement que dans le cas o` u la fonction de distribution des pertes potentielles est leptokurtique (cas de la Student T1 ), la di erence de risque entre cette distribution et la distribution gaussienne estim ee peut cro tre tr` es fortement avec N .

GRAPHIQUE 7.2. Linuence de la queue de distribution sur (N )

On associe g en eralement lanalyse WCS aux simulations de crises, car elles sont toutes les deux li ees ` a la notion de temps de retour. En g en eral, une m ethodologie VaR a du mal ` a appr ehender les crises. En eet, les temps de retour bas es sur les VaRs manquent g en eralement de r ealisme. Lanalyse WCS ou la th eorie des extr emes, qui fait lobjet de la prochaine section, sont des outils plus adapt es dans ces cas-l` a (Boulier, Brabant, Dalaud et Dieu [1997]) : On remarque dabord le r ealisme des r esultats obtenus par la m ethode statistique des extr emes. Ainsi, lors du krach doctobre 1987, la variation quotidienne la plus forte de lindice MSCI France fut de 8.4%. Cette chute correspond ` a une dur ee de retour estim ee ` a treize ans par la m ethode des extr emes, alors que lapproche par la loi normale fournit une dur ee de retour de lordre de dix milliards dann ees. Ici la m ethode param etrique est mise en d efaut parce que le quantile consid er e (99.97%) a trait ` a un ev enement tr` es rare.
3 Cependant,

comme les variables al eatoires Xn sont ind ependantes, cette dynamique ne tient pas compte des eets de

contagion.

INTRODUCTION A LA GESTION DES RISQUES

70

CHAPITRE 7. LES PROGRAMMES DE STRESS-TESTING

7.5 La th eorie des valeurs extr emes

7.5.1 Une introduction heuristique des extr emes
La distribution gaussienne est parfaitement caract eris ee par ses deux premiers moments. La connaissance de la moyenne et de la variance permet alors de calculer tous les quantiles. Avec lhypoth` ese de normalit e, lanalyse statistique porte donc sur les caract` eres les plus visibles et les plus faciles ` a interpr eter. La gestion du risque est une gestion des ev` enements inattendus, des ev` enements rares. Avec la distribution gaussienne, ces ev` enements ont un caract` ere predictable . Et rien ne sert pour cela d etudier leur fr equence, puisque celle-ci se d eduit des deux premiers moments. Contrairement ` a linf erence statistique gaussienne, la th eorie des valeurs extr emes consiste ` a analyser les occurences qui pr esentent des fr equences tr` es faibles. Consid erons la gure (7.3). Nous avons repr esent e sur celle-ci la fonction de densit e4 des variations normalis ees du cours de la banque LLOYDS/TSB pour la p eriode allant de janvier 1994 ` a juillet 1999. Lanalyse gaussienne consiste ` a se focaliser sur les ev` enements qui sont concentr es autour du mode de la fonction de densit e. Cela revient ` a s eloigner susament pour ne distinguer que la forme g en erale sans consid erer les parties accident ees de cette fonction de densit e. La th eorie des extr emes consiste ` a se rappocher, ` a op erer des agrandissements an de mieux visualiser les parties extr emes de la fonction de densit e. Cela implique quune grande partie des donn ees nest pas int eressante lors de lanalyse. Seules les observations qui pr esentent un int er et pour mod eliser les extr emes seront utilis ees.

GRAPHIQUE 7.3. Queue de distribution des rendements du titre LLOYDS/TSB

Par exemple, si nous etudions la distribution jointe des cours BARCLAYS et LLOYDS/TSB, les observations qui sont proches du centre de lellipse de covariance gaussienne contiennent de linformation tr` es peu utilisable pour mod eliser le risque associ e` a un portefeuille compos e de ces deux titres. Linformation pertinente correspond en fait aux observations qui sont ` a lext erieur des ellipses de covariance 95% et 99% (voir la gure (7.4)). Et nous voyons notamment que lutilisation dune distribution normale ` a deux dimensions nest pas appropri ee pour mod eliser la loi jointe des cours LLOYDS/TSB et BARCLAYS,
4 estim ee

par la m ethode non param etrique du noyau dEpanechnikov.

7.5. LA THEORIE DES VALEURS EXTREMES

71

CHAPITRE 7. LES PROGRAMMES DE STRESS-TESTING

puisque de nombreuses r ealisations sont dans des domaines qui pr esentent des occurences tr` es faibles (qui sont egales num eriquement ` a z ero).

GRAPHIQUE 7.4. Distribution jointe des rendements des titres BARCLAYS et LLOYDS/TSB

Il faut bien comprendre que la th eorie des valeurs extr emes, m eme si elle est li ee aux recherches dans le domaine des queues epaisses, nest pas un outil de mod elisation du caract` ere leptokurtique dune distribution. En fait, elle permet de caract eriser la loi des extrema. Dans la section pr ec edente, nous d eterminions la distribution des minima ` a partir de la fonction de densit e qui les engendrent. La th eorie des valeurs extr emes va nous permettre, en particulier, destimer directement la distribution ` a partir des donn ees. Lid ee est donc la suivante : Que pouvons nous dire de la distribution limite
N

lim GN (x)

sans faire dhypoth` eses sur la distribution F ?

Comme lexplique McNeil [1998a], nous ne pouvons armer que la th eorie des valeurs extr emes permet de pr edire le futur avec certitude. Mais le pass e contient assez dinformation (qui nest pas forc ement observable) sur les extrema pour pouvoir mod eliser G (x), sans pour autant vouloir conna tre la fonction F. Et cela est possible, car sous certaines conditions, G (x) ne peut etre d ecliner quen un nombre tr` es limit e de lois de distribution (voir lannexe 7.5.6.1 pour une d emonstration intuitive).

7.5.2
7.5.2.1

La th eorie classique
Pr esentation des 3 lois dextr emes

Nous reprenons les notations introduites pour d enir la distribution du pire. Nous consid erons N variables al eatoires X1 , . . . , Xn , . . . , XN ind ependantes et de m eme loi de distribution F dont nous cherchons ` a + etudier le comportement des extr emes = min ( X , . . . , X , . . . , X ) et = max ( X , . . . , X , . . . , X 1 n N 1 n N ). N N Pour cela, nous pouvons utiliser la statistique dordre Y sur X , cest-` a-dire que nous avons
+ N = Y1 Yn YN = N k (N )

(7.6)

Consid erons alors la variable al eatoire = (Yn ). Embrechts, Resnick et Samorodnitsky n=1 [1997] donnent di erents exemples dutilisation de en nance : INTRODUCTION A LA GESTION DES RISQUES 72

CHAPITRE 7. LES PROGRAMMES DE STRESS-TESTING

Si Si Si

(y ) =

1 k(N )

y , correspond ` a la moyenne des k (N )-i` emes pertes les plus importantes ;

(y ) = (y y )+ et k (N ) = N , repr esente la somme des pertes plus grandes quun seuil ; (y ) = y et k (N ) = N , est le quantile de X .

Avec la th eorie des extr emes, nous nous int eressons directement ` a = Y1 et = YN . Pour cela, nous avons besoin du th eor` eme de Fisher-Tippet qui permet de caract eriser la loi de distribution des extr emes : Th eor` eme 1 (Th. 3.2.3 de Embrechts, Kl uppelberg et Mikosch (1997)) Supposons N variables al eatoires X1 , . . . , Xn , . . . , XN ind ependantes et de m eme loi de distribution F. Sil existe des constantes aN et bN et une distribution limite non d eg en er ee G telles que lim Pr + N bN x aN = G (x) x R (7.7)

alors G appartient ` a lun des trois types suivants de distribution : Type I (Frechet) G (x) = 0 exp (x ) exp ( (x) ) 1

x0 x>0 x0 x>0 xR

g (x) =

0 x(1+) exp (x ) (x) 0

1

Type II Type III

(Weibull) (Gumbel)

G (x) =

g (x) =

exp ( (x) )

G (x) = exp (ex )

g (x) = exp (x ex )

Cest lun des r esultats les plus importants de la th eorie des extr emes : sous certaines conditions, la loi de distribution des extr emes est lune des trois lois param etriques pr ec edentes. En fait, nous pouvons caract eriser ces trois types de distribution par une distribution unique (Coles et Tawn [1999]) : G (x) = exp 1 + x
1

(7.8)

> 0 et que nous notons G (, , ). Cette fonction de distribud eni sur le support = x : 1 + x tion correspond ` a la loi de probabilit e de Von Mises, mais elle est plus connue sous le nom de Generalized Extreme Value distribution (GEV). Nous avons alors les correspondances suivantes :

Frechet Weibul Gumbel

= 1 > 0 = 1 < 0 0

Remarquons que les param` etres et sont en fait les limites de bN et aN . A titre dillustration, voyons quelques exemples de distribution GEV. Pour cela, nous pouvons facilement montrer que la fonction de densit e correspondante est 1 g (x) = 1+ x
( 1+ )

exp 1 +

(7.9)

Les graphiques (7.5) et (7.6) pr esentent des fonctions de densit e et de r epartition pour di erentes valeurs de param` etre. Lorsque varie, nous remarquons une translation des fonctions. est donc un param` etre de localisation. joue le r ole dune variance, cest pourquoi nous le consid erons comme un param` etre de dispersion. Enn, le param` etre est li e au caract` ere leptokurtique de la fonction de distribution F. Cest pourquoi on lui donne g en eralement le nom dindice de queue ou dindice de valeur extr eme (Drees [1997]). 7.5. LA THEORIE DES VALEURS EXTREMES 73

CHAPITRE 7. LES PROGRAMMES DE STRESS-TESTING

GRAPHIQUE 7.5. Exemples de distribution GEV (I)

GRAPHIQUE 7.6. Exemples de distribution GEV (II)

INTRODUCTION A LA GESTION DES RISQUES

74

CHAPITRE 7. LES PROGRAMMES DE STRESS-TESTING

7.5.2.2

Quelques remarques sur les lois dextr emes

L etude des lois dextr eme est tr` es int eressante. Cest un domaine de recherche prolique. Dans ce paragraphe, nous pr esentons quelques r esultats remarquables. Remarque 9 Reprenons lanalyse WCS et appliquons celle-ci au maximum + N . Nous avons alors GN (x) = gN (x) = et
N

F (x)

N N 1

N F (x)

f (x)

(7.10)

lim GN (x) = G (x)

(7.11)

Il est alors int eressant d etudier la vitesse de convergence qui permet davoir une id ee de la p eriode de r ef erence de lanalyse WCS pour que celle-ci soit equivalente ` a la th eorie des extr emes. Voyons un exemple. Nous consid erons la distribution gaussienne standard. Nous savons que la loi des extr emes correspondante est une Gumbel. Sur le graphique (7.7), nous remarquons que lapproximation de G1 (x) par une loi de Gumbel est moins bonne que celle de G10000 (x). Nous consid erons mainte-

GRAPHIQUE 7.7. Convergence de GN vers la distribution de Gumbel lorsque F est gaussienne

nant plusieurs distributions : la loi gaussienne, la loi exponentielle, la loi de Student T4 et la loi -stable sym etrique5 S0.7 (1, 0, 0). Pour mesurer la convergence, Coles et Tawn [1999] proposent d etudier graxbN en fonction de N et de le comparer celui-ci phiquement le comportement de ln ln GN aN de la loi limite. Pour les lois gaussienne et exponentielle, la loi limite est la distribution de Gumbel. Pour les deux autres, cest la distribution de Fr echet. Le probl` eme est de construire les suites (aN ) et (bN ). Pour la loi exponentielle, nous pouvons montrer que si aN = 1 et bN = ln (N ), NaN N converge bien en loi vers la famille de type III. Pour les autres lois, la connaissance des suites (aN ) et (bN ) nest
5 voir

+ b

Nolan [1999].

7.5. LA THEORIE DES VALEURS EXTREMES

75

CHAPITRE 7. LES PROGRAMMES DE STRESS-TESTING

GRAPHIQUE 7.8. Convergence de certaines distributions vers la distribution de Fr echet

pas toujours v eri ee6 . Dans ce cas, nous pouvons construire les suites num eriquement en adoptant un bN crit` ere de bonne ad equation7 entre GN x et la loi limite G ( x ). Les r e sultats sont pr esent es sur le aN graphique (7.8). Nous voyons ainsi que la convergence de la loi exponentielle est bien plus rapide que celle de la loi gaussienne. Et les distributions qui ont des queues leptokurtiques (cest le cas des distributions T4 et S0.7 (1, 0, 0)) pr esentent des vitesses de convergence plus faibles. Remarque 10 Le quantile G1 () dordre pour la distribution GEV est donn e par la formule suivante : G1 () = 1 ( ln ) (7.12)

Ce quantile est donc fortement inuenc e8 par les deux param` etres et . A titre dillustration, le graphique (7.9) pr esente di erentes courbes de quantiles en fonction de . Intuitivement, nous comprenons que plus la distribution F poss` ede de la variance et plus elle est leptokurtique, plus ce quantile sera el ev e. Remarque 11 Nous pouvons montrer que le mode de la distribution GEV est atteint pour la valeur + (1 ) . Quant ` a la moyenne E + edure N , nous pouvons la calculer facilement en utilisant une proc dint egration num erique de type Gauss-Legendre ou Gauss-Hermite. Nous avons maintenant presque tous les el ements pour appliquer la th eorie des valeurs extr emes ` a la gestion du risque. Soit P la perte potentielle dun portefeuille. Mesurer le risque revient alors ` a analyser
6 Coles et Tawn [1999] fournissent deux expressions pour (a ) et (b ) pour la loi gaussienne, mais celles-ci sav` erent N N num eriquement non ad equates, notamment pour des faibles valeurs de N . Cest pourquoi nous avons aussi pr ef er e utiliser la m ethode num erique de construction des suites pour la loi gaussienne. 7 Nous avons utilis e une norme 2 pour le crit` ere dad equation. 8 En eet, nous avons (7.13) G1 () = ( ln )1+

INTRODUCTION A LA GESTION DES RISQUES

76

CHAPITRE 7. LES PROGRAMMES DE STRESS-TESTING

GRAPHIQUE 7.9. Quantile de la distribution GEV

la loi du maximum de P, cest-` a-dire la distribution du pire. A partir de celle-ci, nous pouvons calculer les quantiles du pire, lesp erance ou le mode du pire, les temps de retour, etc. Avant de voir quelques applications, il reste cependant ` a d evelopper linf erence statistique et les m ethodes destimation dune distribution GEV. 7.5.2.3 Estimation des param` etres de la distribution GEV

Il existe plusieurs m ethodes pour estimer les param` etres de la distribution GEV. Nous pouvons par exemple citer les m ethodes destimation de lindice de queue (de type Hill ou Pickands voir Drees, De Haan et Resnick [1998]), la m ethode des moments ou encore les m ethodes de seuil (bas ee par exemple sur la distribution de Pareto g en eralis ee). Mais celle qui reste la plus populaire et qui sous certaines conditions est la plus ecace est la m ethode du Maximum de Vraisemblance9 . Soit le vecteur des param` etres. Nous avons = Nous consid erons un echantillon de donn ees {Xt } de dimension T = N avec R. Nous divisons cet echantillon en N blocs et nous d enissons + con suivante n de la fa + n = max X1+n(t1) , t = 1, . . . , (7.14)

Lexpression de la vraisemblance de lobservation n est donc L + n; 1 = 1+ + n

( 1+ )

exp 1 +

+ n

(7.15)

utilisons ici les notations et la terminologie de Davidson et MacKinnon [1993], ouvrage de r ef erence sur la question du maximum de vraisemblance.

9 Nous

7.5. LA THEORIE DES VALEURS EXTREMES

77

CHAPITRE 7. LES PROGRAMMES DE STRESS-TESTING

Nous en d eduisons lexpression suivante pour la log-vraisemblance : + n ; = ln 1+ ln 1 + + n 1+ + n

1

(7.16)

Lestimateur du maximum de vraisemblance correspond alors ` a ML = arg max

N

+ n;
n=1

(7.17)

avec lespace des param` etres. Lestimation de lexpression (7.17) est relativement ais ee ` a condition de prendre quelques pr ecautions, notamment pour la sp ecication de (` a cause de la singularit e au point = 0). Pour les applications, nous avons utilis e lalgorithme de Bryoden-Flectcher-Goldfarb-Shanno en utilisant un jacobien analytique (voir lannexe 7.5.6.2).

7.5.3

Le concept de temps de retour

Pour appliquer la th eorie des extr emes ` a la nance, il est n ecessaire dintroduire la notion de temps de retour. Consid erons un ev enement E ayant une probabilit e doccurence egale ` a . La loi dapparition de cet ev enement est alors une variable al eatoire g eom etrique de probabilit e . Son esp erance math ematique est = est le temps de retour de E . Exemple 2 Consid erons une VaR 99%. Le temps de retour associ e ` a l ev enement d epassement de la VaR est = 1 = 100 1 0.99 (7.19) 1 (7.18)

Si la p eriode de d etention est de 1 jour, le temps de retour de la VaR 99% est 100 jours. Cela veut dire quon d epasse la VaR journali` ere en moyenne tous les 100 jours. D enition 1 Soit = Pr {+ ev enement Pr {+ egal ` a (1 ) n x}. Le temps de retour de l n > x} est p eriodes de r ef erence. Le temps de retour en jours est donc = 1 1
1

(7.20)

Remarque 12 Nous pouvons comparer les r esultats entre une V aR traditionnelle et une V aR GEV ` a partir de la relation suivante : GEV = 1 (1 VAR ) (7.21)

7.5.4

Applications

, Durrleman, NiNous reportons les r esultats obtenus par Bezat et Nikeghbali [2000] et Bouye keghbali, Riboulet et Roncalli [2000] avec la base de donn ees LME (les cours consid er es sont celui de laluminium AL, du forward 15 mois de laluminium AL-15 et du cuivre CU). Nous elaborons des sc enarios de crise de la mani` ere suivante. On se donne des temps de retour elev es de lordre de 5 ans, 10 ans, 25 ans, 50 ans, 75 ans et 100 ans et on utilise la formule (7.20) pour calculer la variation maximale n egative des cours sur une journ ee. Les r esultats obtenus sont10 :
10 Pour

information, la valeurs des param` etres estim es sont Param` etres AL 0.022 0.007 0.344 AL-15 0.018 0.006 0.275 CU 0.028 0.013 0.095

INTRODUCTION A LA GESTION DES RISQUES

78

CHAPITRE 7. LES PROGRAMMES DE STRESS-TESTING

Echelles de Risque (en variation journali` ere) pour des positions longues (en %) Temps de Retour AL AL-15 CU 5 -6.74 -4.82 -8.03 -8.57 -5.90 -9.35 10 -11.75 -7.68 -11.23 25 50 -14.91 -9.36 -12.76 75 -17.14 -10.49 -13.70 100 -18.92 -11.38 -14.39 Echelles de Risque (en variation journali` ere) pour des positions courtes (en %) Temps de Retour AL AL-15 CU 5 6.96 5.79 7.53 10 8.35 7.10 8.82 25 10.46 9.20 10.73 50 12.32 11.12 12.34 75 13.52 12.39 13.36 100 14.43 13.38 14.12 Nous avons report e en outre sur les gures (7.10) et (7.11) la densit e des lois dextr emes estim ees ainsi que la relation entre l echelle de risque et le temps de retour dans le cas des positions longues. Notons quil existe dautres alternatives ` a lutilisation de la GEV. Costinot, Riboulet et Roncalli [2000] utilisent une approche dite semi-param etrique en sappuyant sur le fait que les s eries nanci` eres appartiennent au domaine dattraction de la distribution de Fr echet. Les quantiles extr emes se d eduisent des quantiles empiriques ` a partir dune simple homoth etie param etr ee par lindice de queue (voir aussi les travaux de Straetmans [1999,2000]). Dans cette approche, lindice de queue est alors donn e par lestimateur de Hill.

GRAPHIQUE 7.10. Estimation des densit e des lois des extr emes

7.5. LA THEORIE DES VALEURS EXTREMES

79

CHAPITRE 7. LES PROGRAMMES DE STRESS-TESTING

GRAPHIQUE 7.11. Relation entre l echelle de risque et le temps de retour

7.5.5

Le cas multidimensionnel

Cette partie fera lobjet dun d eveloppement dans le cours Gestion des risques multiples. Pour une , Durrleman, Nipremi` ere approche, vous pouvez consulter Bezat et Nikeghbali [2000] et Bouye keghbali, Riboulet et Roncalli [2000].

7.5.6
7.5.6.1

Annexes
Forme g en erale dune loi dextr emes

Nous pouvons montrer que la forme g en erale dune loi dextr emes est exp (h (x)). Nous avons GN (x) = N F (x) et dGN (x) = F (x) ln F (x) dN + N F (x) Nous en d eduisons que d ln GN (x) = ln F (x) dN + N f (x) dx := hN (x) F (x) (7.23)
N N 1

f (x) dx

(7.22)

Il est alors facile de montrer que sous certaines conditions de r egularit e, hN (x) = h (x) lorsque N et F (x) 1 . En introduisant une contrainte de stabilit e (la distribution des extrema dun sous echantillon doit etre la m eme que celle de l echantillon original), Boulier, Brabant, Dalaud et Dieu [1997] montrent que h est la solution dune equation fonctionnelle qui ne poss` ede que trois solutions. 7.5.6.2 Jacobien analytique de la fonction de log-vraisemblance 1 +
1

Nous avons + n; + n; + n; = = =

(1 + ) (+ n ) 1
1

2 1 (+ n ) 2 ln

(+ n )

(7.24) 80

INTRODUCTION A LA GESTION DES RISQUES

avec =1+ + n (7.25)

Bibliographie
[1] Bahar, R., M. Gold, T. Kitto et C. Polizu [1997], Making the best of the worst, Risk Magazine, 10, August [2] Bezat, A. et A. Nikeghbali [2000], La th eorie des extr emes et la gestion des risques de march e, GT ENSAE [3] Boudoukh, J., M. Richardson et R. Whitelaw [1995], Expect the worst, Risk Magazine, 8, September [4] Boulier, J-F., A. Brabant, R. Dalaud et A-L. Dieu [1997]. Risques de march e : Vue de Prol, Direction de la Recherche et de lInnovation, Cr edit Commercial de France, Quants, 28 , E., V. Durrleman, A. Nikeghbali, G. Riboulet et T. Roncalli [2000], Copulas for [5] Bouye nance : a reading guide and some applications, Groupe de Recherche Op erationnelle, Cr edit Lyonnais, Working Paper [6] Coles, S. [1998], Extreme value theory and applications, A course presented at the 44th Reuni ao Annual de RBRAS, S ao Paulo, 26-30 July [7] Coles, S. et J. Tawn [1999], Statistical methods for extreme values, A course presented at the 1988 RSS conference, Strathclyde, September 1998 [8] Costinot, A., G. Riboulet et T. Roncalli [2000], Stress-testing et th eorie des valeurs extr emes : une vision quanti ee du risque extr eme, Groupe de Recherche Op erationnelle, Cr edit Lyonnais, Working Paper [9] Davidson, R. et J. MacKinnon [1993], Estimation and Inference in Econometrics, Oxford University Press, Oxford [10] Drees, H. [1997], Optimal rates of convergence for estimates of the extreme value index, University of Cologne, Technical report [11] Drees, H., L. De Haan et S. Resnick [1998], How to make a Hill plot, University of Cologne, Technical report [12] Dunbar, N. et R. Irving [1998], This is the way the world ends, Risk Magazine, 11, December ppelberg, C. et T. Mikosch [1997], Modelling Extremal Events for Insurance [13] Embrechts, P., Klu and Finance, Springer-Verlag, Berlin [14] Embrechts, P., Resnick, S.I. et G. Samorodnitsky [1997], Extreme value theory as a risk management tool, Departement Mathematik, ETHZ, Z urich, Preprint [15] Embrechts, P., Resnick, S.I. et G. Samorodnitsky [1998], Living on the edge, Risk Magazine, 11, January [16] McNeil, A.J. [1997a], On extremes and crashes, Departement Mathematik, ETHZ, Z urich, Preprint [17] McNeil, A.J. [1997b], Estimating the tails of loss severity distributions using extreme value theory, ASTIN Bulletin, 27, 117-137 [18] McNeil, A.J. [1998a], History repeating, Risk Magazine, 11, January [19] McNeil, A.J. [1998b], Calculating quantile risk measures for nancial return series using extreme value theory, Departement Mathematik, ETHZ, Z urich, Preprint [20] McNeil, A.J. [1999], Extreme value theory for risk managers, Departement Mathematik, ETHZ, Z urich, Preprint [21] Tucker, T et A. Lawrence [1998], Chain reaction, FOW, November, 25-28

Troisi` eme partie

Le risque de cr edit

83

8
Pr esentation g en erale du risque de cr edit

8.1 Origine du risque de cr edit

Lactivit e bancaire demeure fortement r eglement ee du fait du r ole particulier jou e par les etablissements nanciers dans l economie. Deux raisons principales sont ` a lorigine du contr ole de lactivit e bancaire. Dune part, les liens etroits quentretiennent les etablissements nanciers sont ` a lorigine dun risque syst emique : la faillite dune banque peut entra ner, par eet de contamination, celle dautres etablissements. Dautre part, lEtat demeure le principal garant des d ep ots bancaires : lactivit e de contr ole permet de maintenir la conance dans le syst` eme bancaire et den assurer la p erennit e. Les premi` eres dispositions r eglementaires concernant lactivit e de cr edit des banques ont et e emises par le Comit e de B ale. Elles r epondent ` a une logique dad equation des capitaux propres des banques aux risques quelles prennent : les fonds propres doivent etre susants pour couvrir les pertes que les banques sont susceptibles denregistrer. LAccord de B ale (15 juillet 1988) xe le cadre r eglementaire de lactivit e de cr edit de lensemble des banques des pays signataires. Le ratio Cooke impose notamment un niveau de fonds propres minimal : ` a chaque actif d etenu par la banque est associ e un coecient de pond eration (0%, 20%, 50% ou 100%) en fonction du risque associ e ; le capital total destin e` a couvrir le risque doit atteindre au moins 8% de lensemble des actifs ainsi pond er es. La principale critique formul ee ` a lencontre des propositions du Comit e de B ale provient de labsence de fondement economique des coecients de pond eration appliqu es aux actifs : ceux-ci sont x es de fa con arbitraire si bien quils ne re` etent pas correctement le risque de cr edit r eel encouru par les banques. Face ` a cette situation r eglementaire imparfaite, les etablissements bancaires cherchent ` a mettre en place des outils de mesure du risque ecaces permettant de d eterminer le capital economique n ecessaire pour chacune de leurs activit es. De tels outils doivent permettre ` a terme d evaluer et de comparer les rentabilit es economiques (et non plus comptables) des activit es dans lesquelles les banques sont engag ees. Le risque de cr edit peut etre d eni comme le risque de pertes cons ecutives au d efaut dun emprunteur sur un engagement de remboursement de dettes quil a contract ees. En g en eral, on distingue trois composantes : Le risque de d efaut correspond ` a lincapacit e du d ebiteur ` a faire face ` a ses obligations. Lagence Moodys Investors Service retient la d enition suivante du risque de d efaut : tout manquement ou tout retard sur le paiement du principal ou des int er ets . Dans une telle situation, les cr eanciers sont susceptibles daccuser une perte sils ne recouvrent quune partie du montant stipul e par le contrat de dette. La deuxi` eme composante du risque de cr edit provient de lincertitude pesant sur le taux de recouvrement une fois le d efaut survenu.

 ERALE CHAPITRE 8. PRESENTATION GEN DU RISQUE DE CREDIT

La d egradation de la qualit e du cr edit constitue la troisi` eme source de risque portant sur une dette. Si la perception de la qualit e de lemprunteur se d et eriore, la prime de risque accord ee par les march es nanciers saccro t en cons equence. De plus, si lemprunteur b en ecie dune note de la part dune agence de notation, celle-ci est susceptible de se d egrader suite ` a la perception n egative des march es. Notons que les risques de d efaut et de d egradation sont fortement corr el es dans la mesure o` u la d egradation de la qualit e de la contrepartie peut etre pr ecurseur dun d efaut. Ce sont n eanmoins deux risques bien distincts. Le risque de d egradation se traduit par une possible d evalorisation de la dette au cours sa p eriode de vie. Les pertes li ees ` a la d egradation de la qualit e de la contrepartie se r ealisent donc en cas de vente anticip ee de la dette sans quun d efaut se soit pour autant produit.

8.2 Le march e du risque de cr edit

Cest un march e tr` es h et erog` ene puisque le risque de cr edit prend di erentes formes. On distingue n eanmoins deux grandes cat egories. La premi` ere correspond aux pr ets bancaires (et plus g en eralement aux di erentes facilit es de cr edit telles que les lignes de cr edit conrm ees ou non conrm ees). Dans ce cas l` a, l ev enement de cr edit (credit event) est un risque de d efaillance (ou de contrepartie). La seconde cat egorie correspond aux obligations risqu ees. Cela explique en partie que les banques utilisent des outils di erents pour mesurer et g erer le risque de cr edit selon le portfeuille consid er e. La principale di erence tient au choix de lhorizon temporel (default mode (DM) paradigm et Mark-to-market (MTM) paradigm).

8.2.1

Le march e des pr ets bancaires

Ce nest pas un march e au sens economique du terme. Le risque de cr edit provient dune asym etrie dinformation entre la banque et son client. Pr ets court terme et long terme ; Lignes de cr edit conrm ees et non conrm ees ; Financement structur es ; etc.

8.2.2

Le march e des obligations risqu ees

En ce qui concerne le march e des obligations risqu ees (risky bond), Turc [1999] consid ere que la probl ematique du risque de cr edit est triple : Dune part, l emission des obligations implique une probl ematique de la demande de cr edit : pourquoi se nancer par obligation ? Dautre part elle est achet ee, echang ee, agr ement ee de d eriv es en tout genre, sujette ` a sp eculation do` u une probl ematique de trading, ou dinterm ediation nanci` ere : comment prendre en compte le risque de d efaut dans le prix dun produit d eriv e ? Enn, lobligation est partie int egrante du portefeuille dun investisseur, ce qui engendre un probl ematique de gestion : comment g erer un portfeuille avec risque de cr edit, comment estimer le risque globalement encouru par le d etenteur de ce portefeuille ? Linvestisseur en obligations risqu ees cherche un placement plus rentable que celui des obligations d etat (sovereign debt). La di erence entre la rentabilit e dune obligation risqu ee et dune obligation s ure est appel ee le spread de taux. Deux composantes expliquent ce spread de taux : le spread de cr edit (risque de d epr eciation de la qualit e de signature de lemprunteur) et la liquidit e (profondeur du carnet dordre).

8.2.3

Les d eriv es de cr edit

Contrairement aux pr ets bancaires et aux obligations risqu ees qui sont une source de risque de cr edit, les d eriv es du cr edit sont des instruments nanciers hors bilan qui permettent de transf erer le risque de lactif ` a une contrepartie sans c eder cet actif. 1. Premi` ere g en eration de d eriv es de cr edit INTRODUCTION A LA GESTION DES RISQUES 86

 Credit Guarantees Revolving Credit Repo Market Asset Swaps Structured Notes 2. Deuxi` eme g en eration de d eriv es de cr edit Credit default swaps (CDS) Default digital put Total return swaps Credit linked notes Spread Options 3. Troisi` eme g en eration de d eriv es de cr edit First-to-defaults (F2D) First losses Collateralized bond obligations (CBO) Collateralized loan obligations (CLO) Collateralized debt obligations (CDO) Basket credit derivatives

Bibliographie
[1] Credit risk modelling : current practices and applications, Basle Committee on Banking Supervision, April 1999, N 49 [2] Legras, J. et L. Bonnat [2001], Le Cooke est mort, vive le Cooke, Cr edit Commercial de France, Quants, 38 [3] Turc, J. [1999], Pr esentation du march e du risque de cr edit, CDC March es, S eminaire INRIA du 8 juin 1999

9
Lapproche standard

9.1 La r eglementation prudentielle

Nous rappelons que lexigence minimale en fonds propres est compos ee de trois el ements fondamentaux : 1. une d enition du capital r eglementaire, 2. une d enition des actifs pond er es, 3. et un ratio minimal de capital pour ces actifs pond er es : Capital 8% Total des actifs risqu es pond er es Le total des actifs risqu es pond er es est la somme des actifs pond er es pour le risque de cr edit et 12,5 fois les fonds propres r eglementaires pour les risques de march e et op erationnel. Remarque 13 Contrairement aux risques de march e et op erationnel, la base de calcul concerne directement la mesure des actifs pond er es et non les fonds propres r eglementaires (raison historique). Le Comit e de B ale donne lexemple suivant. Si les fonds propres r eglementaires sont egaux ` a $10 pour le risque de march e et $20 pour le risque op erationnel, et si la valeur des actifs pond er es pour le risque de cr edit est $875, alors le total des actifs risqu es pond er es est $1250 (875 + 12.50 10 + 12.50 20). Lexigence minimale en fonds propres est donc de $100 et nous avons la r epartition suivante1 : Type de risque Capital Cr edit 70 March e 10 Op erationnel 20

Remarque 14 Le risque de taux dint er et dans le portefeuille bancaire (risque de taux du bilan) ne fait pas partie de lexigence minimale (premier pilier). Celui-ci est trait e dans le second pilier (ALM). Plusieurs raisons sont evoqu ees pour justier la refonte de la mesure des actifs pond er es pour le risque de cr edit : obtenir une meilleure mesure de risque en prenant en compte les notations externes et internes, eviter larbitrage r eglementaire, par exemple en utilisant des d eriv es de cr edit, consid erer de fa con plus coh erente les techniques de r eduction des risques.
1 Nous

v erions que $70 = $875 8%.

CHAPITRE 9. LAPPROCHE STANDARD

9.2 Les pond erations

D enition 2 Un actif pond er e risqu e (risk weight asset ou RWA) est la valeur de lactif risqu e aect ee dun coecient de pond eration qui d epend de la nature du risque de lactif. Cet actif pond er e risqu e est aussi appel e plus simplement risque pond er e. Dans la version de 1988, la matrice de pond eration standard comprend 4 pond erations (0%, 20%, 50% et 100%) avec un d ecoupage assez grossier (distinction OCDE et non OCDE). La nouvelle matrice de pond eration est la suivante : Notation Emprunteurs souverains Banques 1 2 2 CT AAA ` a AA0% 20% 20% 20% 20% A+ ` a A20% 50% 50% 20% 50% BBB+ ` a BBB- BB+ ` a B50% 100% 100% 100% 50% 100% 20% 50% BBB+ ` a BB100% B- ` aC 150% 150% 150% 150% B+ ` aC 150% non not e 100% 100% 50% 20% 100%

Entreprises

Les risques pond er es souverains (sovereign risk weights) correspondent aux cr eances sur les emprunteurs souverains et leurs banques centrales nationales. Les notations utilis ees sont celles d enies par lagence de rating Standards & Poors. Cependant, dautres agences de notations peuvent etre utilis ees (Moodys par exemple). Actuellement, le Comit e de B ale envisage la possibilit e de prendre en compte les scores de risques pays (country risk rating) publi ees par les agences de cr edit ` a lexportation (Export Credit Agencies ou ECA) qui utilise la m ethodologie 1999 de lOCDE (par exemple, la COFACE en France). Le mapping entre les scores de risques pays et les notations S&P pourrait etre le suivant : Notation S&P Score ECA Pond eration AAA a ` AA1 0% A+ a ` A2 20% BBB+ a ` BBB3 50% BB+ ` a B4` a6 100% B- a `C 7 150% non not e 100%

Notons aussi que la pond eration est de 0% pour la Banque des R eglements Internationaux (Bank for International Settlements ou BIS), le Fonds Mon etaire International (International Monetary Fund ou IMF), la Banque Centrale Europ eenne (European Central Bank ou ECB) et la Communaut e Europ enenne (European Community ou EC). Lautorit e de r egulation peut choisir de traiter les cr eances sur les entit es du secteur public (NonCentral Government Public Sector Entities ou PSE) comme des cr eances sur emprunteurs souverains ou comme des cr eances sur banques. Concernant les banques multilat erates de d eveloppement (Multilateral Development Banks ou MDB), le syst` eme de pond eration est plus complexe. Pour appliquer une pond eration de 0%, la MDB doit satisfaire plusieurs crit` eres : la notation de long terme est AAA, lactionnariat est principalement compos e demprunteurs souverains pr esentant une notation egale ou sup erieure ` a AA, etc. Le Comit e de B ale propose ainsi que les banques suivantes ont une pond eration de 0% : 1. The World Bank Group comprised of the International Bank for Reconstruction and Development (IBRD) and the International Finance Corporation (IFC) 2. The Asian Development Bank (ADB) 3. The African Development Bank (AfDB) 4. The European Bank for Reconstruction and Development (EBRD) INTRODUCTION A LA GESTION DES RISQUES 90

CHAPITRE 9. LAPPROCHE STANDARD

5. The Inter-American Development Bank (IADB) 6. The European Investment Bank (EIB) 7. The Nordic Investment Bank (NIB) 8. The Caribbean Development Bank (CDB) 9. The Council of Europe Development Bank (CEDB) Pour les banques, les autorit es r eglementaires ont le choix entre deux options. Dans la premi` ere option, la pond eration d epend de la notation du pays et non de la banque. Par exemple, la pond eration 20% est applicable aux banques dont le si` ege social est dans un etat not e AAA ` a AA-. Dans la seconde option, la pond eration d epend de la notation de la banque et de la maturit e de la cr eance. Ainsi, une pond eration plus favorable est appliqu ee aux cr eances dune dur ee inf erieure ou egale ` a 3 mois. An de bien comprendre les deux options, voici quelques exemples : Caract eristiques de la cr eance Rating du pays Rating de la banque Maturit e AAA BBB 1 mois AAA BBB 10 ans BB+ AA 3 mois BB+ AA 1 an non not e A 4 mois A non not e 4 mois Pond eration Option 1 Option 2 20% 20% 20% 50% 100% 20% 100% 20% 100% 50% 50% 50%

1 2 3 4 5 6

Pour les entreprises dinvestissement (securities rms), les pond erations sont les m emes que celles des banques. Les pond erations pour les entreprises (corporates) sappliquent aussi aux compagnies dassurance (insurance companies). Contrairement aux banques, il ny a quune seule option et seule la notation de lentreprise est prise en compte. N eanmoins, le d ecoupage des classes de rating est di erent de celui des emprunteurs souverains. Concernant les entreprises non not ees, le Comit e de B ale consid` ere que leurs cr eances ne sont pas g en eralement de qualit e faible (signal low credit quality) et quune pond eration de 150% serait trop p enalisante. Enn, les cr eances garanties par des biens immobiliers r esidentiels (claims secured by residential property ) et par des biens immobiliers commerciaux (claims secured on commercial real estate ) sont pond er ees respectivement ` a 50% et 100%. Concernant les actifs de la banque de r eseau (retail assets ), aucune m ethodologie na encore et e propos ee.

9.3 Les notations externes

Le cur de lapproche standard (Standardized Approach ou SA) est bien s ur les notations externes. Celles-ci sont faites par des organismes externes d evaluation de cr edit (External Credit Assessment Institution ou ECAI). Nous pouvons citer par exemple les agences de rating les plus c el` ebres Standard & Poors, Moodys, Fitch IBCA et DCR. La Banque de France fournit aussi une notation appel ee code BdF. Nous pouvons aussi mentionner que la COFACE produit des notes pays. Les autorit es r eglementaires auront donc ` a valider les ECAI que pourront utiliser les banques. Pour cela, une ECAI devra v erier di erents crit` eres d eligibilit e (voir les paragraphes 53 ` a 62 du document [1]) : Objectivit e (m ethodologie rigoureuse et valid ee par un backtesting) Ind ependance (pas de pressions politiques ou economiques susceptibles dinuencer la notation) Acc` es international et transparence Information (publication des m ethodologies d evaluation) Ressources 9.3. LES NOTATIONS EXTERNES 91

CHAPITRE 9. LAPPROCHE STANDARD

Cr edibilit e

La principale dicult e va etre le mapping des di erentes notations. Le 30 avril 2001, le Comit e de B ale proposait la correspondance suivante entre les deux grandes agences internationales de notation : Prime Maximum Safety AAA Aaa High Grade High Quality AA+ AA AAAa1 Aa2 Aa3 Upper Medium Grade A+ A AA1 A2 A3 Lower Medium Grade BBB+ BBB BBBBaa1 Baa2 Baa3

S&P Moodys

S&P Moodys

Non Investment Grade BB+ Ba1

Speculative BB Ba2 BBBa3

Highly Speculative B+ B BB1 B2 B3

Substantial Risk CCC+ Caa1

In Poor Standing CCC CCCCaa2 Caa3

S&P Moodys

Extremely Speculative CC Ca

May be in Default C C

Default D

Des travaux sont en cours pour obtenir un mapping plus exhaustif. A titre dexemple, Bardos [2001] propose le rapprochement suivant entre les cotations Banque de France et les ratings S&P pour les risques pond er es Corporate : Notation Cote BdF Pond eration AAA ` a AAA37 20% A+ ` a AAutres A37 50% BBB+ ` a BB47 100% BB- ` aC 57, 67, 58, 59, 68 et 69 150% non not e 100%

A titre dexemples, voici quelques notations que nous pouvons trouver sur le site de S&P : http ://www.standardandpoors.com/RatingsActions/index.html Extrait de Sovereign Ratings List (October 11, 2001) : Local Currency Sovereign Argentina Belgium Canada Colombia Denmark France Suriname Longterm rating CCC+ AA+ AAA BBB AAA AAA B Outlook Negative Stable Stable Negative Stable Stable Watch Neg Shortterm rating C A-1+ A-1+ A-3 A-1+ A-1+ Foreign Currency LongShortterm Outlook term rating rating CCC+ Negative C AA+ Stable A-1+ AA+ Stable A-1+ BB Negative B AAA Stable A-1+ AAA Stable A-1+ BWatch Neg 92

INTRODUCTION A LA GESTION DES RISQUES

CHAPITRE 9. LAPPROCHE STANDARD

Extrait de Financial Institutions Counterparty Ratings List Banque Credit Suisse First Boston Morgan Stanley Dean Witter & Co. Merrill Lynch & Co. Inc. Nomura Securities Co. Ltd. La Poste J.P. Morgan Chase & Co Bank of America Corp. Barclays Bank PLC UBS AG Deutsche Bank AG Societe Generale Credit Lyonnais Caisse des Depots et Consignations Caisse Nationale de Credit Agricole BNP PARIBAS Caisse Nationale des Caisses dEpargne et de Prevoyance International Industrial Bank (Russia) OJSC Infobank (Russia) Evolution du rating de la F ed eration de Russie Date June 27, 2001 Dec. 8, 2000 July 27, 2000 Feb. 15, 2000 May 7, 1999 Jan. 27, 1999 Sept. 16, 1998 Aug. 17, 1998 Aug. 13, 1998 June 9, 1998 May 27, 1998 Dec. 19, 1997 Oct. 4, 1996 Local Currency Rating B/Stable/B B-/Stable/C B-/Stable/C CCC+/Positive/C CCC/Stable/C Foreign Currency Rating B/Stable/B B-/Stable/C SD/Not Meaningful/SD SD/Not Meaningful/SD SD/Not Meaningful/SD SD/Not Meaningful/SD CCC-/Negative/C CCC/Negative/C B-/Negative/C B+/Stable/B BB-/CW-Neg./B BB-/Negative/B BB-/Stable/B Notation (Long Term/Outlook/Short Term) AA/Stable/A-1+ AA-/Negative/A-1+ AA-/Negative/A-1+ BBB+/Stable/A-2 AAA/Stable/A-1+ AA-/Stable/A-1+ A+/Stable/A-1 AA/Stable/A-1+ AA+/Stable/A-1+ AA/Stable/A-1+ AA-/Stable/A-1+ A-/Positive/A-2 AAA/Stable/A-1+ AA/Stable/A-1+ AA-/Stable/A-1+ AA/Stable/A-1+ CCC+/Stable/C D

Des informations analogues sont disponibles sur le site de Moodys : http ://www.moodys.com Voici quelques exemples : Cr edit Lyonnais SA LT Senior-Most Rating : A1, Mar 27 2001 , Senior Unsecured - Fgn Curr ST Most Recent Rating : P-1, Apr 28 2000 , Other Short Term Total Fina Elf S.A. LT Senior-Most Rating : Aa2, Feb 10 2000 , Senior Unsecured - Fgn Curr ST Most Recent Rating : P-1, Sep 4 2000 , Other Short Term Groupe Danone LT Senior-Most Rating : A1, Nov 4 1993 , Senior Unsecured - Dom Curr 9.3. LES NOTATIONS EXTERNES 93

CHAPITRE 9. LAPPROCHE STANDARD

Vivendi Universal S.A. LT Senior-Most Rating : Baa2, May 15 1998 , Senior Unsecured - Fgn Curr Carrefour S.A. LT Senior-Most Rating : A1, Apr 13 2001 , Senior Unsecured ST Most Recent Rating : P-1, Aug 16 1999 , Other Short Term European Aeronautic Defence & Space Co. EADS LT Senior-Most Rating : A2, Mar 8 2001 , LT Issuer Rating

9.4 Les proc edures de r eduction des risques

Les proc edures de r eduction de risque (Credit Risk Mitigation ou CRM) permettent de diminuer le risque dune ligne de cr edit en agissant sur la valeur r eelle de lexposition ou sur le taux de recouvrement potentiel. Parmi des proc edures de CRM, nous trouvons les s uret es ou collat eraux (collateral), les d eriv es de cr edit (credit derivatives), les garanties (guarantees) et les accords de compensation (osetting position subject to a netting agreement). Dans lAccord de 1988, lapproche utilis ee est largement all-or-nothing. Concernant le nouvel Accord, les techniques de r eduction de risque sont beaucoup plus larges.

9.4.1

Les s uret es ou collat eraux

Dans une transaction avec un collat eral, une partie du risque est couverte par une s uret e remise par la contrepartie. Pour que cette s uret e soit elligible au titre de CRM, elle doit remplir certains crit` eres (contrat l egal, faible corr elation avec le risque de contrepartie, etc.). Les s uret es valid ees par le Comit e de B ale sont les suivantes : 1. Esp` eces 2. Or 3. Titres not es AAA ` a BB- demprunteurs souverains (par exemple des obligations d etat) 4. Titres not es AAA ` a BBB- des banques, des entreprises dinvestissement et des entreprises (par exemple des actions) 5. Actions qui font partie dun indice principal (par exemple les actions composant le CAC 40) 6. Actions echang ees sur une bourse internationale 9.4.1.1 Lapproche compl` ete

Dans cette approche, on applique des d ecotes (Haircuts) ` a la valeur de march e de la suret e C an de prendre en compte la volatilit e du prix de la suret e. Si nous notons E la valeur de lexposition et r la pond eration de cette exposition, le risque pond er e nest donc pas egal ` a r (E C ). En fait, le risque pond er e sera de la forme r (E (1 w) CA ) (9.1)

o` u CA represente la valeur de la s uret e apr` es prise en compte des d ecotes et w est un facteur plancher (oor) appliqu e` a la part s ecuris ee de la transaction (w CA repr esente le risque r esiduel ). Supposons que w est egal ` a z ero, le risque pond er e est donc r ( E CA ) (9.2)

cest-` a-dire le produit entre la pond eration r et lexposition ajust ee (E CA ). Si w est di erent de z ero, nous avons r (E (1 w) CA ) = r (E CA + wCA ) > r (E CA ) INTRODUCTION A LA GESTION DES RISQUES (9.3) 94

CHAPITRE 9. LAPPROCHE STANDARD

Lintroduction de ce facteur w correspond ` a un souci de prudence de la part du Comit e de B ale (an de traiter le risque r esiduel). Pour linstant, w a et e x e` a 15%. Si CA > E , le Comit e de B ale applique la r` egle CA = E . Dans ce cas, le risque pond er e devient r (E (1 w) E ) = r w E Finalement, le risque pond er e est donc r max ((E (1 w) CA ) , w E ) (9.5) (9.4)

Nous pouvons alors d enir une pond eration ajust ee r (cest-` a-dire une pond eration prenant en compte leet du collat eral) par la formule suivante : r = = r max ((E (1 w) CA ) , w E ) E r max ((1 (1 w) CA /E ) , w)

(9.6)

Prenons un exemple pour bien comprendre leet de s uret e. Consid erons une exposition de $100 sur une contrepartie corporate not ee AA. Celle-ci apporte en esp` eces une s uret e de $20. Nous consid erons quil nest pas n ecessaire dappliquer une d ecote puisque la suret e et lexposition sont exprim ees dans la m eme devise. Dans ce cas, le risque pond er e RWA est egal ` a RWA = 20% max (($100 (1 15%) $20) , 15% $100) = $16.6 Cela revient ` a utiliser une pond eration (ajust ee) de 16,6%. Sur les graphiques (9.1) et (9.2), nous avons report e la valeur de r en fonction de CA et E dans le cas dun emprunteur corporate. Nous observons clairement linuence du facteur de seuil w, cest-` a-dire linuence des risques r esiduels.

GRAPHIQUE 9.1. Evolution de la pond eration ajust ee r en fonction de la s uret e ajust ee CA (E = 100)

Voyons maintenant comment sont appliqu ees les d ecotes pour d enir la valeur ajust ee du collat eral CA . La formule g en erale est CA = C 1 + HE + HC + HF X (9.7)

9.4. LES PROCEDURES DE REDUCTION DES RISQUES

95

CHAPITRE 9. LAPPROCHE STANDARD

GRAPHIQUE 9.2. Evolution de la pond eration ajust ee r en fonction de lexposition E (CA = 50)

avec HE la d ecote li ee ` a la volatilit e de lexposition, HC la d ecote li ee ` a la volatilit e de la s uret e et HF X la d ecote li ee au risque de change. Pour calculer ces d ecotes, nous avons deux possibilit es : utiliser des d ecotes prudentielles standard donn ees par le Comit e de B ale, ou les estimer statistiquement.

Lannexe 3 du document [1] pr esente les estimations des d ecotes prudentielles standard (en %) lorsque la p eriode de d etention est 10 jours et la valorisation et la reconstitution des marges sont journali` eres (10-business day haircuts assuming daily mark-to-market and daily remargining) : Notation AAA ` a AA Maturit e r esiduelle 0` a 1 an 1` a 5 ans +5 ans 0` a 1 an 1` a 5 ans +5 ans Emprunteurs souverains 0.5 2 4 1 3 6 20 0 15 20 30 8 Banques/Entreprises 1 4 8 2 6 12

A` a BBB BB

Esp` eces Or Actions dun indice principal Actions dune bourse internationale Risque FX

Consid erons une s uret e de de $100 sur une obligation du tr esor AAA. Si la maturit e r esiduelle de lobligation est 10 ans et si la s uret e est en esp` eces dans la devise de lobligation, alors nous avons CA = 100 = $96.153 1 + 0.04 + 0 + 0 96

INTRODUCTION A LA GESTION DES RISQUES

CHAPITRE 9. LAPPROCHE STANDARD

Si la devise de lobligation et la devise des esp` eces sont di erentes, il y a un risque de change et nous obtenons CA = 100 = $89.285 1 + 0.04 + 0 + 0.08

Supposons maintenant que la s uret e correspond ` a de lor, nous avons CA = 100 = $84.033 1 + 0.04 + 0.15 + 0

Consid erons maintenant une obligation d etat BB, une s uret e constitu ee par des actions dune bourse internationale (mais qui ne sont pas dans un indice principal) libell ees dans une devise etrang` ere. La valeur ajust ee de la s uret e devient CA = 100 = $63.291 1 + 0.20 + 0.30 + 0.08

Si nous appliquons le risque r esiduel, nous obtenons (1 15%) $63, 291 = $53, 797. Dans ce dernier cas, la valeur ajust ee du colat eral apr` es prise en compte du risque r esiduel ne repr esente que la moiti e de la valeur nominale de la protection. Dans le cadre dune estimation interne des d ecotes, celle-ci doit v erier les m emes crit` eres quantitatifs que ceux pour le risque de march e. En particulier, la p eriode de d etention est x ee ` a 10 jours et le seuil de conance est 99%. Quelque soit lapproche retenue pour calculer les d ecotes (standard ou mod` ele interne), les valeurs de celles-ci doivent etre modi ees si la p eriode N de reconstitution des marges pour les op erations de march e est sup erieure ` a la journ ee H = H10 N +9 10 (9.8)

ou si la p eriode N de revalorisation pour les op erations de pr ets garantis est sup erieure ` a la journ ee2 H = H10 H10 repr esente ici la d ecote ` a 10 jours. 9.4.1.2 Lapproche simple N + 19 10 (9.9)

Dans cette approche, la pond eration applicable ` a la partie non couverte (E C ) est celle de la contrepartie ou de lemprunteur et la pond eration applicable ` a la s uret e C est celle de linstrument de couverture (avec un plancher de 20%).

9.4.2

Les garanties et les d eriv es de cr edit

Pour tenir compte de garanties (et des d eriv es de cr edit), certaines conditions doivent etre remplies (voir les articles 183 ` a 199 du document [1]) : la garantie est directe, explicite, irr evocable et inconditionnelle ; information publique ; etc.

2 Dans

ce cas, la p eriode de d etention standard est 20 jours ouvr es et non 10 jours ouvr es.

9.4. LES PROCEDURES DE REDUCTION DES RISQUES

97

CHAPITRE 9. LAPPROCHE STANDARD

Dans le cas dune couverture proportionnelle, on calcule les risques pond er es de la fa con suivante r E = r (E GA ) + [(r w) + g (1 w)] GA (9.10)

avec GA le montant de la garantie ajust e du risque de change et g la pond eration du risque de la garantie. Nous remarquons que dans le cas dune protection totale (E = GA ), cette expression devient r = (r w) + g (1 w) (9.11)

et r = g si w est egal ` a z ero. La m ethode de calcul est proche de celle issue de lapproche simple pour les s uret es. En eet, si nous posons w egal ` a z ero, nous avons r E = r (E GA ) + g GA (9.12)

Dans le cas dune couverture par tranches (senior et junior), nous distinguons deux cas : 1. Le risque de cr edit sur la tranche junior GJ est transf er e et le risque de cr edit sur la tranche senior GS est conserv e: r E = r GS + [(r w) + g (1 w)] GJ Cela revient donc ` a une couverture proportionelle avec GA = GJ = E GS . 2. Le risque de cr edit sur la tranche junior GJ est conserv e et le risque de cr edit sur la tranche senior GS est transf er e: r E = [(r w) + g (1 w)] GS On consid` ere dans ce cas que le risque sur la tranche junior (qui est un risque de premi` ere perte) doit etre d eduit du montant des fonds propres. Concernant les risques r esiduels, voici les valeurs de w calcul ee par le Comit e de B ale : w 0 0.15 0.15 Garantie Garantie souveraine Autres garanties D eriv es de cr edit (9.13)

9.4.3
9.4.3.1

Autres consid erations

Compensation de bilan

Le Comit e de B ale reconnait les accords de compensation de bilan dans le portefeuille bancaire des pr ets et d ep ots. N eanmoins, la contrepartie doit satisfaire certains crit` eres. Dans ce cas, le facteur de pond eration du risque r esiduel w est egal ` a 0. 9.4.3.2 Le d ecalage des maturit es

Un d ecalage de maturit e intervient losque la maturit e r esiduelle de la couverture est plus faible que celle de lexposition sous-jacente. Dans ce cas, la pond eration corrig ee r est r = r 1
TCRM TE

si TCRM 1 an si 1 an TCRM TE

r+

TCRM TE

avec r la pond eration de lexposition, r la pond eration ajust ee de lexposition, TE la maturit e de lexposition et TCRM la maturit e de la couverture CRM. INTRODUCTION A LA GESTION DES RISQUES 98

CHAPITRE 9. LAPPROCHE STANDARD

9.4.3.3

Lasym etrie des devises

Nous rappelons que la valeur ajust ee du collat eral CA est CA = C 1 + HE + HC + HF X (9.14)

Dans le cadre dune compensation de bilan, la valeur ajust ee du d ep ot re cu D est DA = D 1 + HF X (9.15)

Concernant les garanties et les d eriv es de cr edit, une formule analogue existe GA = G 1 + HF X

9.4.4

Quelques exemples

Nous reproduisons ici les exemples donnn es par le Comit e de B ale (annexe 4 du document [1]). 9.4.4.1 Collateralised transactions

Flat repo with a bank counterparty, not satisfying the conditions for zero w Bank A repos out $1,000-worth of 10-year AAA-rated sovereign securities to Bank B (risk weighted at 20%) and receives $1,000 in cash collateral. Revaluation and remargining are conducted daily. There is no currency mismatch or maturity mismatch. In this case a haircut of 4% is applied to the sovereign securities lent out while there is no haircut for the collateral received, since it is cash. Then the adjusted value of the collateral, CA , is CA = = = C 1 + HE + HC + HF X $1000 1 + 0.04 + 0 + 0 $962

In order to calculate the risk weighted assets, the exposure E , CA , the weight for remaining risks (w = 0.15), and the risk weight of counterparty (r = 0.2) are inserted into the equation below. Note that the exposure ($1,000) exceeds the adjusted value of collateral ($962). r E = r max ((E (1 w) CA ) , w E ) = 0.2 (1000 0.85 962) = $36.50

So, the risk weighted assets will be $36.50 (r = 20% and r = 3.65%). Flat reverse repo with a bank counterparty This is the opposite side of the transaction in Example above. Bank B takes in $1,000 worth of 10-year AAA-rated sovereign securities (from this banks perspective these securities are the collateral received) and provides $1,000 in cash to Bank A (counterparty risk weight 50%). Revaluation and remargining are conducted daily. There is no currency mismatch or maturity mismatch. In this case a haircut of 4% is applied to the sovereign securities reverse repoed in (i.e. taken as collateral) while there is no haircut for the cash posted. Then the adjusted value of the collateral, CA , is CA = = $1000 1 + 0 + 0.04 + 0 $962 99

9.4. LES PROCEDURES DE REDUCTION DES RISQUES

CHAPITRE 9. LAPPROCHE STANDARD

In order to calculate the risk weighted assets, the exposure E , CA , the weight for remaining risks (w = 0.15), and the risk weight of Bank A (r = 0.5) are inserted into the equation below. Note that for Bank B, too, the exposure ($1,000) exceeds the adjusted value of collateral ($962). r E = r (E (1 w) CA ) = 0.5 (1000 (1 0.15) 962) = $91.20

So, the risk weighted assets will be $91.20 (r = 50% and r = 9.12%). Undercollateralised repo with a bank counterparty, not satisfying the conditions for zero w Bank A repos out $1,000-worth of 10-year AAA-rated government securities to Bank B (risk weighted at 20%) and receives $950 in cash collateral. Revaluation and remargining are conducted daily. There is no currency mismatch or maturity mismatch. In this case a haircut of 4% is applied to the government securities lent out while there is no haircut for the collateral received since it is cash. Then the adjusted value of the collateral, CA , is CA = = $950 1 + 0.04 + 0 + 0 $913

In order to calculate the risk weighted assets, the exposure E , CA , the weight for remaining risks (w = 0.15), and the risk weight of counterparty (r = 0.2) are inserted into the equation below. Note that the exposure ($1,000) exceeds the adjusted value of collateral ($913). r E = = 0.2 (1000 0.85 913) $44.71

So, the risk weighted assets will be $44.71 (r = 20% and r = 4.47%). Reverse repo with a bank counterparty, overcollateralised Bank B reverse repos in $1,000-worth of 10-year AAA-rated sovereign securities from Bank A (risk weighted at 50%) and posts $950 in cash collateral. Revaluation and remargining are conducted daily. There is no currency mismatch or maturity mismatch. In this case a haircut of 4% is applied to the government securities reverse repoed in while there is no haircut for the collateral posted since it is cash. Then the adjusted value of the collateral received, CA , is CA = = $1000 1 + 0 + 0.04 + 0 $962

In order to calculate the risk weighted assets, the exposure E , CA , the weight for remaining risks (w = 0.15), and the risk weight of counterparty (r = 0.5) are inserted into the equation below. Note that the adjusted value of collateral ($962) exceeds the exposure ($950). r E = = 0.5 0.15 950 $71.25

So, the risk weighted assets will be $71.25 (r = 50% and r = 7.50%). Flat repo with an non-bank nance company, zero w Bank repos out $1,000-worth of 10-year AAA-rated sovereign securities to nance company (risk weighted at 100%) and receives $1,000 in cash collateral. Revaluation and remargining are conducted daily. There is no currency mismatch or maturity mismatch and the conditions for a zero w are satised. A haircut of 4% is applied to the sovereign securities lent out while there is no haircut for the cash collateral received. Then the adjusted value of the collateral received, CA , is CA = = INTRODUCTION A LA GESTION DES RISQUES $1000 1 + 0.04 + 0 + 0 $962 100

CHAPITRE 9. LAPPROCHE STANDARD

In order to calculate the risk weighted assets, the exposure E , CA , the weight for remaining risks (w = 0), and the risk weight of counterparty (r = 1.0) are inserted into the equation below. Note that the exposure ($1,000) exceeds the adjusted value of collateral ($962). r E = = 1.0 (1000 962) $38.50

So, the risk weighted assets will be $38.50 (r = 100% and r = 3.85%). Securities lending transaction Bank A lends out $1,000 in 10-year AA-rated sovereign securities to Bank B (risk weight 20%) and receives $1,000 in 7-year AAA-rated corporate securities. Daily mark-to-market and daily remargining are conducted. There is no currency mismatch or maturity mismatch. A haircut of 4% is applied to the government securities lent out while a haircut of 8% is also applied to the corporate securities taken as collateral. The adjusted value of the collateral CA is CA $1000 1 + 0.04 + 0.08 + 0 = $893 =

In order to calculate the risk weighted assets, the exposure E , CA , the weight for remaining risks (w = 0.15), and the risk weight of counterparty Bank B (r = 0.2) are inserted into the equation below. Note that E ($1,000) exceeds CA ($893). r E = = 0.2 (1000 0.85 893) $48.20

So, the risk weighted assets will be $48.20 (r = 20% and r = 4.82%). Secured lending to an unrated corporate, cash against main index equities, with a currency mismatch and revaluation every 90 business days A bank lends $950 to an unrated corporate and receives as collateral main index equities denominated in a dierent currency and currently worth $1000. The equity collateral is revalued every 90 business days and there is no remargining. The collateral is pledged for the life of the exposure. With daily remargining, a haircut of 20% would be applied to the equity collateral while there is no haircut for the lending since it is cash. The ten-day standard supervisory haircut for currency mismatch is 8%. Since the frequency of revaluation is once every 90 days, both of these haircuts need to be increased, according to the following formula for secured lending transactions : H = H10 We have HF X = 0.08 and HC = 0.20 90 + 19 = 0.6603 10 90 + 19 = 0.2641 10 N + 19 10

Then HF X = 26.2% and HC = 66.0%, and the adjusted value of the collateral received, CA , is CA $1000 1 + 0 + 0.26 + 0.66 = $520 = 101

9.4. LES PROCEDURES DE REDUCTION DES RISQUES

CHAPITRE 9. LAPPROCHE STANDARD

In order to calculate the risk weighted assets, the exposure E, CA, the weight for remaining risks (w=0.15), and the risk weight of counterparty (r=1.0) are inserted into the equation below. Note that the exposure ($950) exceeds the adjusted value of collateral ($520). r E = = 100% (950 0.85 520) $508.31

So, the risk weighted assets will be $48.20 (r = 100% and r = 53.51%). 9.4.4.2 On-balance sheet netting

Netting of interbank loans and deposits with a maturity and currency mismatch A bank lends $1000 to another bank (eligible for a risk weight of 20%) with a maturity of three years. The same bank counterparty places a two-year deposit in Euros currently worth $950, revalued every 250 business days. The conditions for on-balance sheet netting are satised. There is a currency mismatch and a maturity mismatch. For on-balance sheet netting, w is zero. Both loan and deposit are cash, which attracts a zero haircut. The ten-day standard supervisory haircut for currency mismatch is 8%. Since the frequency of revaluation is once every 250 business days, this haircut needs to be increased, according to the following formula for secured lending transactions : H = H10 We have HF X = 0.08 250 + 19 = 0.4149 10 N + 19 10

Then HF X = 41.5%, and the adjusted value of the collateral received CA is CA = = $950 1 + 0 + 0 + 0.42 $671

In order to calculate the risk weighted assets, the exposure E , CA , and the risk weight of counterparty (r = 0.2) are inserted into the equation below. Note that the exposure ($1,000) exceeds the adjusted value of collateral ($671). r r (E (1 w) CA ) E 20% (1000 671) = 1000 = 6.57% =

Finally, there is a maturity mismatch, so r needs to be adjusted according to the following formula, where t = 2 years and T = 3 years. r t t r+ r T T 2 2 = 1 20% + 6.57% 3 3 = 11.05% = 1

We have r E = 11.05% 1000 = 11.05%). 102

So, the risk weighted assets will be $110.48 (r = 20%, r = 6.57% and r INTRODUCTION A LA GESTION DES RISQUES

9.4.4.3

Guarantees/credit derivatives

Loan to an unrated corporate fully guaranteed by a third-party corporate eligible for a 20% risk weight A bank has lent $1000 to an unrated corporate and has obtained a guarantee for the full amount from a third-party corporate (20% counterparty risk weight). The formula is r E = r (E GA ) + [(r w) + g (1 w)] GA Here E = GA = $1000, r = 100%, g = 20%, w = 0.15 and so the risk-weighted assets are r E = [(100% 15%) + 20% (1 15%)] $1000 = $320

Loan to an unrated corporate fully protected by a guarantee with a third-party bank eligible for a 20% risk weight A bank has lent $1000 to an unrated corporate and has obtained a guarantee for the full amount from a third-party bank (20% counterparty risk weight). Since the guarantor is a bank, a zero w applies. So, the risk weighted assets will be r E = [(100% 0%) + 20% (1 0%)] $1000 = $200

Note that this result is equivalent to the present substitution approach. Pro rata guarantee from bank Bank A has an exposure of $1000 with a three-year residual maturity, and has obtained a pro rata guarantee of $500 of this exposure, also with a three-year residual maturity. The formula for r is r E = r (E GA ) + [(r w) + g (1 w)] GA = 100% ($1000 $500) + [(100% 0%) + 20% (1 0%)] $500 = $600

Bibliographie
[1] Basel Committee on Banking Supervision, The Standardized Approach to Credit Risk Consultative Document, Supporting document to the New Basel Capital Accord, January 2001 [2] Bardos [2001], Statistiques de d efaillance selon les cotations, Banque de France, Secretariat G en eral, Direction des Entreprises, Observatoire des Entreprises

10
La m ethode IRB

10.1 Les principes g en eraux

Contrairement ` a lapproche standardis ee, la m ethode IRB est bas ee sur des evaluations internes des probabilit es de d efaillance (Probability of Default ou PD). Notons que ce concept nintervient pas dans la m ethode SA. N eanmoins, elle est implicitement contenue dans la d enition des pond erations. Avec la m ethode IRB, le but du Comit e de B ale est double : 1. proposer une m ethode plus sensible au risque de cr edit ( additional risk sensitivity ) ; 2. et d enir une m ethode f ed eratrice pour calculer le risque de cr edit ( incentive compatibility, in that an appropriately structured IRB approach can provide a framework which encourages banks to continue to improve their internal risk management practices ). Outre la probabilit e de d efaut PD, la m ethode IRB est bas ee sur deux autres concepts : la perte en cas de d efaillance (Loss Given Default ou LGD) ; lexposition en cas de d efaillance (Exposure At Default ou EAD). Le Comit e de B ale d enit alors deux approches IRB. Dans la premi` ere approche dite approche IRB simple (foundation approach ), seule la probabilit e de d efaillance est estim ee par la banque alors que les autres param` etres sont fournis par les autorit es de r egulation. Dans la seconde approche ou approche IRB avanc ee (advanced approach ), tous les param` etres sont estim es par la banque. N eanmoins, une banque qui adopte la m ethode avanc ee ne peut avoir une exigence en fonds propres inf erieure ` a 90% de celle calcul ee avec la m ethode simple (cest la concept du oor).

10.1.1

Le sch ema simpli ee de lapproche IRB

Le sch ema simpli ee de lapproche IRB est le suivant : Une classication des expositions. Pour chaque classe dexposition, la banque doit fournir les composantes de risque (risk components ). A partir de ces composantes de risque, une fonction de risques pond er es (risk-weight function ) permet de calculer le montant des actifs pond er es. Le respect de certains crit` eres est exig e pour etre elligible ` a lapproche IRB. Un processus de supervision soccupe de faire respecter ces crit` eres. Les banques devront donc classer les expositions du portefeuille en six cat egories : emprunteurs souverains, banques, entreprises, retail (banque de d etail), nancements de projets (project nance ) et equity (actions). Concernant la d enition de la cat egorie retail, lexposition devra remplir les conditions suivantes :

 CHAPITRE 10. LA METHODE IRB

1. Le risque porte sur une ou des personnes individuelles. 2. Le risque porte sur certains produits (cartes de cr edits, pr ets aux particuliers, cr edit bail, d ecouverts, cr edits aux logements, etc.). 3. Lexposition est dun montant relativement faible. 4. Lexposition est comprise parmi un grand nombre dexpositions comparables (notion de granularit e du portefeuille). Comme nous lavons vu, les composantes de risque sont la probabilit e de d efaillance, la perte en cas de d efaillance et lexposition en cas de d efaillance. Une quatri` eme composante concerne la maturit e M. Quelle que soit la m ethode (simple ou avanc ee), les probabilit es de d efaillance sont estim ees par la banque et doivent correspondre ` a une moyenne conservatrice des probabilit es de d efaillance sur le long terme (conservative view of a long-run average PD). Bien s ur, ces probabilit es de d efaillance sont li ees a la construction des notations internes. Dans lapproche simple, les valeurs de LGD sont fournies par ` les autorit es de r egulation. Le document consultatif de Janvier 2001 propose une valeur de 50% pour la plupart des transactions (dettes seniors) et 75% pour les dettes subordonn ees. Dans la m ethode avanc ee, cest la banque elle-m eme qui fournit la valeur. En r` egle g en erale, lexposition en cas de d efaillance sera egale au montant nominal du cr edit. Le calcul des risques pond er es RWA correspond alors RWA = r EAD (10.1)

avec r la pond eration interne calcul ee ` a partir de PD, LGD, M et la fonction de risques pond er es. La banque peut alors calculer la valeur totale des risques pond er es par portefeuille (cest-` a-dire pour chaque classe dexposition) en faisant une simple somme. Finalement, un facteur dajustement qui re` ete la granularit e du portefeuille est appliqu e pour obtenir la valeur nale des risques pond er es.

10.1.2

D enition de la d efaillance

On remarque que la notion cl e dans cette approche est donc la d efaillance. Dans les paragraphes 139 a 151 du document [3], celle-ci est d ` enie de la fa con suivante : La d efaillance dune contrepartie donn ee est suppos ee etre survenue si lun des quatres ev enements a eu lieu 1. Lemprunteur ne peut plus honorer ses obligations de remboursement (principal, int er ets ou commission) en totalit e. 2. Il est survenu un ev enement de cr edit (par exemple, une provision sp ecique). 3. Lemprunteur est en d efaut de paiement depuis 90 jours sur lun de ses cr edits. 4. Lemprunteur est en faillite juridique. On voit donc que cette d enition recouvre deux types de cr eances : les cr eances contentieuses (le risque de perte est constat e) et les cr eances douteuses (le risque de perte est potentiel). Le Comit e de B ale est conscient que cela peut poser des probl` emes de p erim` etre. Cest pourquoi des travaux sont en cours concernant le mapping destimations bas ees sur dautres d enitions.

10.1.3

La notation interne

Celle-ci est au cur de la m ethode IRB. La table 10.1 est un exemple de syst` eme de notation interne. En g en eral, cest un syst` eme avec di erents niveaux (grade) et ` a chaque niveau est associ ee une probabilit e de d efaillance. Ce syst` eme de notation fera lobjet dune validation par les autorit es de r eglementation et la banque devra d emontrer quil est conforme aux exigences minimum depuis au moins trois ans.

10.2 Lexemple de la m ethode IRB pour les entreprises

Nous reprenons ici les grandes lignes du chapitre 2 du document [3]. Le Comit e de B ale remarque que les banques utilisent un syst` eme de notation interne bas e sur 10 notes en moyenne. INTRODUCTION A LA GESTION DES RISQUES 106

 CHAPITRE 10. LA METHODE IRB

Rating 1 2 3 4 A B C A B C A B C

Degree of risk No essential risk Negligible risk Some risk Better than average Average

Denition Extremely high degree of certainty of repayment High degree of certainty of repayment Sucient certainty of repayment There is certainty of repayment, but substential changes in the environment in the future may have some impact on this incertainty There are no problems foreseeable in the future, but a strong likelihood of impact from changes in the environment There are no problems foreseeable in the future, but the future cannot be considered entirely safe. There are no problems at the current time but the nancial position of the borrower is relatively weak There are problems with lending terms or fullment, or the borrowers business conditions are poor or unstable, or there are other factors requiring careful management There is a high likelihood of bankruptcy in the future The borrower is in serious nancial straits and eectively bankrupt The borrower is bankrupt

Borrower category by self-assessment

Normal

6 7

Tolerable Lower than average Needs preventive management Needs serious management

A 8 B 9 10 I II

Needs attention In danger of bankruptcy Eectively bankrupt Bankrupt

TABLE 10.1. Exemple de syst` eme de notation interne (Ieda, Marumo et Yoshiba [2000])

10.2.1

Formulation des pond erations de risque

Les pond erations de risque (risk weights ) sont obtenues ` a partir dune fonction sp ecique continue (risk weight function ). Nous avons r = RW (PD, LGD, M) et RWA = = r EAD RW (PD, LGD, M) EAD (10.3) (10.2)

Les valeurs de PD, LGD, M et EAD sont exprim ees en chires r eels (par exemple, 100% correspond ` a une valeur de 100). Dans lapproche IRB simple, la maturit e nest pas prise en compte. Dans ce cas, la maturit e moyenne des expositions est suppos ee egale ` a 3 ans. Nous avons r = RW = min LGD BRW (PD) , 12.5 LGD 50 (10.4)

RW repr esente la pond eration associ ee ` a des valeurs donn ees des composantes de risques et BRW est la fonction dite benchmark calibr ee pour une perte en cas de d efaillance egale ` a 50%. Dans la m ethode IRB avanc ee, la maturit e est prise en compte. Nous avons alors RW = min LGD BRW (PD) [1 + (M 3) b (P D)] , 12.5 LGD 50

Si la maturit e M est egale ` a 3 ans, nous retrouvons la formule de lapproche IRB simple. Le terme 1 + (M 3) b (P D) est un facteur d echelle multiplicatif lin eaire en M . b (P D) est ici une fonction de la probabilit e de d efaillance. 10.2.1.1 Dans lapproche IRB simple 1 PD PD0.44

Le Comit e de B ale d enit la fonction BRW de la fa con suivante : BRW (PD) = 976.5 1.118 1 (PD) + 1.288 1 + 0.470 (10.5)

Dans cette formule, PD est exprim ee en valeur d ecimale (par exemple, 1% correspond ` a 0.01). Le Comit e de B ale indique que cette fonction de r ef erence (Benchmark Risk Weight function ) est la r esultante du produit de trois facteurs s epar es : 10.2. LEXEMPLE DE LA METHODE IRB POUR LES ENTREPRISES 107

 CHAPITRE 10. LA METHODE IRB

Le terme 1.118 1 (PD) + 1.288 repr esente la somme des pertes esp er ees et non esp er ees associ ee ` a un portefeuille inniment granulaire de pr ets de maturit e 1 an et de perte en cas de d efaillance egale ` a 100%. La calibration a et e faite ` a partir dun mod` ele de risque de cr edit ` a la Merton avec un seul facteur de risque syst ematique. Le seuil de conance et la corr elation moyenne des actifs ont et e x es respectivement ` a 99.5% et 20%. 1PD Le terme 1 + 0.470 PD0.44 est un coecient dajustement qui re` ete une maturit e moyenne egale a 3 ans. ` Le facteur d echelle 976.50 a et e calibr e pour des valeurs PD et LGD par d efaut egales ` a 0.7% et 50%. Dans ce cas, la fonction BRW (PD) prend la valeur 100%. Sur le graphique 10.1, nous avons repr esent e la fonction de r ef erence BRW (PD) en fonction de la probabilit e de d efaillance. Nous remarquons que celle-ci cro t tr` es vite voir le graphique 10.2 repr esentant la d eriv ee premi` ere BRW (PD) / PD. An de bien mesurer limpact de lajustement de maturit e 1PD 1 + 0.470 PD cest-` a-dire la passage dune maturit e un an ` a une maturit e trois ans, le gra0.44 phique 10.3 montre le coecient dajustement dans la formule BRW (PD). Enn, nous avons report e les valeurs des pond erations (en %) des actifs risqu es dans les tables 10.2 ` a 10.4. Nous v erions que la fonction de r ef erence a bien et e calibr ee an que la pond eration soit approximativement 100% pour une probabilit e de d efaillance egale ` a 0.7% et une perte en cas de d efaillance egale ` a 50%.

GRAPHIQUE 10.1. Fonction de r ef erence BRW

Nous pouvons comparer la m ethode SA avec la m ethode IRB simple. La table 10.5 pr esente les valeurs implicites de PD et LGD pour une valeur RW donn ee. La relation est bien s ur lin eaire par rapport ` a la variable LGD. 10.2.1.2 Dans lapproche IRB avanc ee

Cette approche di` ere sensiblement de la m ethode simple. En eet, les valeurs de perte en cas de d efaillance ne sont plus x ees par le r egulateur (50% et 75%), mais sont estim ees par la banque. Ensuite, la maturit e est explicitement prise en compte (elle peut l etre aussi dans la m ethode simple). Dans ce cas, la valeur de la pond eration devient RW = min LGD BRW (PD) [1 + (M 3) b (PD)] , 12.5 LGD 50 (10.6)

INTRODUCTION A LA GESTION DES RISQUES

108

 CHAPITRE 10. LA METHODE IRB

GRAPHIQUE 10.2. D eriv ee premi` ere de la fonction de r ef erence BRW

GRAPHIQUE 10.3. Ajustement de la maturit e 1 + 0.470

1PD PD0.44

10.2. LEXEMPLE DE LA METHODE IRB POUR LES ENTREPRISES

109

 CHAPITRE 10. LA METHODE IRB

PD (en %) 0.0001 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.10

BRW (PD) 0.60 7.43 11.09 14.09 16.73 19.14 21.38 23.49 25.49 27.41 29.25

Maturity Adjustment 21.52 3.70 2.99 2.67 2.47 2.33 2.23 2.15 2.08 2.03 1.98

RW (LGD) 25% 50% 100% 0.30 0.60 1.19 3.71 7.43 14.85 5.55 11.09 22.18 7.04 14.09 28.18 8.36 16.73 33.46 9.57 19.14 38.27 10.69 21.38 42.75 11.74 23.49 46.97 12.75 25.49 50.98 13.70 27.41 54.82 14.63 29.25 58.51

TABLE 10.2. Pond eration des actifs risqu es (I)

PD (en %) 0.10 0.20 0.30 0.40 0.50 0.60 0.70 0.80 0.90 1.00

BRW (PD) 29.25 45.10 58.27 69.94 80.59 90.48 99.78 108.58 116.97 125.00

Maturity Adjustment 1.98 1.72 1.60 1.53 1.48 1.44 1.41 1.39 1.37 1.35

25% 14.63 22.55 29.14 34.97 40.30 45.24 49.89 54.29 58.48 62.50

RW (LGD) 50% 100% 29.25 58.51 45.10 90.21 58.27 116.55 69.94 139.88 80.59 161.18 90.48 180.97 99.78 199.55 108.58 217.16 116.97 233.94 125.00 250.01

TABLE 10.3. Pond eration des actifs risqu es (II)

PD (en %) 1.00 2.00 3.00 4.00 5.00 6.00 7.00 8.00 9.00 10.00 15.00 20.00 50.00

BRW (PD) 125.00 192.43 245.97 291.45 331.38 367.14 399.60 429.36 456.85 482.38 588.04 668.18 908.00

Maturity Adjustment 1.35 1.26 1.21 1.19 1.17 1.15 1.14 1.13 1.12 1.12 1.09 1.08 1.03

25% 62.50 96.22 122.99 145.73 165.69 183.57 199.80 214.68 228.42 241.19 294.02 312.50 312.50

RW (LGD) 50% 100% 125.00 250.01 192.43 384.87 245.97 491.95 291.45 582.90 331.38 662.76 367.14 734.28 399.60 799.21 429.36 858.73 456.85 913.70 482.38 964.76 588.04 1176.07 625.00 1250.00 625.00 1250.00

TABLE 10.4. Pond eration des actifs risqu es (III)

INTRODUCTION A LA GESTION DES RISQUES

110

 CHAPITRE 10. LA METHODE IRB

PD (en %) 0.025 0.05 0.075 0.10 0.25 0.50 0.75 1.00 2.50 5.00 7.50 10.00 25.00 50.00

20% 79.08 52.25 40.82 34.19 19.26 12.41 9.59 8.00 4.54 3.02 2.41 2.07 1.60 1.60

50%

RW 100%

150%

85.46 48.15 31.02 23.98 20.00 11.34 7.54 6.03 5.18 4.00 4.00

96.30 62.04 47.97 40.00 22.68 15.09 12.05 10.37 8.00 8.00

93.06 71.95 60.00 34.02 22.63 18.08 15.55 12.00 12.00

TABLE 10.5. Relation implicite entre la probabilit e de d efaillance et la perte en cas de d efaut pour une valeur RW donn ee

La fonction de r ef erence ne change pas. Le terme 1 + (M 3) b (PD) intervient ici comme un facteur de diminution (M < 3) ou daugmentation (M > 3) de la pond eration. La fonction b (PD) repr esente la sensibilit e de la pond eration par rapport ` a la maturit e. Par exemple, si b (PD) est egal ` a z ero, la maturit e M na pas dinuence sur la pond eration. Notons que pour des raisons evidentes, nous devons v erier que 1 + (M 3) b (PD) > 0 ou encore pour M < 3 b (PD) < 1 3M (10.8) (10.7)

Pour linstant, le Comit e de B ale na pas x e d enitivement la fonction b (PD). Les premiers travaux montrent que cette fonction d epend de lapproche consid er ee pour traiter le risque de cr edit : approche Mark-to-Market ou approche Default Mode. Dans la premi` ere approche (MtM), la calibration du Comit e de B ale sugg` ere cette fonction b (PD) = 0.0235 (1 PD) PD +0.470 (1 PD)
0.44

(10.9)

Dans ce cas, la valeur de la pond eration devient RW = = LGD BRW (PD) [1 + (M 3) b (PD)] 50 LGD 1 PD 976.5 1.118 1 (PD) + 1.288 1 + 0.470 50 PD0.44 0.0235 (1 PD) 1 + (M 3) 0.44 PD +0.470 (1 PD) LGD 976.5 1.118 1 (PD) + 1.288 50 1 PD 1 PD 1 + 0.470 + 0.0235 (M 3) PD0.44 PD0.44

(10.10)

Cela revient ` a d enir une nouvelle fonction de r ef erence : BRW (PD) = 976.5 1.118 1 (PD) + 1.288 1 + 0.470 1 PD 1 PD + 0.0235 (M 3) PD0.44 PD0.44 (10.11)

Nous remarquons que le coecient dajustement de la maturit e est maintenant plus complexe puisquil comprend deux termes : 10.2. LEXEMPLE DE LA METHODE IRB POUR LES ENTREPRISES 111

 CHAPITRE 10. LA METHODE IRB

PD (en %) 0.025 0.05 0.075 0.10 0.25 0.50 0.75 1.00 2.50 5.00 7.50 10.00 25.00 50.00

(PD) 2.81 2.33 2.11 1.98 1.65 1.48 1.40 1.35 1.23 1.17 1.14 1.12 1.06 1.03

M = 0 .5 0.55 0.67 0.72 0.75 0.84 0.88 0.90 0.91 0.94 0.96 0.97 0.97 0.98 0.99

(PD, M ) M =1 M =3 M =5 1.00 2.81 4.61 1.00 2.33 3.66 1.00 2.11 3.23 1.00 1.98 2.96 1.00 1.65 2.31 1.00 1.48 1.96 1.00 1.40 1.80 1.00 1.35 1.71 1.00 1.23 1.46 1.00 1.17 1.33 1.00 1.14 1.27 1.00 1.12 1.23 1.00 1.06 1.13 1.00 1.03 1.06

M =7 6.42 4.99 4.34 3.94 2.96 2.44 2.20 2.06 1.70 1.50 1.41 1.35 1.19 1.10

TABLE 10.6. Facteur dajustement de la maturit e

1PD est le terme de correction pour passer dune maturit e 1 an 1. Le premier terme 1 + 0.470 PD 0.44 a une maturit ` e moyenne 3 ans. Il est strictement sup erieur ` a 1 si la probabilit e de d efaillance est inf erieure ` a 100%. 1PD 2. Le second terme 0.0235 (M 3) PD con 0.44 est le terme de correction qui prend en compte de fa explicite la maturit e. Il peut etre positif ou n egatif.

Nous remarquons que si la maturit e est egale ` a un an (M = 1), nous avons BRW (PD) = 976.5 1.118 1 (PD) + 1.288 (10.12)

Nous retrouvons bien la fonction de r ef erence qui a et e calibr ee pour une maturit e egale ` a un an. Si la maturit e vaut trois ans, alors nous obtenons l egalit e BRW (PD) = BRW (PD). La table 10.6 pr esente les valeurs des facteurs dajustement de maturit e (PD) = 1 + 0.470 et (PD, M ) = 1 + 0.470 1 PD 1 PD 0.44 + 0.0235 (M 3) PD PD0.44 (10.14) 1 PD PD0.44 (10.13)

Lincidence sur la valeur de la pond eration est pr esent ee dans la table 10.7. Dans lapproche DM, la calibration du Comit e de B ale sugg` ere une fonction polynomiale b (PD) = 7.6752 PD2 1.9211 PD +0.0774
+

(10.15)

Dans ce cas, b (PD) prend syst ematiquement la valeur z ero si la probabilit e de d efaillance est sup erieure a 5%. A titre de comparaison, lincidence sur la pond ` eration est pr esent ee dans la table 10.8. Nous remarquons que la sensibilit e de la pond eration ` a la maturit e est beaucoup moins forte dans lapproche DM que dans lapproche MtM (voir le graphique 10.4).

10.2.2

Justication de la m ethode IRB

Dans ce paragraphe, nous suivons lexpos e de Wilson [2001a]. Consid erons un portefeuille de I cr edits. Notons LGDi la perte nominale en cas de d efaillance. LGDi est une variable al eatoire de moyenne Ei et d ecart-type Ei i . Nous supposons que la probabilit e de d efaillance du i-i` eme cr edit d epend dun mod` ele factoriel : Pi = Pi (X1 , . . . , Xn ) INTRODUCTION A LA GESTION DES RISQUES (10.16) 112

 CHAPITRE 10. LA METHODE IRB

PD (en %) 0.025 0.05 0.075 0.10 0.25 0.50 0.75 1.00 2.50 5.00 7.50 10.00 25.00 50.00

M = 0 .5 0.20 0.29 0.34 0.38 0.51 0.59 0.64 0.67 0.76 0.82 0.85 0.87 0.92 0.96

RW / RW M =1 M =3 M =5 0.36 1.00 1.64 0.43 1.00 1.57 0.47 1.00 1.53 0.50 1.00 1.50 0.60 1.00 1.40 0.68 1.00 1.32 0.71 1.00 1.29 0.74 1.00 1.26 0.81 1.00 1.19 0.86 1.00 1.14 0.88 1.00 1.12 0.90 1.00 1.10 0.94 1.00 1.06 0.97 1.00 1.03

M =7 2.29 2.14 2.05 1.99 1.79 1.65 1.57 1.52 1.38 1.29 1.24 1.21 1.12 1.06

TABLE 10.7. Rapport entre la pond eration ajust ee et la pond eration originale (approche MtM)

PD (en %) 0.03 0.05 0.07 0.10 0.25 0.50 0.75 1.00 2.50 5.00 7.50 10.00 25.00 50.00

M = 0 .5 0.81 0.81 0.81 0.81 0.82 0.83 0.84 0.85 0.91 1.00 1.00 1.00 1.00 1.00

RW / RW M =1 M =3 M =5 0.85 1.00 1.15 0.85 1.00 1.15 0.85 1.00 1.15 0.85 1.00 1.15 0.85 1.00 1.15 0.86 1.00 1.14 0.87 1.00 1.13 0.88 1.00 1.12 0.93 1.00 1.07 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00

M =7 1.31 1.31 1.30 1.30 1.29 1.27 1.25 1.24 1.14 1.00 1.00 1.00 1.00 1.00

TABLE 10.8. Rapport entre la pond eration ajust ee et la pond eration originale (approche DM)

10.2. LEXEMPLE DE LA METHODE IRB POUR LES ENTREPRISES

113

 CHAPITRE 10. LA METHODE IRB

GRAPHIQUE 10.4. Repr esentation graphique de la fonction b (PD)

Le d efaut Di est alors une variable al eatoire dont la distribution est une loi de Bernoulli de param` etre Pi . Nous avons donc E [Di ] = Pi et 2 [Di ] = Pi (1 Pi ). La perte du portefeuille L est al eatoire

L=
i=1

Di LGDi

(10.17)

Nous pouvons calculer les deux premiers moments sous lhypoth` ese que les d efauts et les pertes nominales sont ind ependantes. Nous avons

E [ L] = E
i=1 I

Di LGDi E [Di LGDi ]

=
i=1 I

=
i=1 I

E [Di ] E [LGDi ] Ei Pi
i=1

(10.18)

INTRODUCTION A LA GESTION DES RISQUES

114

 CHAPITRE 10. LA METHODE IRB

et
I

2 [L]

= =

2
i=1 I

Di LGDi 2 [Di LGDi ]

i=1 I

=
i=1 I

E (Di LGDi E [Di LGDi ])

=
i=1 I

2 2 2 E Di E LGD2 i E [Di ] E [LGDi ]

=
i=1 I

2 [Di ] + E2 [Di ] Pi (1 Pi ) + Pi2

i=1 I

2 [LGDi ] + E2 [LGDi ] E2 [Di ] E2 [LGDi ]

2 2 2 2 Ei i + Ei Pi2 Ei

= =
i=1

2 Ei Pi (1 Pi ) + 2 i Pi

(10.19)

Notons que cette moyenne et cet ecart-type sont des variables conditionnelles aux r ealisations des facteurs X1 , . . . , Xn . Dans ce cadre danalyse, Wilson [2001a] consid er` ere un portefeuille M equivalent au portfeuille original . Ce nouveau portefeuille est construit en rempla cant chaque cr edit par M cr edits ind ependants dexposition Ei /M et de m eme probabilit e de d efaillance Pi (X1 , . . . , Xn ). Lorsque M tend vers linni, nous obtenons un portefeuille not e . Cest le portefeuille inniment granulaire du Comit e de B ale (innitely ne-grained portfolio). Notons L la perte de ce portefeuille. Nous avons E [ LM ] = =
i=1

1 Ei Pi M i=1 m=1
I

Ei Pi E [L] (10.20)

= et 2 [LM ] = = =

1 2 E Pi (1 Pi ) + 2 i Pi 2 i M i=1 m=1 1 M
I 2 Ei Pi (1 Pi ) + 2 i Pi i=1

1 2 [ L] M

(10.21)

Nous en d eduisons que E [L ] = E [L] et 2 [L ] = 0. Conditionnellement aux r ealisations des facteurs, la distribution de perte L est une variable al eatoire s ure qui prend la valeur E [L] : Pr {L = E [L]} = 1 (10.22)

Lal ea du portefeuille inniment granulaire ne porte donc plus que sur les facteurs X1 , . . . , Xn . Si nous supposons un seul facteur X de distribution H et si Pi est une fonction croissante du facteur, linverse de la distribution de la perte est donc
I 1 F () := i=1

Ei Pi H1 ()

(10.23)

10.2. LEXEMPLE DE LA METHODE IRB POUR LES ENTREPRISES

115

 CHAPITRE 10. LA METHODE IRB

La contribution du cr edit i est donc SRCi = Ei Pi H1 () . Dans le paragraphe 172 du document [3], le Comit e de B ale explique que la formule de la fonction de r ef erence BRW a et e calibr ee en utilisant un mod` ele ` a la Merton avec un seul facteur. Pour retrouver son expression, nous utilisons les r esultats de Finger [1999]. Soit Zi la valeur de lactif normalis ee. Dans le mod` ele de Merton, la d efaillance intervient si Zi passe en dessous dune barri` ere Bi : Di = 1 Zi < Bi ou encore (Z i ) < P i La valeur normalis ee de lactif est mod elis ee de la fa con suivante Zi = X + 1 i (10.26) (10.25) (10.24)

avec X le facteur de risque syst ematique et i le facteur de risque individuel. Les variables al eatoires Zi , Z et i sont ind ependantes de distribution N (0, 1). Pour interpr eter le param` etre , nous calculons E [ Zi Zj ] = = E X 2 + (1 ) i j + X (1 ) (i+ j ) (10.27)

est donc la corr elation (constante) des valeurs des actifs. Nous pouvons maintenant caract eriser la probabilit e de d efaillance conditionnelle Pi = Pr {Di = 1 | X } = Pr {Zi < Bi | X } = Pr X + 1 i < Bi Bi X = Pr i < 1 Bi X = 1

(10.28)

Notons pi la probabilit e de d efaillance non conditionnelle. Nous remarquons que pi = Pr {Zi < Bi } = (Bi ) Nous en d eduisons que Pi = 1 (pi ) X 1 (10.30) (10.29)

Une couverture au seuil de conance implique donc une contribution individuelle egale ` a1 SRCi = Ei Pi = Ei 1 (pi ) 1 (1 ) 1 (10.31)

Pour = 99.5% et = 20% (valeurs pr esent ees dans le paragraphe 172 du document [3]), nous obtenons SRCi = Ei 1.1181 (pi ) + 1.288 (10.32)

Nous pouvons noter que la probabilit e conditionnelle Pi est extr emement sensible au seuil de conance et ` a la corr elation (voir les graphiques 10.5 ` a 10.8).
1 car

la relation entre la probabilit e de d efaillance conditionnelle et le facteur X est d ecroissante.

INTRODUCTION A LA GESTION DES RISQUES

116

 CHAPITRE 10. LA METHODE IRB

GRAPHIQUE 10.5. Inuence du seuil sur la probabilit e de d efaillance conditionnelle Pi ( = 20%)

GRAPHIQUE 10.6. Inuence du seuil sur la probabilit e de d efaillance conditionnelle Pi pour des valeurs donn ees de pi ( = 20%)

10.2. LEXEMPLE DE LA METHODE IRB POUR LES ENTREPRISES

117

 CHAPITRE 10. LA METHODE IRB

GRAPHIQUE 10.7. Inuence de la corr elation sur la probabilit e de d efaillance conditionnelle Pi ( = 99.5%)

GRAPHIQUE 10.8. Inuence de la corr elation sur la probabilit e de d efaillance conditionnelle Pi pour des valeurs donn ees de pi ( = 99.5%)

INTRODUCTION A LA GESTION DES RISQUES

118

 CHAPITRE 10. LA METHODE IRB

Remarque 15 Nous pouvons v erier que pi est bien la probabilit e non conditionnelle2 : pi = EX 1 (pi ) X 1 (10.40)

Remarque 16 Si est egal ` a 0, alors la probabilit e conditionnelle est egale ` a la probabilit e non conditionnelle : Pi = pi Si est egal ` a 1, la probabilit e conditionnelle vaut respectivement 0 si pi < 1 , 1/2 si pi = 1 et 1 si pi > 1 . Concernant le terme repr esentant lajustement de maturit e, nous pouvons pens e quil a et e obtenu par une m ethode de calibration ` a partir dune relation econom etrique. Notons la maturit e ou lhorizon du ( ) d efaut et Di la variable al eatoire associ ee au d efaut de maturit e . Pour egal ` a 1 an, nous avons ( ) Di = Di et Di Probabilit e 0 1 pi 1 pi

Nous avons donc 2 etats de la nature (0 ou 1) et nous pouvons repr esenter le syst` eme par une cha ne de Markov stationnaire dont la matrice des probabilit es de transition est := , +1 =
2 (preuve

1 pi 0

pi 1

(10.41)

sugg er ee par Jean-Fr ed eric Jouanin).

Nous devons montrer que



pi = Pour cela, nous posons

1 (pi ) x (x) dx 1


(10.33)

A (t) = Nous avons t A (t) = = 1 1

t x (x) dx 1 t x (x) dx 1   2 t x x2 exp dx 2 2 (1 )

(10.34)

1 2 1

(10.35)

Nous mettons le trin ome du second degr e en x sous forme canonique : 2 2 t x t x x2 t2 + = + 2 2 (1 ) 2 2 (1 ) Finalement, nous obtenons
 2 1 t t A (t) = exp 2 2 

(10.36)

1 F exp 2 (1 )

2 (1 )

dx

(10.37)

En faisant le changement de variable y = (1 ) 2 x

t , lexpression de t A (t) devient  2 t 1 exp t A (t) = 2 2

1

(10.38)

Nous en d eduisons que A (t) = (t) et nous v erions bien que A 1 (pi ) = pi (10.39)

10.2. LEXEMPLE DE LA METHODE IRB POUR LES ENTREPRISES

119

 CHAPITRE 10. LA METHODE IRB

Un calcul rapide montre que ( ) := . . . =

fois

(1 pi ) 0

1 (1 pi ) 1

(10.42)

Nous en d eduisons que la distribution Di

( )

( )

est une variable de Bernoulli avec 0 (1 pi ) 1 1 (1 pi )

Di Probabilit e

Le Comit e de B ale indique que la maturit e implicite de la m ethode IRB simple est 3 ans. Nous rappelons que BRW (PD) = 976.5
scaling factor

1.118 1 (PD) + 1.288

Probabilit e conditionnelle de d efaillance ` a 1 an (3) Di ,

1 + 0.470

1 PD PD0.44

(10.43)

Ajustement de maturit e

En utilisant la distribution de nous en d eduisons que la fonction de r ef erence qui prend en compte de fa con explicite la maturit e 3 ans est BRW (PD) = C
scaling factor

1.118 1 1 (1 PD)

+ 1.288

(10.44)

Probabilit e conditionnelle de d efaillance ` a 3 ans

Nous pouvons comparer les pond erations en risque obtenues avec la formule (10.43) du Comit e de B ale avec celle donn ee par l equation (10.44) voir le graphique 10.9. Si nous prenons C egal ` a 976.5, nous remarquons que lajustement propos e par le Comit e de B ale nest pas tr` es bons (sauf pour des probabilit e de d efaillance tr` es faibles). N eanmoins, pour comparer les formules (10.43) et (10.44), il est n ecessaire de xer le facteur d echelle C an dobtenir une pond eration egale ` a 100% pour une probabilit e de d efaillance de 0.7% et une perte en cas de d efaillance de 50%. Dans ce cas, C vaut 619.59 et lajustement est excellent (lorsque PD est inf erieur ` a 10%).

GRAPHIQUE 10.9. Fonction de r ef erence BRW (ajustement de maturit e/formule exacte)

Enn, la valeur 976.5 est le facteur d echelle calibr e an que la pond eration soit egale ` a 100% pour une probabilit e de d efaillance de 0.7% et une perte en cas de d efaillance de 50%. INTRODUCTION A LA GESTION DES RISQUES 120

 CHAPITRE 10. LA METHODE IRB

10.2.3
10.2.3.1

Param` etres de la fonction de pond eration

La probabilit e de d efaillance

Si le cr edit nest pas prot eg e par une technique CRM, la probabilit e de d efaillance est celle associ ee ` a la note interne ` a laquelle lemprunteur est aect e pour un horizon dun an. Dans le cas dune protection, nous devons distingu e lapproche IRB simple de lapproche IRB avanc ee : Dans la premi` ere approche, la probabilit e de d efaillance ajust ee PD (qui est applicable uniquement a la partie couverte de lexposition) est ` PD = w PD + (1 w) PDG (10.45)

o` u PDG est la probabilit e de d efaillance de la garantie et w est le facteur de risque r esiduel (0 ou 15%). Dans la deuxi` eme approche, la probabilit e de d efaillance ajust ee PD est celle de la garantie. 10.2.3.2 La perte en cas de d efaillance

Nous rappelons que les pertes en cas de d efaillance sont r eglementaires (50% ou 75%) dans lapproche simple. Dans le cas dexistence de suret es, la perte en cas de d efaillance ajust ee LGD est LGD = max 1 (1 w) CA LGD, w LGD E (10.46)

o` u E est lexposition et CA la valeur ajust ee des suret es. Si le colat eral est physique (une r esidence par exemple), alors la perte en cas de d efaillance ajust ee LGD est donn ee par le tableau suivant Condition C E 30% C E > 140% C 30% < E 140% LGD 50% 40% 1 1 7

C E

50%

Dans lapproche avanc ee, les banques pourraient utiliser leurs propres estimations. 10.2.3.3 La maturit e

Celle-ci nintervient explicitement que dans le cas de lapproche avanc ee. La maturit e correspond ` a la dur ee r esiduelle maximum avec un plancher egal ` a un an. 10.2.3.4 Lexposition en cas de d efaillance

Cest lencours nominal du cr edit.

10.2.4

Les exigences minimales d eligibilit e

Celles-ci sont nombreuses (voir les paragraphes 189 ` a 261 du document [3]). Elles concernent la notation, laudit interne et externe, la surveillance du risque de cr edit, la qualication du personnel, lestimation des param` etres, le mapping vers des donn ees externes, etc.

Prenons par exemple les normes minimales pour lestimation de la probabilit e de d efaillance. Dans ce cas, la banque doit la calculer sur un an pour toutes ses cat egories de notation interne. La probabilit e de d efaillance doit etre une mesure prudente de la probabilit e de d efaillance moyenne ` a long terme et une mesure prospective. La longueur des s eries historiques doit etre dau moins cinq ans. La fr equence des estimations est annuelle... Dautres informations concernant la gestion du risque de cr edit sont disponibles dans les documents [1] et [2]. 10.2. LEXEMPLE DE LA METHODE IRB POUR LES ENTREPRISES 121

 CHAPITRE 10. LA METHODE IRB

10.3 Prolongements
Les travaux du Comit e de B ale sont loin d etre nis. Nous indiquons ici les principales di erences qui existent par rapport au risque corporate.

10.3.1

Risque retail
1 PD PD0.44

Le Comit e de B ale propose dutiliser la fonction de r ef erence suivante : BRW (PD) = 976.5 1.043 1 (PD) + 0.766 1 + 0.470 (10.47)

Cela implique que la corr elation a et e x ee ` a 8%, ce qui est beaucoup plus faible que pour le risque corporate. La tr` es grande di erence avec le risque corporate est la notation, ou plus pr ecis ement la segmentation des clients. Celle-ci varie enorm ement dune banque ` a une autre. De plus il nexiste pas de m ethodologies externes qui pourraient aider ` a la construction dune m ethodologie standardis ee ou f ed eratrice.

10.3.2

Risque souverain

Le Comit e de B ale propose de traiter le risque sovereign comme le risque corporate.

10.3.3

Risque banque

Le Comit e de B ale propose de traiter le risque bank comme le risque corporate.

10.3.4

Risque nancement de projet

Les travaux sont en cours.

10.3.5

Risque equity

Les travaux sont en cours.

10.4 Granularit e du portefeuille

Lanalyse pr ec edente nest valide que pour des portefeuilles inniment granulaires (innitely negrained portfolio). Dans le cas o` u le portefeuille pr esente des concentrations, il convient dajuster les fonds propres pour tenir compte de ces risques. Cet ajustement est appel e lajustement de granularit e (granularity adjustment) par le Comit e de B ale.

10.4.1

La m ethodologie
F = Pi pi (10.48)

Le Comit e de B ale d enit une sensibilit e au risque syst ematique de la fa con suivante :

Cest la di erence entre la probabilit e de d efaillance conditionnelle et la probabilit e de d efaillance non conditionnelle. Un autre expression de F est 1 (pi ) 1 (1 ) F = pi (10.49) 1 ou encore F = 1 1 (pi ) + 0 pi INTRODUCTION A LA GESTION DES RISQUES (10.50) 122

 CHAPITRE 10. LA METHODE IRB

avec 1 = et 0 = 1 () 1 (10.52) 1 1 (10.51)

Par exemple, pour le risque corporate3 , nous obtenons 1 = 1.118 et 0 = 1.288. Le Comit e de B ale propose de calculer lajustement de granularit e en deux etapes : 1. Dans une premi` ere etape, le portefeuille actuel de la banque est transform e en un portefeuille hypoth etique dexpositions homog` enes. Quatre composantes agr eg ees de risque sont alors d enies : (a) une probabilit e de d efaillance agr eg ee PDAG , (b) une perte en cas de d efaillance agr eg ee LGDAG , (c) une sensibilit e au risque syst ematique FAG , (d) et un nombre eectif de pr ets n . 2. Dans une deuxi` eme etape, on calcule lajustement par la formule suivante G= TNRE GSF 0.04 RWANR n (10.53)

o` u TNRE est lexposition totale hors retail, GSF est le coecient dajustement de granularit e et RWANR est la valeur des actifs pond er es hors retail. Le montant G est alors additionn e aux actifs pond er es. Avant de d enir le coecient dajustement de granularit e (granularity scaling factor), nous devons pr eciser les 4 composantes agr eg ees de risque. Nous notons C une cat egorie de risque. Notons sC la part dexposition au risque de la cat egorie C dans le risque total : sC =
C iC

EADi iC EADi

Nous avons PDAG LGDAG FAG =

C

sC PDC
C

= =
C

sC PDC LGDC PDAG sC F C =

C

sC 1 1 (PDC ) + 0 PDC

(10.54)

avec PDC la probabilit e de d efaillance de la cat egorie C et LGDC =

iC

EADi LGDi iC EADi

(10.55) est une mesure de la

Le nombre eectif de pr ets n est linverse de lindice dHerndahl H . H concentration du portefeuille. Nous avons n = = 1 H

1 2 C AC HC sC

(10.56)

3 Nous

rappelons que = 20% et = 99.5%.

DU PORTEFEUILLE 10.4. GRANULARITE

123

 CHAPITRE 10. LA METHODE IRB

avec HC = et AC =
2 LGD2 C PDC (1 PDC ) 0.033 FC + 0.25 PDC LGDC (1 LGDC ) iC iC

EAD2 i EADi
2

(10.57)

LGD2 AG

2 ) + 0.25 PD (PDAG (1 PDAG ) 0.033 FAG AG LGDAG (1 LGDAG )

(10.58)

Le coecient dajustement de la granularit e correspond alors ` a GSF = (0.6 + 1.8 LGDAG ) 9.5 + 13.75 PDAG FAG (10.59)

Remarque 17 TNRE est lexposition totale hors retail, cest-` a-dire la somme des expositions en cas de d efaillance : TNRE =
C iC

EADi

(10.60)

10.4.2

Exemples

An de bien comprendre comment lajustement de granularit e fonctionne en pratique, nous consid erons le cas dun portefeuille avec deux cat egories de risque C1 et C2 . La probabilit e de d efaillance de C1 et C2 est not ee respectivement PD1 et PD2 . Dans la premi` ere cat egorie de risque C1 , nous avons N1 cr edits de m eme caract eristiques EAD1,i et LGD1,i et un cr edit dont les caract eristiques sont EAD1,0 et LGD1,0 . Dans la deuxi` eme cat egorie de risque C2 , nous avons N2 cr edits de m eme caract eristiques EAD2,i et LGD2,i et un cr edit dont les caract eristiques sont EAD2,0 et LGD2,0 . Les calculs sont pr esent es dans le tableau suivant. An de comprendre limpact dun coecient, nous avons laisser les cases vides correspondant ` a des param` etres qui ne changent pas dun exemple ` a un autre. Exemple N1 PD1 EAD1,0 LGD1,0 EAD1,i LGD1,i N2 PD2 EAD2,0 LGD2,0 EAD2,i LGD2,i PDAG LGDAG FAG n GSF TNRE RWANR G RWANR +G #1 100 0.7% 1 50% 1 50% 100 0.7% 1 50% 1 50% 0.7% 50% 0.065 202 16.46 202 201.55 8.40 209.95 #2 10000 #3 #4 100 #5

10000 5%

100 1000 1000 2.85% 0.153 20432 18.09 43120 -1707 41413 4.99% 0.240 100.12 18.53 100102 331484 5268.16 336752 1 4.63% 0.226 1.344 18.48 1201 3745.96 16361 20107

20002 20002 19957 -781.83 19175

Remarque 18 Attention, la perte en cas de d efaillance intervient en % dans le calcul du risque pond er e, alors quelle intervient en d ecimal dans le calcul de la granularit e. INTRODUCTION A LA GESTION DES RISQUES 124

 CHAPITRE 10. LA METHODE IRB

10.4.3

D erivation du coecient dajustement de granularit e

Celle-ci est expliqu ee en d etail dans larticle de Gordy [2001]. Une formalisation plus accessible est pr esent ee dans Wilson [2001a,2001b]. An de bien comprendre comment lajustement est obtenu, nous reprenons les principaux points de ces articles. 10.4.3.1 La d etermination du coecient

Notons D la variable al eatoire de Bernoulli repr esentant la d efaillance, LGD la perte (relative) en cas de d efaillance et EAD lexposition en cas de d efaillance. Consid erons un portefeuille n compos e de n lignes de cr edit. La perte Ln du portefeuille n est donc
n

Ln =
i=1

Di LGDi EADi

(10.61)

Gordy [2001] d enit Ln comme le ratio de la perte du portefeuille sur le total des expositions : Ln =
n i=1

Di LGDi EADi n i=1 EADi

(10.62)

Nous rappelons que pour un portefeuille inniment granulaire ou asymptotique, la perte du portefeuille est la perte syst ematique Pr {L = E [L ]} = 1 An de clarier les notations, nous ecrivons la perte esp er ee conditionnelle de la fa con suivante : E [Ln ] := E [Ln | X ] (10.64) (10.63)

avec X le facteur de risque syst ematique. Notons (X ; ) le quantile de la variable al eatoire X . Michael Gordy donne une autre interpr etation statistique de la notion de portefeuille inniment granulaire (Proposition 5 de Gordy [2001]) :
n

lim Pr {Ln E [Ln | (X ; )]} =

(10.65)

Cela veut dire que la valeur en risque dun portefeuille inniment granulaire VaR [L ; ] est bien la perte esp er ee conditionnelle E [L | (X ; )] : VaR [L ; ] := E [L | (X ; )] ou quune charge en capital egale ` a E [L | (X ; )] correspond bien ` a une probabilit e de solvabilit e egale ` a: [...] for an innetely ne-grained portfolio, the proposed portfolio-invariant capital rule provides a solvency probability of exactly (Gordy [2001]). Cela implique quune charge en capital egale ` a E [Ln | (X ; )] ne permet pas n ecessairement de couvrir le risque au seuil de conance dans le cas non asymtotique : VaR [Ln ; ] = E [Ln | (X ; )] (10.66)

Cest pourquoi nous devons ajuster la perte esp er ee conditionnelle an dobtenir le bon degr e de couverture : VaR [Ln ; ] = E [Ln | (X ; )] + Ln Lajustement de granularit e correspond tout simplement ` a L n . La question principale est alors de caract eriser cet ajustement Ln . Pour cela, Gordy [2001] montre la proposition suivante : DU PORTEFEUILLE 10.4. GRANULARITE 125 (10.67)

 CHAPITRE 10. LA METHODE IRB

Proposition 1 (Gordy [2001, Proposition 6, p. 12]) If the portfolio is statistically homogeneous, the function (x) := E [Ln | X = x] is continous, arbitrarily dierentiable, and increasing, and the systematic risk factor X is drawn from an arbitrary dierentiable continuous distribution, then VaR converges to its asymptotic limit at rate 1/n, that is, VaR [Ln ; ] = ( (X ; )) + O n1 Linterpr etation de cette proposition est simple : [...] it says that the dierence between the VaR for a given homogeneous portfolio and its asymtotic approximation E [Ln | (X ; )] is proportional to 1/n. This suggests that the accuracy of the asymptotic capital rule can be improved by introducing a granularity add-on charge that is inversely proportional to the number of obligors in the portfolio. To calibrate such add-on charge for a homogeneous portfolio, we need to nd a constant of proportionality such that E [Ln | (X ; )] + /n is a good approximation to VaR [Ln ; ] (Gordy [2001]). Nous en d eduisons que Ln /n (10.69) (10.68)

Voyons maintenant comment d eterminer le coecient . Pour cela, nous utilisons les r esultats de Wilson [2001b]. Michael Gordy d erive lajustement (10.69) sous lhypoth` ese que le portefeuille est statistiquement homog` ene. Cela veut dire que les lignes de cr edit ont la m eme exposition en cas de d efaillance et la m eme perte esp er ee conditionnelle ce qui implique la m eme probabilit e de d efaillance non conditionnelle et la m eme distribution de perte en cas de d efaillance. Les portfeuilles n de Gordy et M de Wilson sont donc di erents, mais nous pouvons construire le portefeuille n ` a partir du portefeuille M . Pour cela, il sut de poser I = 1 et M = n voir le paragraphe 10.2.2. Reprenons les notations de ce m eme paragraphe. La perte du portfeuille (qui se r eduit ` a la perte de la ligne de cr edit puisque I est egal ` a 1) est not ee L. Les deux premiers moments de la perte conditionnelle sont E [L | X ] et 2 [L | X ] dans le paragraphe 10.2.2, nous avions utilis e l ecriture E [L] et 2 [L] puisque le conditionnement etait parfaitement explicite. Nous introduisons les fonctions (x) et (x) d enies de la fa con suivante : (x) := E [L | X = x] et (x) := 2 [L | X = x] Wilson [2001b] montre alors que4 VaR [L; ] ( (X ; )) 1 d 2h (x) dx h (x) (x) x (x) (10.72)
x= (X ;)

(10.70)

(10.71)

avec h la densit e de X . Reprenons la construction du portefeuille inniment granulaire de la page 115. Nous avons VaR [LM ; ] ( (X ; )) d 1 2h (x) dx h (x) (x) x (x) M
x= (X ;)

(10.73)

puisque E [LM | X = x] = E [L | X = x] et 2 [LM | X = x] = 2 [L | X = x] /M . Nous en d eduisons que5 VaR [Ln ; ]

4 La

VaR [L ; ] +

(10.74)

5 puisque

d emonstration nest pas tr` es technique, mais assez longue (pages 104 et 105 de Wilson [2001b]). M = n et VaR [L ; ] = E [L | X = (X ; )] = ( (X ; )).

INTRODUCTION A LA GESTION DES RISQUES

126

 CHAPITRE 10. LA METHODE IRB

avec = = 1 2 1 d 2h (x) dx h (x) (x) x (x)

x= (X ;)

( (X ; ))

2 x ( (X ; ))

[x ( (X ; ))]

( (X ; ))

x ln h ( (X ; )) x ( (X ; )) x ( (X ; )) x ( (X ; )) (10.75)

Le Comit e de B ale explique que la calibration du coecient a et e faite ` a partir du mod` ele CreditRisk+ : Calibration of the coecient inevitably depends on the choice of model and its calibration. IRB benchmark risk-weights have been calibrated within a CreditMetrics style model. For the purposes of designing a granularity adjustment, however, we use a generalised version of the CreditRisk+ model. The advantage is that the functional form of CreditRisk+ risk-weights allows the granularity adjustment to be assessed with minimal reporting and computational burden. The obvious disadvantage is the greater potential for inconsistency with CreditMetricsbased IRB exposure-level risk-weights. Fortunately, it is by now well-known that CreditRisk+ can be calibrated so that the tail of its loss distribution will align closely with the tail of the CreditMetrics loss distribution. So long as care is exercised in calibration, the discrepancy between our granularity adjustment and a full CreditMetrics-based estimate can be kept to a minimum (444 du document [3]). Dans le cas du mod` ele de type CreditMetrics (ou Merton), nous rappelons que la relation entre la probabilit e de d efaillance conditionnelle Pi et la probabilit e de d efaillance non conditionnelle pi est Pi = 1 (pi ) X 1 (10.76)

Dans le cas du mod` ele de type CreditRisk+, nous avons6 Pi = pi (1 +

i

(X 1))

(10.77)

avec i la pond eration factorielle i [0, 1] et X le facteur syst ematique de distribution (a, b) a 1 h (x) = (x/b) exp (x/b) / (b (a)). Dans ce cas, les expressions (10.18) et (10.19) deviennent (x) = E [L | X = x] = E [LGD1 ] P1 = E1 p1 (1 + 1 (x 1))

(10.78)

et (x) = = = 2 [L | X = x] E2 [LGD1 ] P1 (1 P1 ) + 2 [LGD1 ] P1

2 E2 [LGD1 ] + 2 [LGD1 ] P1 E2 [LGD1 ] P1 0 2 2

E [LGD1 ] + [LGD1 ] P1 =
2 E1 + 2 [LGD1 ] p1 (1 + 1

(x 1))

(10.79)

Le Comit e de B ale fait lhypoth` ese suivante (447 du document [3]) : [LGD1 ] =
6 voir

1 2

E1 (1 E1 )

(10.80)

Gordy [2000].

DU PORTEFEUILLE 10.4. GRANULARITE

127

 CHAPITRE 10. LA METHODE IRB

Nous en d eduisons que (x) = E1 Le calcul des d eriv ees donne x (x) = E1 p1 (a 1) x1 b1 . Nous avons donc = 1 3 + E1 p1 (1 + 4 4
1, 1

(x 1))
1 4 3 +4 E1 p1 1

(10.81) et x ln h ( (X ; )) =

2 x (x) = 0, x (x) = E1

1 (0.25 + 0.75E1 ) 2

a1 1 x b

1 1

+ (x 1) 1

(10.82)

An de maintenir une certaine coh erence entre la formulation des pond erations en risque et le facteur de granularit e, le Comit e de B ale impose que les probabilit es de d efaillance conditionnelles CreditMetrics et CreditRisk+ co ncident : 1 (pi ) + 1 () = pi (1 + i (x 1)) (10.83) 1 Dans ce cas, la pond eration factorielle
i

vaut
i

1 Fi (x 1) pi

(10.84)

avec Fi = Lexpression de est donc = avec

1 (pi ) + 1 () 1

pi

(10.85)

pi 1 (0.25 + 0.75E1 ) A 1 + A 2 Fi a1 1 x b

(10.86)

A=

(x 1)

(10.87)

Pour achever la calibration, le Comit e de B ale indique que celle-ci a et e faite sous lhypoth` ese que E [X ] = 1 et [X ] = 2 (445 du document [3]). Les param` etres de la distribution Gamma7 implicite sont donc a = 0.25 et b = 4. Puisque est egal ` a 99.5%, le quantile correspondant de la distribution Gamma (0.25, 4) est 12.007243 et la valeur prise par A est 3.4393485, ce qui donne = = 1 pi (0.25 + 0.75E1 ) 2.4393485 + 3.4393485 2 Fi pi (0.4 + 1.2E1 ) 0.76229640 + 1.0747964 Fi PD F

(10.88)

Nous retrouvons (presque) la formule donn ee par le Comit e de B ale (456 du document [3]) : = (0.4 + 1.2 LGD) 0.76 + 1.10 (10.89)

Pour retrouver exactement la formule du Comit e de B ale, nous ne devons pas utiliser lapproxima3 2 tion P1 0 pour calculer (x). Dans ce cas, nous avons (x) = E1 1 1 (x 1)) 4 + 4 E1 p1 (1 + 2 1 3 2 2 2 2 E1 p1 (1 + 1 (x 1)) et x (x) = E1 4 + 4 E1 p1 1 2E1 p1 1 (1 + 1 (x 1)). Nous en d eduisons que = 1 (0.25 + 0.75E1 ) 2 +E1 p1 (1 + a1 1 x b 1 1 1 (x 1)) 1 + 2 1
Terme de correction
7 Nous

1 1

+ (x 1) 1 (10.90)

a1 1 x b

avons

- [X ] = ab et [X ] = ab.
128

INTRODUCTION A LA GESTION DES RISQUES

 CHAPITRE 10. LA METHODE IRB

Dans le cas o` u E1 varie de 5% ` a 95%, PD de 0.10% ` a 15% and de 10% ` a 30%, alors lerreur relative entre la formule exacte (10.90) et la formule approch ee (10.89) nexc` ede pas 1%. A titre de remarque, il faut noter que le coecient est extr emement sensible aux valeurs des param` etres : la perte en cas de d efaillance LGD, la probabilit e de d efaillance PD, la corr elation des actifs , le seuil de conance et la volatilit e du facteur [X ] E [X ] nest pas un param` etre puisque nous avons l equivalence suivante E [Pi ] = pi E [X ] = 1. Le graphique 10.10 illustre cette sensibilit e.

GRAPHIQUE 10.10. Impact des param` etres sur le coecient (valeurs par d efaut : LGD = 50%, = 99.5%, = 20% et [X ] = 2)

10.4.3.2

Du coecient ` a lajustement de granularit e du Comit e de B ale

Nous devons dans un premier temps transformer le coecient en actifs pond er es. De plus, le Comit e de B ale indique quil a utilis e un facteur d echelle c an dobtenir une pond eration egale ` a 100% pour une probabilit e de d efaillance de 0.7%, une perte en cas de d efaillance de 50% et une maturit e de 3 ans. (457 du document [3]). Dans le paragraphe 10.2.2, nous lavons d ej` a calcul e et obtenu c 1.5. Nous avons donc RWA = = 1.5 EAD n 8% PD F n (10.91)

EAD (0.6 + 1.8 LGD) 9.5 + 13.75

Nous rappelons aussi que le coecient a et e d etermin e pour un portefeuille statistiquement homog` ene. Dans la pratique, les portefeuilles dengagement des banques ne sont pas homog` enes. Il faut donc pouvoir trouver un portefeuille homog` ene equivalent AG pour calculer lajustement de granularit e G, qui est exprim e en terme dactifs pond er es. Le Comit e de B ale indique aussi que la calibration eectu ee est telle que 4% du capital couvre d ej` a leet de granularit e. Nous avons donc G = EADAG (0.6 + 1.8 LGDAG ) 9.5 + 13.75 DU PORTEFEUILLE 10.4. GRANULARITE PDAG FAG nAG 0.04 RWANR (10.92)

129

 CHAPITRE 10. LA METHODE IRB

En utilisant les notations du Comit e de B ale, nous retrouvons la formule G= avec GSF = (0.6 + 1.8 LGDAG ) 9.5 + 13.75 PDAG FAG (10.94) TNRE GSF 0.04 RWANR n (10.93)

Il nous reste maintenant ` a justier la construction du portefeuille homog` ene equivalent AG . Celle-ci est pr esent ee dans la section 4 de Gordy [2001]. Nous reprenons les notations pr ec edentes en introduisant les classes de risques C . Nous avons L=
C iC

Di LGDi EADi

(10.95)

Nous notons pC la probabilit e de d efaillance non conditionnelle de la classe de risque C et sC la part dexposition au risque de la classe C dans le risque total : sC =
C iC

EADi iC EADi

(10.96)

Le but est alors de construire un portefeuille equivalent AG au portefeuille de taille n et de param` etres communs p , E , [LGD ], EAD , etc. (Gordy [2001]). Dans ce cas, lexpression de la perte est LAG = D LGD EAD (10.97)

Lid ee sous-jacente est dajuster di erents moments ou dimposer des restrictions. Michael Gordy impose l egalit e des taux de d efaillance et des pertes esp er ees (pond er es par les expositions). Nous avons donc E [D EAD ] = E
C iC

Di EADi

(10.98)

Il est bien s ur naturel de prendre EAD = le portefeuille ), ce qui implique p = =

iC

EADi (m eme exposition dans le portefeuille AG et pC EADi iC EADi (10.99)

C C

iC

sC pC
C

Nous avons aussi E [D LGD EAD ] = p E

C iC

E
C iC

Ei LGDi EADi pC Ei EADi

EADi

=
C iC

=
C

pC
iC

Ei EADi

(10.100)

Introduisons la perte en cas de d efaillance moyenne par classe de risque EC d enie par EC =
iC

Ei EADi iC EADi

(10.101)

INTRODUCTION A LA GESTION DES RISQUES

130

 CHAPITRE 10. LA METHODE IRB

Nous en d eduisons que p E

C iC

EADi

=
C

pC EC
iC

EADi

(10.102)

ou encore E =
C

=
C

pC iC EADi EC p C iC EADi sC pC EC C sC pC

(10.103)

Rappelons que la variance conditionnelle de la distribution de perte est 2 [L | X ] =

C iC 2 2 EAD2 i Ei Pi (1 Pi ) + [LGDi ] Pi

(10.104)

La variance non conditionnelle de la distribution de perte a donc pour expression8 2 [ L] = = 2 [E [L | X ]] + E 2 [L | X ] 2

C iC

Pi Ei EADi

+E
C iC

2 2 EAD2 i Ei Pi (1 Pi ) + [LGDi ] Pi Contribution du risque idiosyncratique

Contribution du risque syst ematique

2
C

PC EC sC EAD

+
C

pC (1 pC ) 2 [PC ]
iC

2 EAD2 i Ei

Contribution du risque syst ematique

Contribution du risque de d efaut idiosyncratique

+
C

pC
iC

2 EAD2 i [LGDi ]

(10.106)

Contribution du risque de recouvrement idiosyncratique

Pour le portefeuille AG , nous avons EAD [LAG ] = [P E EAD ] + n

2 2
2

p (1 p ) 2 [P ] + p 2 [LGD ]

(10.107)

Pour d eterminer n , nous allons calibrer les di erentes contributions avec un mod` ele de type CreditRisk+ : Pi = pi (1 +
i

(X 1))

(10.108)

Nous avons d ej` a utilis e le fait que E [Pi ] = pi ce qui implique que E [X ] = 1. Pour la variance, nous avons 2 [Pi ] = p2 i
2 2 i

[X ] est

(10.109)

La calibration du risque syst ematique implique que la pond eration factorielle = =

C

pC C EC sC p E p C C C EC sC C sC pC EC

(10.110)

8 car

nous avons

- [Pi (1 Pi )]

= =

- [Pi ] - Pi2 - [Pi ] 2 P 2

-2 [Pi ]

(10.105)

DU PORTEFEUILLE 10.4. GRANULARITE

131

 CHAPITRE 10. LA METHODE IRB

Concernant la calibration du risque de d efaut idiosyncratique, nous avons n = E p (1 p ) (p

2 C EC pC (1 pC ) (pC 2 C [X ])
2

[X ])

2 2

iC (EADi Ei )

(EAD EC )

(10.111)

Nous utilisons les egalit es suivantes

iC

(EADi Ei )
2

(EAD EC )

iC

EAD = =
iC iC HC s 2 C

2 iC Ei EADi 2
iC EADi

(EADi Ei )

2 2 2

(EADi Ei ) Ei EADi

2 2 C

iC

EADi iC EADi

avec HC lindex dHerndahl d eni par lexpression suivante HC =

iC iC

(EADi Ei ) Ei EADi

2 2

(10.112)

Remarque 19 Nous nobtenons pas exactement les m emes r esultats que Gordy [2001], puisque celui-ci utilise lexpression suivante pour HC : HC = Finalement, lexpression de n est n = avec c =
2 EC pC (1 pC ) (pC 2 C [X ]) iC iC

EAD2 i EADi
2

(10.113)

1 2 C c HC s C

(10.114)

p (1 p ) (p

[X ])

(10.115)

Nous retrouvons lexpression de n du Comit e de B ale (445 du document [3]). Il existe n eanmoins une di erence fondamentale entre lanalyse de Gordy [2001] et la formulation propos ee par le Comit e de B ale concernant c . Dans le document [3], la calibration de n ne se fait pas uniquement ` a partir du risque de d efaut idiosyncratique, mais utilise aussi le risque de recouvrement idiosyncratique. Dans ce cas, nous avons c =
2 EC pC (1 pC ) (pC 2 C [X ])

+ pC 2 [LGDC ] + p 2 [LGD ]

p (1 p ) (p

[X ])

(10.116)

En reprenant les hypoth` eses du Comit e de B ale, nous avons (pi et [LGDi ] = 1 2 Ei (1 Ei ) (10.118)
2 i [X ])

[X ] Fi ( (X ; ) 1)

(10.117)

Puisque X (0.25, 4), (X ; 99.5%) et [X ] prennent les valeurs 12.007243 et 2, et nous obtenons (pi
2 i [X ])

= 0.033014360 Fi2

(10.119) 132

INTRODUCTION A LA GESTION DES RISQUES

 CHAPITRE 10. LA METHODE IRB

Lexpression de c est bien celle du Comit e de B ale : c = avec FC = PC pC et F =

C 2 2 EC pC (1 pC ) 0.033 FC + 0.25 pC EC (1 EC ) 2 2 p (1 p ) 0.033 F + 0.25 p E (1 E ) E

(10.120)

(10.121)

sC FC

(10.122)

10.5 Les modications du 5 novembre 2001

Le 5 novembre 2001, le Comit e de B ale publie deux documents. Le premier concerne les r esultats du QIS2 (Second Quantitative Impact Study). 138 banques de 25 pays di erents ont r epondu. Parmi elles, 127 banques ont fourni des calculs complets pour la m ethode SA, 55 pour la m ethode IRB simple et 22 pour la m ethode IRB avanc ee. La table 10.9 pr esente les r esultats concernant les variations de charge en capital au titre du risque de cr edit par rapport ` a la m ethode SA actuelle (Accord de B ale 1988). Nous remarquons que la m ethode IRB simple pour les banque du G10 conduit ` a une augmentation de 14%, alors que cette augmentation nest que de 6% pour la m ethode SA. Dans ce cas, il y a une faible incitation a utiliser la m ` ethode IRB simple. M ethode G10 EU autres SA +6% +6% +5% IRB simple +14% +10% IRB avanc ee 5% 1%

TABLE 10.9. R esultat du QIS2

Cest pourquoi dans un second document, le Comit e de B ale propose une nouvelle formulation de la pond eration en risque. M eme si les nouvelles formules sont tr` es di erentes ` a premi` ere vue, elles sont en fait une modication des formules pr ec edentes. Consid erons le cas du risque corporate. La nouvelle pond eration en risque du Comit e de B ale est RW = 12.50 LGD avec (PD) = 0.10 Une nouvelle ecriture de RW est RW = LGD 50 625 1 (PD) + (PD)1 (99.9%) 1 (PD) 1 + 0.470 1 PD PD0.44 (10.125) 1 1 e50PD 1 e50PD + 0.20 50 1e 1 e50 (10.124) 1 (PD) + (PD)1 (99.9%) 1 (PD) 1 + 0.470 1 PD PD0.44 (10.123)

Nouvelle fonction de r ef erence BRW

Nous voyons que cela revient ` a utiliser une nouvelle fonction de r ef erence. Les di erences sont les suivantes : 1. Le seuil de conance nest plus 99,5% mais 99,9%. 2. Lexpression explicite de la probabilit e conditionnelle Pi est utilis ee car la corr elation nest pas constante mais d epend de la probabilit e de d efaillance PD. 10.5. LES MODIFICATIONS DU 5 NOVEMBRE 2001 133

 CHAPITRE 10. LA METHODE IRB

PD (en %) 0.03 0.10 0.25 0.50 0.75 1.00 1.25 1.50 2.00 2.50 3.00 4.00 5.00 10.00 20.00

Janvier 2001 corporate 14.09 29.25 51.92 80.59 104.23 125.00 143.80 161.12 192.43 220.45 245.97 291.45 331.38 482.38 625.00

retail 6.39 13.55 24.75 39.62 52.40 63.97 74.71 84.83 103.65 121.03 137.33 167.44 195.02 309.76 478.74

corporate 18.11 33.73 53.59 74.29 88.52 99.41 108.27 115.82 128.47 139.26 149.05 167.20 184.44 262.00 374.59

Novembre 2001 retail res. mortage 4.58 4.80 11.62 12.50 22.48 25.23 35.39 42.10 44.97 56.31 52.52 68.92 58.65 80.38 63.73 90.98 71.63 110.21 77.45 127.45 81.88 143.18 88.13 171.26 92.40 195.94 106.31 289.62 132.49 406.24

TABLE 10.10. Comparaison des pond erations Janvier 2001 et Novembre 2001

3. Enn, il ny a plus de r ef erence ` a une calibration LGD = 50% et PD = 0.7%, ce qui explique la disparition du facteur d echelle 976,5. Remarque 20 Lajustement de maturit e existe toujours et na pas et e modi e. Il y a ici une certaine incoh erence puisque celui-ci avait et e calibr e sur les probabilit es conditionnelles de d efaillance ` a 3 ans de la forme Pi
(3)

= 1.118 1 1 (1 PD)

+ 1.288

(10.126)

Les hypoth` eses sous-jacentes etaient alors un seuil de conance de 99,5% et une corr elation constante de 20%. Pour le risque retail, le Comit e de B ale propose de distinguer les pr ets hypoth ecaires (r esidential mortgage) des autres cr edits. Dans le premier cas, la formule de pond eration en risque est RW = 12.50 LGD 1 (PD) + (PD)1 (99.9%) 1 (PD)

avec une corr elation (PD) constante et egale ` a 15%. Pour les autres cr edits, nous avons RW = 12.50 LGD avec (PD) = 0.04 1 1 e25PD 1 e25PD + 0.15 50 1e 1 e25 (10.128) 1 (PD) + (PD)1 (99.9%) 1 (PD) PD (10.127)

Outre les di erences mentionn ees plus haut, nous remarquons que le facteur dajustement de maturit e dispara t. An de mesurer limpact des nouvelles propositions, nous avons report e dans la table 10.10 voir aussi les graphiques 10.11 et 10.12 les pond erations Janvier 2001 et Novembre 2001 pour une perte en cas de d efaillance de 50%. Globalement, nous observons une diminution de la valeur des actifs pond er es pour les probabilit es de d efaillance elev ees. Ceci sexplique par une corr elation entre les valeurs des actifs plus faible (voir le graphique 10.13).

Bibliographie
[1] Basel Committee on Banking Supervision, Best Practices for Credit Risk Disclosure, 74, September 2000 INTRODUCTION A LA GESTION DES RISQUES 134

 CHAPITRE 10. LA METHODE IRB

GRAPHIQUE 10.11. Impact des propositions du 5 Novembre 2001 sur les pond erations en risque (I)

GRAPHIQUE 10.12. Impact des propositions du 5 Novembre 2001 sur les pond erations en risque (II)

10.5. LES MODIFICATIONS DU 5 NOVEMBRE 2001

135

GRAPHIQUE 10.13. Impact des propositions du 5 Novembre 2001 sur les corr elations (PD)

[2] Basel Committee on Banking Supervision, Principles for the Management of Credit Risk, 75, September 2000 [3] Basel Committee on Banking Supervision, The Internal Ratings-Based Approach Consultative Document, Supporting document to the New Basel Capital Accord, January 2001 [4] Basel Committee on Banking Supervision, Results of the Second Quantitative Impact Study, 5 November 2001 [5] Basel Committee on Banking Supervision, Potential Modications to the Committees Proposals, 5 November 2001 [6] Koyluoglu, H.U. et A. Hickman [1998], Reconcilable dierences, Risk Magazine, 11, October, 56-62 [7] Finger, C.C. [1999], Conditional approaches for CreditMetrics portfolio distributions, CreditMetrics Monitor, April, 14-33 [8] Gordy, M.B. [2000], A comparative anatomy of credit risk models, Journal of Banking and Finance, 24, 119-149 [9] Gordy, M.B. [2001], A risk-factor model foundation for ratings-based bank capital rules, Board of Governors of the Federal Reserve Systems, Working Paper [10] Ieda, A., K. Marumo et T. Yoshiba [2000], A simplied method for calculating the credit risk of lending portfolios, Institute for Monetary and Economic Studies, Bank of Japan, Discussion Paper, 2000-E-10 [11] Wilson, T. [2001a], IRB approach explained, Risk Magazine, 14, May, 87-90 [12] Wilson, T. [2001b], Probing granularity, Risk Magazine, 14, August, 103-106

Quatri` eme partie

Les mod` eles de risque de cr edit

137

11
Introduction

Si le risque de march e est aujourdhui plut ot bien contr ol e par les etablissements bancaires, le risque de cr edit demeure un ph enom` ene dicile ` a appr ehender. En eet, le risque de cr edit di` ere des risques de march e dans la mesure o` u il est etroitement li e` a la performance individuelle et la structure capitalistique de lemprunteur. La mod elisation du risque de cr edit n ecessite donc la connaissance de donn ees structurelles mais celles-ci sont inobservables pour la plupart des op erateurs nanciers. La collecte des donn ees constitue la limite majeure des premiers mod` eles de risque de cr edit d evelopp es ` a partir des ann ees 70. Une deuxi` eme approche plus math ematique a vu le jour au cours de ann ees 90, qui cherche ` a contourner la dicult e en limitant les donn ees n ecessaires au calibrage des mod` eles ` a la seule information disponible sur les march es de cr edit. Si cette approche sous forme r eduite est tr` es s eduisante a priori, elle pr esente n eanmoins deux inconv enients importants. Dune part, les donn ees de march e utilisables sont peu nombreuses. Les mod` eles sous forme r eduite utilisent les spreads de taux comme param` etres permettant d evaluer le risque de cr edit. Si les spreads contiennent eectivemment une composante li ee au risque de cr edit, ce dernier nen est pas lunique d eterminant : les probl` emes de liquidit e ou de taxation jouent un r ole tout aussi important. Dautre part, contrairement aux march es dactions, les march es dobligations des grandes entreprises sont tr` es peu liquides. Les donn ees disponibles ne re` etent donc pas n ecessairement les prix que lon devrait observer sous les hypoth` eses dabsence dopportunit e darbitrage et de compl etude des march es.

12
Le mod` ele de la rme

Lapproche structurelle du risque de cr edit est fond ee sur les m ethodes d evaluation des options mises en place par Black et Scholes [1973] et Merton [1974]. Il sagit dune approche relativement intuitive dans la mesure o` u le risque de cr edit encouru par le d etenteur dune obligation est directement reli e` a la r ealit e economique de la rme : le d efaut intervient d` es que la valeur de march e de lensemble des actifs de la rme passe sous un certain seuil d etermin e par le niveau global de la dette contract ee. Il sagit dune vision optionnelle de la dette : l emetteur re coit le droit de faire d efaut sur sa dette, droit quil exerce d` es que la valeur de ses actifs ne permet plus de la couvrir. Merton est le premier ` a proposer ce type de mod` ele. Il lapplique ` a la forme de dette la plus simple : lobligation z ero coupon. Dans ce cadre, Merton obtient une formule ferm ee d evaluation de la dette faisant appara tre le spread de taux comme une prime li ee au risque de d efaut de la rme. Dun point de vue th erorique, ce mod` ele est tr` es s eduisant car il explicite directement les fondements economiques du risque obligataire : le taux sans risque ; la volatilit e de la valeur de march e des actifs de lentreprise, cest-` a-dire lincertitude pesant sur le rendement de lensemble des actifs de la rme ; le levier, cest-` a-dire le rapport entre la valeur actualis ee au taux sans risque de la dette, et la valeur initiale des actifs : plus le levier est important (i.e. plus la part de la dette dans le total des actifs, vu daujourdhui, est importante) plus la dette est risqu ee. N eanmoins, dun point de vue pratique, la prise en compte de variables economiques propres ` a chaque entreprise limite le champ dapplication du mod` ele de Merton. De fa con g en erale, les mod` eles structurels sav` erent diciles ` a mettre uvre parce quils requi` erent la connaissance de nombreux param` etres : 1. la valeur des actifs, la structure nanci` ere de l emetteur : Ces param` etres sont propres aux mod` eles structurels. Si lon souhaite evaluer la dette dun emetteur de fa con pr ecise, il convient davoir une tr` es bonne connaissance de la valeur de march e totale de ses actifs et de la fa con dont elle est susceptible d evoluer au cours du temps. Cette valeur n etant pas directement observable, il faut lestimer le plus pr ecis ement possible. Une telle d emarche n ecessite une base de donn ees particuli` erement riche portant sur la structure nanci` ere de lentreprise et sa valorisation boursi` ere. Lexemple de Credit Monitor TM , outil de gestion du risque de cr edit mis en place par K.M.V. (c.f. section 12.3), illustre la fa con dont ces donn ees peuvent etre utilis ees pour estimer les probabilit es de d efaut dune entreprise. Cependant, dun point de vue op erationnel, il est tr` es dicile dacc eder ` a ce type dinformation, ce qui limite la port ee des mod` eles structurels pour la majorit e des acteurs nanciers engag es sur les march es obligataires. Notons de plus quon ne peut contr oler la structure capitalistique dune entreprise en temps continu dans la mesure o` u, la plupart du temps, les comptes sont publi es une fois par an.

` CHAPITRE 12. LE MODELE DE LA FIRME

2. les conditions d emission de la dette : Il sagit ici de prendre en compte les termes du contrat xant entre autres la maturit e, les ux vers es, les eventuelles options de conversion, les ordres de priorit e en cas de d efaut. 3. La perte sachant le d efaut : Une fois la faillite d eclar ee, une proc edure de liquidation judicaire est mise en place. Un liquidateur est alors nomm e, dont le r ole est de r ealiser les actifs de la rme an de rembourser les cr eanciers suivant leur ordre de priorit e. Notons que les modalit es dune telle proc edure varient en fonction des r eglementations propres ` a chaque pays et que le montant total recouvr e par les cr eanciers d epend de la mani` ere dont est men ee la liquidation : par exemple, si la liquidation est rapide, les actifs risquent d etre brad es. Dans les di erents mod` eles structurels, la partie de la dette recouvr ee correspond ` a une fraction de la valeur de march e de la rme ` a linstant de d efaut (Merton [1974], Leland et Toft [1996]). Il peut egalement sagir dune fonction de la valeur faciale de la dette, ou dun processus stochastique. 4. le processus du taux sans risque et la correlation entre ce processus et le prix des actifs : Les spreads de taux peuvent dicilement etre analys es ind ependemment de la structure des taux sans risque. En eet, ce dernier d epend fortement du cycle economique, tout comme le risque de cr edit. Par exemple, en p eriode de forte activit e, on peut sattendre ` a ce que dune part, l ecart entre taux court et taux long sacroisse, et dautre part ` a ce que la meilleure qualit e du cr edit conduise ` a une r eduction des spreads (l etude [4] men ee par Duee en 1998 met en evidence ce type de r esultats). Pour pouvoir d eterminer le prix des instruments de cr edit, il faut donc conna tre le lien entre la structure des taux sans risque et les probabilit es de d efaut des entreprises.

12.1 Le mod` ele de Merton [1974]

Nous pr esentons dans cette section les caract eristiques du mod` ele propos e par Merton en 1974 et les principaux r esultats qui en d ecoulent. Les quatre points abord es pr ec edemment sont sp eci es de la fa con suivante : 1. Evolution de la valeur des actifs, Structure nanci` ere de l emetteur : Merton utilise la dynamique suivante pour la valeur V (t) des actifs de la rme : dV (t) = (V (t) C ) dt + V (t) dW (t) (12.1)

o` u repr esente le taux de rendement instantan e des actifs de la rme, C le montant des payouts (dividendes et int er ets) par unit e de temps, et 2 la variance du processus de rendement. (W (t) , t 0) est un mouvement brownien standard. Les avoirs de la rme sont divis es en deux classes : une classe unique et homog` ene de dette, le reste correpondant aux capitaux propres. De plus, la rme ne verse aucun dividende et ne peut proc eder a aucun remboursement partiel de sa dette avant la maturit ` e. 2. Conditions d emission de la dette : La rme promet de payer un montant B ` a la maturit e T . De plus, elle ne peut ni emettre de nouvelle dette, ni rembourser une partie de sa dette avant la maturit e. Compte tenu de ces conditions d emission et de la structure nanci` ere de la rme, le param` etre C de l equation (12.1) vaut 0 et la dynamique suivi par la valeur des actifs devient : dV (t) = dt + dW (t) V (t) (12.2)

3. Perte sachant le d efaut : En cas de d efaut, le d etenteur de la dette devient propri etaire de la rme. Merton suppose que la rme fait d efaut si la valeur V (T ) ` a la maturit e T des actifs est inf erieure ` a B . En cas de d efaut, le d etenteur de la dette re coit donc V (T ) , et il perd B V (T ). Le payo nal peut d` es lors s ecrire D (T ) = B max (B V (T ) , 0) (12.3)

La d etention dune dette risqu ee sinterpr` ete alors comme une strat egie o` u lon aurait achet e un z erocoupon sans risque dont on aurait nanc e une partie du co ut par la vente dun put de sous-jacent V , de prix dexercice B et de maturit e T. INTRODUCTION A LA GESTION DES RISQUES 142

` CHAPITRE 12. LE MODELE DE LA FIRME

4. Processus de taux sans risque : le taux dint er et sans risque demeure constant au cours du temps, egal ` a r. Les probl` emes li es ` a la dynamique des taux ne sont pas abord es dans ce premier mod` ele. La dette est valoris ee en supposant que les deux conditions suivantes sont v eri ees : il y a absence dopportunit e darbitrage : il est impossible de g en erer un prot presque s ur ` a partir dun investissement nul ; les march es sont complets : il est possible de r epliquer tout produit d eriv e` a laide dune strat egie dynamique fond ee sur les actifs sous-jacents. Ce sont deux hypoth` eses fortes qui, dun point de vue pratique, assurent lexistence (absence dopportunit e darbitrage) et lunicit e (compl etude des march es) des prix de march e. N eanmoins, contrairement aux march es dactions, les march es obligataires sont particuli` erement peu liquides. Supposer dans ce cas pr ecis lexistence darbitrageurs qui contraignent les prix ` a v erier certaines relations ne semble donc pas tr` es r ealiste. Par contre, si on consid` ere que ces hypoth` eses sont vraies sur le march e des actions, la valorisation f de la rme sur le march e des actions (qui est connue) re` ete les anticipations du march e concernant la valeur de la rme ` a la maturit e et en utilisant lidentit e vraie ` a chaque instant F =V f (12.4)

on obtient la valeur F aujourdhui de la dette contract ee en fonction de f et de la valeur de march eV des actifs de la rme. Notons que le param` etre V n etant pas accessible, il faut lestimer. Comme nous le verrons ` a la section 12.3, une telle estimation peut etre r elis ee ` a partir de la valeur des actions f et de la valeur comptable de la dette B . Les prix obtenus par une telle m ethode peuvent etre quali es dimplicites : ce ne sont pas les prix observ es sur le march e mais les prix que lon devrait observer compte tenu de la valorisation boursi` ere de la rme. Dans le cadre de ces hypoth` eses, la valeur de la dette correspond ` a lesp erance des ux futurs actualis es quelle g en` ere. Merton explicite alors le spread de taux par rapport au taux r du z ero-coupon certain, r esultant du risque de d efaut : R (T ) r = 1 ln h2 d, 2 T T 1 + h1 d, 2 T d (12.5)

o` u repr esente la fonction de r epartition dune loi normale centr ee r eduite et B d = V (0)erT 1 h1 (x, y ) = y 2 1 2 y ln x h (x, y ) = y 1 1 2 2 2 y + ln x

(12.6)

Pour une maturit e T donn ee, la prime de risque d epend uniquement de la volatilit e 2 de la valeur des actifs et du levier d. Merton montre que R (T ) r est une fonction croissante de ces deux param` etres, ce qui est conforme ` a lintuition : La volatilit e de la valeur de march e dune rme re` ete lincertitude des op erateurs sur les rendements a venir de cette rme. Par cons ` equent, plus la volatilit e est elev ee, plus le risque encouru par le d etenteur de la dette est important et plus la prime doit etre cons equente. Leet de levier permet aux propri etaires dune entreprise (les actionnaires) daccro tre le niveau dactivit e sans augmenter pour autant le montant de leurs engagements. Le risque suppl ementaire li e au surplus dactivit e est alors support e par les cr eanciers, ce qui se traduit par une meilleure r emun eration de leurs placements. Les graphiques suivants illustrent la fa con dont le levier inuence la structure par terme des spreads de taux : ` 12.1. LE MODELE DE MERTON [1974] 143

` CHAPITRE 12. LE MODELE DE LA FIRME

1. Dans le premier cas, d > 1 : le spread est une fonction d ecroissante du temps restant avant maturit e. La valeur anticip ee (au taux sans risque) des actifs de la rme ` a la maturit e T est inf erieure au montant de ses engagements. Or, il est dautant plus probable que la valeur anticip ee des actifs se r ealise que la date d ech eance se rapproche. Par cons equent, pour un niveau de levier d > 1, plus le temps avant maturit e est court, plus le risque encouru par le d etenteur de la dette est elev e et plus la prime qui en r esulte est importante. 2. Dans le second cas, d < 1 : la valeur anticip ee des actifs de la rme est sup erieure au montant de ses engagements. Par cons equent, dans le cas limite o` u la maturit e de la dette est atteinte (T = 0), la rme peut enti` erement rembourser ses cr eanciers, ce qui se traduit par un spread nul. Par contre, en s eloignant de l ech eance, lincertitude pesant sur l evolution de la valeur des actifs ( = 10%) fait cro tre la probabilit e de d efaut et donc le spread (premi` ere partie de la courbe). Dans un second temps, on retrouve un eet similaire ` a celui observ e sur la premi` ere courbe (d > 1) : l eloignement de la maturit e rend plus certain, pour un niveau de levier d x e, le recouvrement de la dette, si bien que le spread diminue (seconde partie de la courbe).

GRAPHIQUE 12.1. Eet de levier (d > 1)

Notons que ces deux courbes font appara tre le d efaut comme un ev` enement parfaitement pr evisible : le spread tend soit vers 0 soit vers linni lorsque lon se rapproche de la maturit e. Dans le premier cas, juste avant la maturit e, le march e sait quil ny aura pas de d efaut et na donc aucune raison daccorder une prime de risque. Dans le second cas, on observe le ph enom` ene inverse.

12.2 Extensions du mod` ele de Merton

Les extensions du mod` ele de Merton ne conduisent pas ` a des r esultats tr` es di erents de ceux que lon vient de d ecrire. Ils cherchent ` a mod eliser le d efaut de fa con plus r ealiste.

12.2.1

G en eralisation de la notion de d efaut

Les extensions du mod` ele de Merton utilisent une vision moins simpliste du d efaut. La faillite est en g en eral d eclar ee bien avant l ech eance de la dette, sans attendre de constater que celle-ci ne pourra etre rembours ee. Un certain nombre de mod` eles cherchent donc ` a rendre compte de cette r ealit e. INTRODUCTION A LA GESTION DES RISQUES 144

` CHAPITRE 12. LE MODELE DE LA FIRME

GRAPHIQUE 12.2. Eet de levier (d < 1)

Lextension la plus directe du mod` ele de Merton suppose que le d efaut peut se produire ` a chaque date de paiement du principal ou des int er ets (mod` ele de Geske [1977]). Les actionnaires disposent dune option compos ee quils peuvent exercer ` a chaque date de versement. Un second type dextension consiste ` a appr ehender le d efaut non plus de fa con discr` ete mais en temps continu : la rme peut faire d efaut ` a nimporte quelle date entre la date d emission et la maturit e, quil sagisse ou non dune date de paiement. Black et Cox [1976] reprennent le cadre danalyse de Merton en supposant de plus que la rme peut- etre mise en faillite d` es que la valeur de march e V (t) passe sous un seuil critique K (t) tel que K (t) = Ker(T t) , 0<KB (12.7)

= B/K 1 que les actionnaires ne peuvent franchir Black et Cox d enissent ainsi un levier maximal d pour nancer lactivit e de leur entreprise. Notons que la barri` ere K est x ee de fa con exog` ene : elle doit etre d enie de fa con explicite dans le contrat de dette.

12.2.2

Introduction de sauts dans le processus de valorisation des actifs

Comme nous lavons d ej` a remarqu e, le mod` ele de Merton sp ecie le d efaut comme un ph enom` ene parfaitement pr evisible si bien que le spread tend vers zero ` a mesure que lon se rapproche de la maturit e. Dans la pratique, on nobserve pas de tel ph enom` ene : les spreads restent importants m eme pour des dates de maturit e assez proches. Zhou [1997] propose une solution ` a ce probl` eme tout en conservant un cadre danalyse proche de celui de Merton : il int` egre un processus de sauts au processus de valorisation des actifs, si bien que les trajectoires suivies par la valeur de march e de la rme ne sont plus n ecessairement continues. Dans ce contexte, Zhou montre que les spreads demeurent signicatifs m eme pour une dette risqu ee proche de la maturit e : les investisseurs demandent une prime permettant de sassurer contre le risque suppl ementaire engendr e par les sauts. ` 12.2. EXTENSIONS DU MODELE DE MERTON 145

` CHAPITRE 12. LE MODELE DE LA FIRME

12.3 M ethodologie mise en place par K.M.V. Corporation

En introduction de la section 8.1, nous avons pr esent e les trois composantes du risque de cr edit : le risque de d efaut, lincertitude pesant sur le taux de recouvrement, et le risque de d egradation de la qualit e de la contrepartie. Ce paragraphe constitue une illustration de la fa con dont le risque de d efaut est appr ehend e par K.M.V. Leur m ethodologie se fonde sur le mod` ele de la rme : ` a partir de la valeur comptable de la dette dune entreprise et de lestimation de sa valeur de march e, K.M.V calcule la distance de la rme au d efaut et en d eduit, pour un horizon donn e, sa probablit e de d efaut, not ee EDFT M (Expected Default Frequency). Cette section se fonde essentiellement sur le document [3] de P. Crosbie, publi e par K.M.V., consultable sur internet ` a ladresse suivante : http ://www.kmv.com

12.3.1

Une mesure du risque de d efaut : la distance au d efaut

Le mod` ele de Merton laisse entendre quune mesure pertinente de la valeur nette dune rme est sa valeur de march e moins la valeur comptable de sa dette, le d efaut intervenant d` es que la valeur nette sannule : La valeur de march e des actifs rend compte de la rentabilit e esp er ee de lactivit e de lentreprise. Il sagit dune mesure dynamique de sa valeur. Savoir si lentreprise dispose du cash n ecessaire pour faire face ` a ses engagements nest d` es lors pas fondamental. Si la valeur de march e des actifs est susante, lentreprise peut toujours faire face au paiement de sa dette en vendant une partie de ses actifs. Ce qui compte est donc davantage la valeur esp er ee de lentreprise reposant sur son activit e future (valeur de march e), que la valeur de lentreprise r esultant de son activit e pass ee (derni` ere ligne du bilan de lentreprise). Il faut en revanche consid erer la valeur comptable de la dette car elle correspond ` a ce que la rme devra eectivement payer. Dans la pratique, le d efaut peut se produire pour des valeurs nettes n egatives. Ceci tient ` a la nature des engagements de lentreprise, sa dette pouvant se d ecomposer en dette ` a long terme et dette ` a court terme. La pr esence dune dette ` a long terme dans le bilan de lentreprise apporte donc une certaine exibilit e. Le point de d efaut se situe en g en eral entre le montant total de la dette et le montant de la dette de court terme. Pour evaluer le risque de d efaut, la valeur nette ne peut etre consid er ee ind ependamment du risque li e` a lactivit e de lentreprise. En eet, il nest int eressant de conna tre l ecart entre la valeur de march e des actifs et le point de d efaut que si lon sait dans quelle mesure il risque d etre combl e. La distance au point de d efaut K d enie par K.M.V normalise donc la valeur nette de lentreprise en la comparant ` a son ecart-type : DD = VA K A VA (12.8)

DD correspond au nombre d ecarts-type s eparant la valeur de march e des actifs du point de d efaut. On peut remarquer que cette mesure fait la synth` ese des facteurs de risque mis en evidence par le mod` ele de Merton : elle int` egre ` a la fois le levier et la volatilit e des actifs. Notons de plus que la distance au d efaut prend en compte linuence du secteur dactivit e, de la zone g eographique et de la taille de lentreprise par linterm ediaire de la volatilit e des actifs. Le graphique 12.3 publi e par K.M.V met en evidence limpact de deux de ces facteurs sur la volatilit e. La volatilit e des actifs est dautant plus importante que la taille de lentreprise est faible. Une grande entreprise peut donc sendetter davantage quune petite entreprise pour nancer son activit e sans que le risque de cr edit associ e soit pour autant sup erieur. De fa con analogue, parmi les cinq secteurs dactivit e pr esent es, le secteur bancaire est celui qui autorise les niveaux de levier les plus elev es, le rendement des actifs y etant moins incertain. La connaissance de la distance au d efaut et de la distribution de la valeur des actifs permet de calculer directement les probabilit es de d efaut. INTRODUCTION A LA GESTION DES RISQUES 146

` CHAPITRE 12. LE MODELE DE LA FIRME

GRAPHIQUE 12.3. Volatilit e des actifs, secteur dactivit e et taille de lentreprise

12.3.2

Estimation de la distance au d efaut

Valeur de march e et volatilit e des actifs sont deux grandeurs inobservables. K.V.M utilise la vision optionnelle du passif de la rme pour estimer ces deux param` etres. La m ethode sapparente ` a celle utilis ee par les traders de produits d eriv es pour d eterminer la volatilit e implicite dun sous-jacent ` a partir de lobservation du prix de march e dune option. Dans le mod` ele de Merton, les actionnaires re coivent max (VA B, 0) ` a la maturit e T . La valeur de la rme sur le march e des actions est donc le prix dun call europ een de sous-jacent la valeur de march e des actifs et de strike la valeur comptable B de la dette. En supposant, comme le fait Merton, que VA evolue suivant un processus de diusion log-normal, on explicite le syst` eme de deux equations ` a deux inconnues permettant destimer VA et A ` a partir le la valorisation boursi` ere VE : VE = VA (d1 ) erT B (d2 ) VA E = V (d 1 ) A E avec
1 2 A d1 = 1 ln V + r+ 2 A T A T B d2 = d1 A T

(12.9)

(12.10)

Dans la pratique, il convient de prendre en compte la plus grande complexit e de la structure capitalistique de lentreprise. K.M.V d etermine donc deux fonctions f1 et f2 et r esout un syt` eme analogue au syst` eme (12.9) an destimer VA et A : VE = f1 (VA , A , Structure Capitalistique, r) E = f2 (VA , A , Structure Capitalistique, r) (12.11)

La valeur de march e et la volatilit e des actifs ainsi obtenues sont les valeurs implicites d etermin ees par le march e des actions. Notons que lon pourrait de fa con analogue d eterminer VA et A en utilisant la valorisation de la dette sur les march es obligaires. N eanmoins, comme nous lavons d ej` a soulign e ` a la section 12.1, les march es obligataires sont beaucoup moins ecients que les march es dactions car les transactions y sont plus rares. Linformation que lon peut obtenir sur les march es dactions est donc plus pertinente. 12.3. METHODOLOGIE MISE EN PLACE PAR K.M.V. CORPORATION 147

` CHAPITRE 12. LE MODELE DE LA FIRME

12.3.3

Calcul de lEDF

La probablit e de d efaut pour un horizon H donn e correspond ` a la probablitit e que la valeur de march e des actifs de la rme ` a la date H passe sous le point de d efaut. Comme le montre le graphique 12.4, le calcul de lEDF requiert la connaissance de 5 param` etres : 1. 2. 3. 4. 5. la valeur de march e initiale des actifs ; la fonction de r epartition de la valeur des actifs ` a la maturit e H; la volatilit e future des actifs ` a la date H ; le niveau du point de d efaut K (cest ` a dire le montant des engagement) ` a la date H ; le rendement esp er e des actifs.

GRAPHIQUE 12.4. Expected default frequency

Dans le mod` ele de Merton, le syst` eme d equations (12.9) permet destimer VA , la valeur de march e initiale des actifs, et A T , la volatilit e des actifs ` a la maturit e T . Le rendement esp er e des actifs est suppos e connu et le niveau du point de d efaut est egal ` a la valeur faciale B de la dette z ero-coupon. L equation (12.2) sp ecie le processus suivi par la valeur des actifs, si bien que la fonction de r epartition des actifs ` a la maturit e est connue : 1 ln VA (T ) = ln VA + 2 (12.12) T + A T avec N (0, 1) 2 A La distance au d efaut de la rme ` a la date T s ecrit donc DD = et la probabilit e de d efaut P (T ) vaut P (T ) = P (VA (T ) B | VA (0) = VA ) = ( DD) (12.14) ln
VA B 1 2 + 2 A T A T

(12.13)

Dans la pratique, la probabilit e de d efaut ne peut pas etre calcul ee en supposant une distribution gaussienne de la valeur des actifs. La principale raison est que, contrairement ` a ce que lon a suppos e INTRODUCTION A LA GESTION DES RISQUES 148

` CHAPITRE 12. LE MODELE DE LA FIRME

jusqu` a pr esent, le point de d efaut nest pas d eterministe : une rme proche dune situation de d efaut cherchera ` a ajuster le niveau de sa dette. En g en eral, on observe que lendettement des entreprises commerciales ou industrielles saccro t lorsque la situation se d eteriore tandis que lendettement des institutions nanci` eres diminue. Ceci est d u` a la plus ou moins grande liquidit e des actifs de lentreprise : plus les actifs sont liquides plus il est facile pour une entreprise dajuster le niveau de son levier en cas de dicult e. Par cons equent, K.M.V relie directement la distance au d efaut ` a la probabilit e de d efaut en se fondant sur des donn ees empiriques : leur base de donn ees contient environ 100 000 entreprises et 2000 incidents de d efaut par an. Ainsi, pour calculer la probabilit e de d efaut ` a 1 an dune entreprise distante du point de d efaut de 7 ecarts-type, K.M.V calcule la proportion dentreprises pr esentes dans leur base, distante du point de d efaut de 7 ecarts-type et ayant fait d efaut sous un an. Les graphiques suivants fournis par K.M.V illustrent dans deux cas di erents la fa con dont se comporte lEDF, et son aptitude ` a anticiper le d efaut. En particulier, ces deux exemples montrent bien limportance des donn ees de march e dans la calibration des mod` eles. Dans le cas de Bangkok Metropolitan Bank, lEDF na cess ee de cro tre depuis juillet 1993 jusqu` a janvier 1998, date de d efaut de la banque. En revanche, dans le cas de Burns Philip, une entreprise australienne du secteur agro-alimentaire, lEDF na pas su anticiper la d egradation de la situation de lentreprise : le march e sest laiss e surprendre, il na pris conscience de la sur evaluation de la rme quen juillet 1997.

GRAPHIQUE 12.5. EDF de Bangkok Metropolitan Bank

En r esum e, lapproche structurelle du risque de cr edit permet d evaluer de fa con assez performante le risque de d efaut des entreprises pour deux raisons : la structure capitalistique de lentreprise (levier) est prise en compte ; l evaluation des probabilit es de d efaut est r ealis ee ` a partir de linformation de march e la plus pertinente : la valorisation boursi` ere des entreprises. N eanmoins cette approche est tr` es dicile ` a impl ementer car elle n ecessite de nombreux param` etres en entr ee qui sont soit inobservables, soit dicilement accessibles. Cest pourquoi, au cours des ann ees 1990, un deuxi` eme type de mod` ele est apparu, dont lobjetif principal est de limiter les inputs aux donn ees observables sur les march es. 12.3. METHODOLOGIE MISE EN PLACE PAR K.M.V. CORPORATION 149

` CHAPITRE 12. LE MODELE DE LA FIRME

GRAPHIQUE 12.6. EDF de Burns Philip

GRAPHIQUE 12.7. Valeur de march e de Burns Philip

INTRODUCTION A LA GESTION DES RISQUES

150

12.4 Une application : le mod` ele CreditMetrics

Le mod` ele CreditMetrics sera d evelopp e dans le cours Gestion des Risques Multiples.

Bibliographie
[1] Black, F. and M. Scholes [1973], The pricing of options and corporate liabilities, Journal of Political Economy, 81, 637-659 [2] Black, F. and J. Cox [1976], Valuing corporate securities : some eects of bond indenture provisions, Journal of Finance, 31, 351-367 [3] Crosbie, P. [1997], Modeling default risk, K.M.V., Working Paper [4] Duffee, G.R. [1998], The relation between treasury yields and corporate bond yield spreads, Journal of Finance, 53(6), 2225-2241 [5] Geske, R. [1977], The valuation of corporate liabilities as compound options, Journal of Financial and Quantitative Analysis, 12(4), 541-552 [6] Leland, H. [1994], Corporate debt value, bond convenants, and optimal capital structure, Journal of Finance, 49, 1213-1252 [7] Leland, H. and K. Toft [1996], Optimal capital structure, endogenous bankruptcy, and the term structure of credit spreads, Journal of Finance, 51, 987-1019 [8] Merton, R.C. [1974], On the pricing of corporate debt : the risk structure of interest rates, Journal of Finance, 29, 449-470 [9] Zhou, C. [1997], A jump-diusion approach to modeling credit risk and valuing defaultable securities, Federal Reserve Board, Working Paper

13
Lapproche actuarielle de CreditRisk+

Ce mod` ele propos e par Credit Suisse Financial Product (CSFP) appara t comme une alternative aux deux principales m ethodologies rencontr ees sur le march e, ` a savoir celles de J.P. Morgan et de KMV. Ce mod` ele est fond e sur une approche probabiliste du processus de d efaut de paiement dune contrepartie sans faire aucune hypoth` ese sur la cause du d efaut. Le mod` ele CreditRisk+ consid` ere le taux de d efaut comme une variable al eatoire continue. La prise en compte dune volatilit e du taux de d efaut associ ee a une analyse par secteur permettent de rendre compte ` ` a la fois de lincertitude du niveau de d efaut et des eventuelles corr elations existant entre plusieurs obligations. Ce choix sexplique dapr` es CSFP par linstabilit e des corr elations de d efaut et par le manque de donn ees empiriques pour suivre la d emarche propos ee par CreditMetrics. En appliquant des techniques math ematiques plus souvent rencontr ees dans le domaine de lassurance que dans celui de la nance, ce mod` ele cerne les caract eristiques essentielles de loccurrence de d efauts de paiement et permet un calcul explicite de la distribution des pertes dun portefeuille comportant un risque de cr edit.

13.1 La d emarche
les concepts cl es qui sont ` a la base de CreditRisk+ sont les suivants : Les taux de d efaut sont stochastiques. Le niveau du taux de d efaut a une incidence sur loccurrence du d efaut, mais il ny a pas de relations causales entre ces occurrences.

Le mod` ele est alors structur e selon le sch ema 13.1. La d emarche suivie focalise tout dabord son etude sur un mod` ele simpli e dans lequel la volatilit e des taux de d efaut nest pas prise en compte. Une fois la distribution des pertes obtenue dans un cas simple, on int` egre cette volatilit e dans le processus, ce qui au vu des r esultats correspond ` a une dimension al eatoire suppl ementaire et donc ` a une simple composition de lois de probabilit es. On montre alors lexistence de cas o` u le mod` ele ` a volatilit e converge vers le cas simple. Finalement, on etend la premi` ere approche sectorielle ` a un cas plus complet. On est alors en mesure dexploiter les r esultats, notamment pour d eterminer les di erentes contributions au risque dun portefeuille des emetteurs qui le composent ou les corr elations des taux de d efaut entre ces m emes emetteurs.

CHAPITRE 13. LAPPROCHE ACTUARIELLE DE CREDITRISK+

       

  
      
  
      
#
$
%  &
  !    
  "
        
 

    
   '      
   

  
  

       

  


     
  


  !    
  "


 


    
 
  


     

GRAPHIQUE 13.1. Organigramme de la d emarche suivie par CreditRisk+

INTRODUCTION A LA GESTION DES RISQUES

154

CHAPITRE 13. LAPPROCHE ACTUARIELLE DE CREDITRISK+

13.2 Mod elisation ` a taux de d efaut xes

13.2.1 Occurrence de d efauts
Les d efauts de cr edits ne peuvent pas etre pr evus ni dans leur date, ni dans leur nombre, si bien que CreditRisk+ tente de mod eliser globalement le risque cr edit dun portefeuille. Nous consid` erons un portefeuille compos e de N obligations. Nous supposons dans cette partie que chacun de ces titres est sujet ` a une probabilit e de d efaut ` a un horizon de un an connue. Ainsi, nous avons PA = Probabilit e annuelle de d efaut pour A (13.1)

On introduit alors la fonction g en eratrice associ ee au nombre D de d efauts survenus parmi les obligations du portefeuille :

F (z ) =
n=0

P (D = n) z n

(13.2)

Or, chaque emetteur fait ou ne fait pas d efaut ; la fonction g en eratrice dun portefeuille compos e dune unique obligation sobtient donc facilement : FA (z ) = 1 PA + PA z = 1 + PA (z 1) De plus, les ev enements sont suppos es ind ependants, ce qui induit F (z ) =
A

(13.3)

FA (z ) =
A

(1 + PA (z 1))

(13.4)

ce qui revient ` a ecrire ln F (z ) =

A

ln (1 + PA (z 1))

(13.5)

Or, nous pouvons raisonnablemement penser que les probablilit es sont susamment faibles pour approximer cette derni` ere expression par un d eveloppement limit e au premier ordre, ce qui se traduit par : F (z ) = exp
A

PA (z 1)

= exp ( (z 1))

(13.6)

avec =
A

PA

(13.7)

repr esente en fait le nombre moyen de d efauts attendus en un an parmi les emissions du portefeuille consid er e. On remarque de plus que la derni` ere expression peut secrire sous une autre forme, gr ace aux s eries enti` eres, ce qui donne une formule explicite de la r epartition de la variable al eatoire D : F (z ) = exp ( (z 1)) = do` u P (D = n) = e n n! (13.9) e n n z n! n=0

(13.8)

Finalement, sous les hypoth` eses faites plus haut, le nombre de d efaut ` a survenir suit une loi de Poisson de param` etre . Ce param` etre est lunique inconnue du mod` ele, il ne d epend ni du nombre de titres pr esents dans le portefeuille ni des probabilit es individuelles de d efaut de chaque obligation, pourvu quelles soient susamment petites pour valider les approximations eectu ees. Reste ` a noter, pour la suite, quune loi de Poisson de param` etre a pour moyenne et pour ecart-type . Evidemment, les hypoth` eses faites ne sont pas satisfaisantes et ne cadrent pas avec la r ealit e. Toutefois, ces r esultats seront utiles pour la suite, notamment pour le passage ` a des taux variables et ` a lintroduction de volatilit e des taux de de d efauts. ` TAUX DE DEFAUT 13.2. MODELISATION A FIXES 155

CHAPITRE 13. LAPPROCHE ACTUARIELLE DE CREDITRISK+

13.2.2

Pertes de d efaut

Lobjectif principal est de quantier le risque de perte dun portefeuille. Or, un m eme niveau de perte peut etre obtenu par un seul gros d efaut aussi bien que pour de nombreux petits d efauts. Cette constatation a incit e CSFP ` a regrouper les emissions contenues dans un portefeuille par tranche dexposition. Ceci a pour eet de r eduire consid erablemment le nombre de donn ees ` a lentr ee pour limpl ementation. Cette approximation sera dautant plus l egitime que les tranches dexpositions seront nombreuses et etroites en comparaison avec lexposition moyenne du portefeuille. Ainsi, ces approximations seront utiles sans pour autant modier signicativement les r esultats. On adopte les notations suivantes : R ef erence Emetteur Exposition Probabilit e de d efaut Pertes attendues Notation A LA PA A

Lexposition et les pertes attendues sont exprim ees en L, qui repr esente une unit e arbitraire choisie, si bien que pour chaque emetteur A, on d enit A et A de la mani` ere suivante : LA = A L et A = A L (13.11) (13.10)

Le passage important est darrondir chaque A ` a lentier le plus proche. Ainsi, pour un gros portefeuille, un choix adapt e de L permettra de r eduire ` a un nombre relativement petit les valeurs A partag ees par plusieurs emissions. Le portefeuille se retrouve alors divis e en m tranches dexposition, index ee par j , ce qui revient ` a ne retenir que les notations suivantes : R ef erence Exposition commune dans la tranche j en L Pertes attendues dans la tranche j en L Nombre de d efaut attendu dans la tranche j De plus, ces trois variables sont reli ees par la relation suivante j = j j donc j = Nous utiliserons aussi par la suite
m m

Notation j j j

(13.12)

j = j

A| A = j

A A

(13.13)

=
j =1

j =
j =1

j j

(13.14)

13.2.2.1

Proc edure de calcul et distribution des pertes

On adopte ici le m eme point de vue que pour le nombre de d efauts ; on d enit la distribution des pertes agr eg ees ` a travers sa fonction g en eratrice

G(z ) =
n=0

P (Pertes agr eg ees = n L) z n

(13.15)

INTRODUCTION A LA GESTION DES RISQUES

156

CHAPITRE 13. LAPPROCHE ACTUARIELLE DE CREDITRISK+

Nous faisons alors intervenir le fait que les titres ont et e regroup es par niveau dexposition, et que les tranches sont ind ependantes entre elles, ce qui s ecrit de mani` ere plus formalis ee :
m

G(z ) =
j =1

Gj (z )

(13.16)

On consid` ere alors chaque tranche comme un portefeuille ` a part enti` ere, et on applique le r esultat suivant o` u on note Dj la variable al eatoire rendant compte du nombre de d efaut ` a survenir dans la tranche j

Gj (z ) =
n=0

P (Dj = n) z n j =

ej n j n j z = exp j + j z j n ! n=0 j z j
j =1

(13.17)

et donc, en revenant au portefeuille global

G(z ) = exp
j =1

j +

(13.18)

Cest la formule d esir ee qui nous renseigne sur la distribution des risques cr edits du portefeuille. On remarque que si on pose P (z ) le polyn ome
m

1 P (z ) =

j z
j =1

j =1 m j =1

j j j j

zj (13.19)

la fonction g en eratrice des pertes agr eg ees se pr esente alors sous la forme G(z ) = exp ( (P (z ) 1)) = F (P (z )) (13.20)

G(z ) sexprime alors comme la compos ee de deux sources dincertitude : la loi de Poisson du nombre de d efauts et la variabilit e des montants dexposition. On remarque egalement quelle ne d epend que de deux types de donn ees et . Ainsi, les seules entr ees n ecessaires ` a la mesure du risque cr edit dun portefeuille sont la connaissance des di erentes tailles dexposition et les pertes attendues pour chaque taille. CSFP estime que cela repr esente peu deorts, m eme pour un portefeuille assez important. Toutefois, la derni` ere expression de la fonction g en eratrice nest pas tr` es maniable et ne nous renseigne pas explicitement sur la distribution des pertes. Aussi, on est amen e` a d eterminer les probabilit es associ ees a une perte de n L par un autre algorithme. En eet dapr` ` es lexpression (13.15), on a : 1 dn G (0) = An (13.21) n! dz n On applique alors successivement la formule de Leibnitz pour obtenir une formule de r ecurrence nous permettant de calculer An : m j A0 = G(0) = exp () = exp j j =1 (13.22) j An = n An j P (Pertes agr eg ees = n L) =
j | j n

13.2.2.2

Application au cas multi-annuel

Il peut sembler plus int eressant de consid erer l etude du risque de cr edit dun portefeuille sur une p eriode plus longue quune ann ee. En eet, la maturit e dun portefeuille pourrait sembler etre un horizon l egitime. Dans cet optique, il faut etre capable dadapter les expressions pr ec edentes ` a ce cas multi-annuel, moyennant la d enition de notations plus adapt ees : R ef erence Exposition commune dans la tranche j en L pendant lann ee t Pertes attendues dans la tranche j en L pendant lann ee t Nombre de d efaut attendu dans la tranche j pendant lann ee t ` TAUX DE DEFAUT 13.2. MODELISATION A FIXES Notation (t) j (t) j ( t) j 157

CHAPITRE 13. LAPPROCHE ACTUARIELLE DE CREDITRISK+

Alors, en supposant les ev enements de di erentes ann ees ind ependants, on applique les r esultats obtenus pr ecedemment, do` u (t) j (t) (z j 1) (13.23) G(z ) = exp (t) t,j j ce qui implique une relation de r ecurrence semblable ` a la pr ec edente : (t) j A0 = G(0) = exp () = exp (t) j
j,t

An

=
j,t| j n
(t)

j n

(t)

(13.24)

An (t)
j

13.3 Passage ` a des taux de d efaut al eatoires

13.3.1 Incertitude des taux de d efaut
Jusquici, nous navons consid er e que des portefeuilles compos es dobligations dont le taux de d efaut etait connu et xe. CreditRisk+ prend en compte le fait que ces taux sont diciles ` a d eterminer et sont sujets ` a une variabilit e non n egligeable pour des titres semblables. De plus, les statistiques publi ees sur la fr equence des d efauts montrent des variations assez importantes dune ann ee sur lautre. La situation se r esume alors en trois points : Les probabilit es de d efaut sont volatiles dans le temps, m eme pour des emetteurs de qualit e cr edit comparable. La variabilit e des probabilit es de d efaut peut etre expliqu ee par des variabilit es sous-jacentes dun petit nombre de variables li ees ` a lenvironnement economique. Un changement dans l economie ou dun autre facteur ayant de linuence sur la variabilit e des taux de d efaut ne doit pas n ecessairement induire un d efaut. Le d efaut dune contrepartie est un ev enement rare.

13.3.2

Analyse par secteur

Le second point enonc e souligne lexistence de facteurs susceptibles dagir sur la qualit e cr edit de plusieurs emissions ` a la fois. Pour mesurer cet eet, et donc etre en mesure de quantier limpact des volatilit es des taux de d efaut individuelles au niveau du portefeuille, CSFP a eu recours ` a une analyse par secteur. L economie est alors divis ee en K secteurs, et CreditRisk+ suppose que chaque secteur peut etre mod elis e par un unique facteur sous-jacent. Cest ce facteur qui nous permettra dexpliquer la variabilit e dans le temps du nombre total de d efaut mesur e pour ce secteur. Pour chaque secteur k , nous introduisons une variable al eatoire xk qui repr esente le nombre moyen de d efauts dans ce secteur. Lesp erance de xk sera not ee k , et l ecart-type k . Variable par secteur Unit e dexposition au risque Tranche dexposition Pertes attendues dans chaque tranche dexposition Notation L (k) (k) Lj = j L (1 k K et 1 j m(k )) (k) (k) j = j L (1 k K et 1 j m(k ))

Sous ces nouvelles notations, on a donc :

m(k)

k =

(k)

(k) j =1 j

=
Ak

A A

(13.25)

INTRODUCTION A LA GESTION DES RISQUES

158

CHAPITRE 13. LAPPROCHE ACTUARIELLE DE CREDITRISK+

A o` u est la probabilit e de d efaut sur la p eriode de A. Pour obtenir une estimation semblable de l ecartA type du taux de d efaut pour chaque secteur, on est contraint dassigner un ecart-type pour le taux de d efaut de chaque emetteur du secteur consid er e. Une mani` ere pratique de faire cela revient ` a supposer que cet ecart-type d epend de la qualit e cr edit de l emetteur. On obtient donc k ` a partir des A , sachant que la probabilit e de d efaut de chaque emetteur appartenant au secteur k sera consid er ee comme proportionnelle a la variable al ` eatoire xk , ce qui s ecrit :

xA = On peut noter que lesp erance de xA vaut selon l equation suivante :

A A

A xk A k

(13.26)

= PA . Nous sommes alors en mesure de lier les A ` a k A k = k A k (13.27)

A =
A k Ak

A Les statistiques montrent que le ratio P est de lordre de 1, si bien que l ecart-type du nombre de d efauts A parmi les emetteurs dun m eme groupe de qualit e cr edit est du m eme ordre que le nombre moyen annuel de d efauts. Cest la m eme chose ` a l echelle du secteur, comme le montre la relation suivante :

k = k

A
Ak

PA =
Ak A k

A PA

PA
A k

PA

(13.28)

Ainsi, en labsence de donn ees susamment d etaill ees, les estimations caract eristiques de chaque emetteur A etre remplac es par un unique ratio k pour le secteur, ce qui induit alors : PA peuvent k = Chercher ` a estimer k est alors equivalent ` a estimer
k

k
k.

(13.29)

13.3.3

Occurrence de d efauts

En suivant la m eme d emarche que pr ec edement, et en incluant la volatilit e du taux de d efaut dans le mod` ele, on obtient une fonction g en eratrice du nombre de d efauts du type :
K K

F (z ) =
k=1

Fk (z ) =
k=1x=0

exp (x (z 1)) fk (x) dx

(13.30)

o` u fk (x) est la densit e de la variable xk . Pour prolonger les calculs, il est alors n ecessaire de donner une loi de distribution ` a xk . CreditRisk+ conseille de choisir une loi Gamma de moyenne k et d ecart-type k . Sous ces hypoth` eses fk (x) est alors d eni de la mani` ere suivante : P (x xk x + dx) = fk (x) dx = o` u k =
2 k , 2 k

1 x exp k ( ) k k k

xk 1 dx

(13.31)

k =

2 k k

et () =
x=0

ex x1 dx.
k 1+ k , k

Apr` es simplication et en notant pk = Fk (z ) = On en d eduit que 1 pk 1 pk z

on obtient lexpression suivante :

k n=1

= (1 pk )

n + k 1 n n pk z n

(13.32)

P (Dk = n) = (1 pk )k

n + k 1 n pk n

(13.33)

Dk qui est le nombre de d efaut dans le secteur k suit donc une Loi Binomiale N egative. ` DES TAUX DE DEFAUT 13.3. PASSAGE A ALEATOIRES 159

CHAPITRE 13. LAPPROCHE ACTUARIELLE DE CREDITRISK+

13.3.4
13.3.4.1

Distribution des pertes de d efaut

Pertes de d efaut

Nous reprenons lapproche d enie dans le cas o` u les taux de d efaut etaient xes, et nous g en eralisons ce proc ed e en y incorporant la volatilit e de ces taux de d efauts. On obtient alors des expressions semblables a celles rencontr ` ees plus haut :
K K K

G(z ) =
k=1

Gk (z ) =
k=1

Fk (Pk (z )) =
k=1x=0

ex(Pk (z)1) fk (x)dx

(13.34)

o` u
m(k) j
(k ) (k )

Pk (z ) =

j =1

zj

(k )

m(k) j =1

(k ) j (k) j

1 = k

m(k)

(k)

j =1

(k ) j

zj

(k )

(13.35)

Et l` a encore les int egrales peuvent etre calcul ees, ce qui abouti ` a lexpression analytique suivante : k
K

G(z ) =
k=1

1 pk 1
pk k m(k) j =1 j
(k ) (k)

(k )
j

(13.36)

13.3.4.2

Relation de r ecurrence

Pour etre susamment exploitable, la fonction g en eratrice doit etre mise sous forme de s erie enti` ere o` u les probabilit es associ ees aux pertes sont lues sans aucun eort. Or, pour arriver ` a cette forme, on est amen e` a traiter la derni` ere expression obtenue de G(z ) et mettre en evidence les coecients An d enis de la m eme mani` ere que ceux rencontr es plus haut. Le fait que G(z ) se pr esente sous la forme de fractions rationnelles nous facilite la t ache. en eet, il existe de nombreuses m ethodes pour transformer une fraction rationnelle et la pr esenter sous forme de polyn ome de degr e inni. Ces algorithmes sont plut ot techniques et ne m eritent pas d etre d etaill es ici. Ils semblent, en outre, ne pas poser de diculter particuli` eres. Il est en eet pr ef erable de livrer le type de raisonnement suivi et la relation de r ecurrence ` a laquelle on aboutit apr` es la mise en uvre dun de ces algorithmes. Ainsi, on cherche les An tels que :

G(z ) =
n=0

An z n

(13.37)

Or, si G(z ) v erie une relation du type : G (z ) A(z ) = G(z ) B (z ) o` u A(z ) et B (z ) sont respectivement deux polyn omes de la forme suivante : A(z ) = a0 + .... + ar zr B (z ) = b0 + .... + bs z s alors les coecients An v erient la relation de r ecurrence min(r,n) min(s1,n1) 1 ai Ani An+1 = bl+1 (n l)Anl b0 (n + 1) i=0
l=0

(13.38)

(13.39)

(13.40)

On applique alors cette relation, sachant que G(z ) v erie la condition sur sa d eriv e logarithmique. En eet, nous avons G (z ) = G(z )
K k=1 p k k k m(k) j =1 m(k) j =1

j z j
j
(k) (k )

(k)

(k )

(13.41) z
(k) j

pk k

INTRODUCTION A LA GESTION DES RISQUES

160

On applique alors la relation de r ecurrence, apr` es avoir r eduit au m eme d enominateur la derni` ere expression. Evidemment, un choix judicieux de L, lunit e dexposition, permettrait de r eduire le degr e du polyn ome B (z ) de telle sorte que les calculs soient plus faciles ` a traiter. On se retrouve alors en possession de la forme explicite de la distribution des pertes du portefeuille.

13.4 Conclusion
Tout dabord, notons que cette approche peut etre g en eralis ee en consid erant l eventuelle appartenance dun emetteur ` a plusieurs secteurs. On fait alors intervenir des coecients A,k qui pour chaque emission A donne la proportion de linuence de son taux de d efaut par la variable xk . En g en eralisant de la sorte, on accorde ` a tous les titres d etre d ependants de plusieurs secteurs. Cette hypoth` ese est trait ee dans CreditRisk+, qui donne alors le processus et la nouvelle distribution des pertes encourus. Remarquons, de plus, que la notion de corr elation napparait pas explicitement dans le mod` ele, mais est pris en compte indirectement dans les volatilit es de chaque secteur et eventuellement dans le prol des coecients A,k . On peut toutefois calculer les contributions marginales de chacun des titres ainsi que les corr elations entre ces m emes titres a posteriori. Les etapes n ecessaires pour aboutir ` a ces corr elations et ` a ces contributions ne sont pas pr esent ees ici mais le sont dans CreditRisk+. Le principal reproche adress e ` a CSFP r eside dans le fait que leur mod` ele ignore la possibilit e dun changement de spread des titres composant le portefeuille sans pour autant observer un quelconque d efaut. Par analogie avec CreditMetrics, ce mod` ele ne tient pas compte de la perte ou du gain de valeur du portefeuille provoqu es par des changements de rating. Ce mod` ele semble, en fait, sadapter au cas de banques accordant des cr edits, et cherchant ` a se couvrir contre un certain niveau de risque d u au d efaut de paiement dune contrepartie. Mais cet outil ne convient pas ` a une gestion de portefeuille qui a pour vocation d etre assez liquide et qui tire son rendement des spreads des titres qui le composent.

Bibliographie
[1] Credit Suisse Financial Products [1997], CreditRisk+ : A credit Risk Managment Framework, London

14
Lapproche Intensit e : une approche sous forme r eduite

Lapproche sous forme r eduite ne sint eresse pas aux raisons economiques du d efaut : ce type dapproche envisage le d efaut comme un ev` enement impr evisible. Le lien entre la structure de lentreprise, la valorisation boursi` ere et le risque de d efaut nest pas exhib e. Les mod` eles ` a intensit e sint eressent davantage aux donn ees que lon peut trouver sur les march es de cr edit : les spreads de taux en sont le principal input. Comme nous lavons d ej` a soulign e, ce type de mod` ele est confront e au probl` eme dabsence de liquidit e sur le march e obligataire des grandes entreprises. Il est d` es lors peu probable quune evaluation risqueneutre des actifs conduise ` a des prix correspondant aux prix observ es sur le march e. De plus, si les spreads observ es sur le march e peuvent etres utilis es pour calibrer les mod` eles, il convient n eanmoins de d eterminer la composante li ee au risque de d efaut : liquidit e, taxation, risque de march e, zone g eographique sont autant de facteurs pouvant intervenir dans la formation des spreads.

14.1 Cadre de lanalyse

On se place dans un espace probabilis e (, G , P) muni dune ltration F = (Ft )tR+ . P est une probabilit e risque neutre pour laquelle les prix des actifs nanciers sont egaux aux esp erances de leurs payos futurs actualis es. Une telle hypoth` ese suppose labsence dopportunit e darbitrage sur le march e avec d efaut. F correspond ` a la ltration engendr ee par les prix des actifs nanciers (dont les spreads de taux) ; la tribu Ft repr esente linformation disponible sur le march e` a la date t. Le taux dint er et non risqu e` a court terme est mod elis e par un processus r Fadapt e. Bt = exp correspond au facteur de capitalisation.
t r du 0 u

Pour une maturit e T > 0 donn ee, on repr esente par une variable al eatoire X FT mesurable le montant auquel a droit le d etenteur dun actif risqu e` a la date T , ` a condition que le d efaut ne se soit pas produit. Le payo en cas de d efaut est mod elis e par un processus Z Fpr evisible. Il sagit donc du processus de recouvrement. Notons que lhypoth` ese faite ici est tr` es forte et loin d etre v eri ee sur les march es : supposer que Z est Fpr evisible revient ` a dire quil est possible de couvrir le risque li e au recouvrement ` a partir de produits disponibles sur le march e. Ceci nest certainement pas le cas, notamment lorsquune proc edure

 : UNE APPROCHE SOUS FORME REDUITE CHAPITRE 14. LAPPROCHE INTENSITE

de liquidation judiciaire est mise en place : le montant recouvr e d ependra de la fa con dont la proc edure se d eroulera. Linstant avant d efaut est mod elis e par une variable al eatoire d enie sur lespace (, G , P). On introduit le processus de saut H associ e` a : Ht = 1{ t}, t R+ , et on d enit H = (Ht )tR+ comme la ltration engendr ee par ce processus : Ht = (Hu , u t) , t R+ . Lobservation des donn ees de march e montre quil est impossible de dire avec certitude si le d efaut est survenu ou non uniquement ` a partir de celles-ci. En eet, il se peut tr` es bien qu` a une date donn ee, deux obligations aient un prix identique alors m eme que lun des deux emetteurs vient de faire d efaut. Math ematiquement, cela signie que Ft Ht : nest pas un Ftemps darr et. Si loccurence du d efaut ne peut pas se lire dans les prix de march e, on peut n eanmoins supposer que les op erateurs nanciers disposent de cette information par un autre biais. Autrement dit, ` a une date t donn ee, linformation disponible peut etre mod elis ee par la tribu Gt = (Fu , Hu , u t). On note G = F H la ltration associ ee. Le temps de d efaut est alors un Gtemps darr et. A la date t, les op erateurs nanciers disposent de deux types dinformation bien distincts : Dune part, ils savent si le d efaut est survenu ou non. Cette information est contenue dans la tribu Ht . Dautre part, ils ont acc` es ` a ce que lon a appel e dans un premier temps linformation de march e (provenant des prix). Cette information, mod elis ee par Ft , permet de formuler des hypoth` eses sur la qualit e de l emetteur de la dette. Il sagit donc de linformation utile, si le d efaut ne sest pas encore produit, pour etablir le prix de la dette risqu ee ` a la date t . D` es lors, Ft ne se r eduit pas forc ement aux prix de march e, elle peut contenir toute information permettant une meilleure appr eciation de la qualit e de la contrepartie (notes de rating par exemple).

14.1.1 D enition de lintensit e de survie

La d ecomposition de G en deux sous-ltrations F et H permet disoler linformation pertinente pour le calcul des probabilit es de d efaut. En particulier, on peut construire le processus Ft = P ( t | Ft ) , t R+ : F est bien d eni car nest pas Fadapt e. Il sagit dune Fsous-martingale positive born ee, que lon peut par cons equent supposer continue ` a droite. Ft traduit les croyances du march e` a la date t concernant la possible occurence du d efaut avant cette date. Notons que lincertitude des march es pesant sur lapparition du d efaut se traduit par Ft < 1 t R+ . On peut d` es lors d enir le processus de hazard associ e au temps de d efaut : t = ln (1 Ft ) , t R+ . A chaque instant, on sait si le d efaut sest produit ou non. Par contre, sil ne sest pas produit, les op erateurs nanciers formulent des hypoth` eses ` a partir des donn ees de march e. Ceci se traduit de fa con math ematique par la relation suivante : t < s, P ( > s | Gt ) = 1{ >t} EP et s | Ft (14.1)

Dans lhypoth` ese o` u est un processus absolument continu, il existe un processus Fprogressivement t mesurable tel que t = 0 u du. La relation (14.1) peut donc se r e ecrire t < s, P ( > s | Gt ) = 1{ >t} EP e
4s
t

u du

| Ft

(14.2)

La signication intuitive de appara t ici : il sagit de lintensit e de survie (ou encore intensit e de d efaut ) sachant le ux dinformation de march e (Ft )tR+ . Si de plus, on suppose que est un processus croissant (i.e. > 0), alors le processus m d eni par
t

mt = Ht
0

u du, t R+

(14.3)

est une Gmartingale. Cette propri et e est particuli` erement importante car elle permet d etablir une nouvelle repr esentation du prix de la dette risqu ee. De plus, historiquement, cest ` a partir de cette propri et e que lintensit e de d efaut a et e d enie (cf. Duffie, Schroder et Skiadas [1996]). INTRODUCTION A LA GESTION DES RISQUES 164

 : UNE APPROCHE SOUS FORME REDUITE CHAPITRE 14. LAPPROCHE INTENSITE

14.1.2

Une autre approche de lintensit e de d efaut

La d ecomposition de la ltration G en deux sous-ltrations F et H a permis de mettre en evidence le processus . N eanmoins, si lon raisonne sans prendre en compte cette d ecomposition, on peut montrer1 quil existe un processus positif Gadapt e tel que le processus M d eni par
t

Mt = Ht
0

u du, t R+

(14.4)

est une Gmartingale. En g en eral, lintensit e de d efaut est d enie ` a partir de ce processus . N eanmoins, linterpr etation de reste dicile. En particulier on ne peut rien dire de la relation existant entre et lintensit e de survie . Il se peut par exemple que le processus soit d eni sans que existe. De plus, la caract erisation du processus reste probl ematique dans la mesure o` u il nest d eni de fa con unique que jusqu` a linstant de d efaut . Compte tenu de ce que lon a dit jusquici, on sait que si est un processus croissant absolument continu, alors t = t , t R+ . Lint er et de la d ecomposition de G en deux sous-ltrations F et H appara t ` a nouveau ici : elle met en evidence de fa con assez intuitive la signication de lintensit e de d efaut , etant lobjet math ematique g en eralement introduit dans les mod` eles ` a intensit e. Par la suite, nous d enirons lintensit e de d efaut ` a partir de ce processus . Pour de plus amples d eveloppements concernant les liens entre les processus et , on pourra se r ef erer ` a larticle [5] de Jeanblanc et Rutkowski.

14.2 Les di erentes repr esentations du prix de la dette risqu ee

14.2.1 Premi` eres repr esentations
Soit (X, Z, ) une dette risqu ee. Notons D le processus des dividendes associ e: Dt =
]0,t]

Zu dHu + X (1 HT ) 1{t=T }

(14.5)

A laide de ce processus, la valorisation rique-neutre de lactif risqu e` a la date t s ecrit :

1 dDu | Gt Bu

Vt = Bt EP
]t,T ]

(14.6)

o` u bien, de fa con equivalente : Vt = Bt EP

]t,T ] 1 1 Bu Zu dHu + BT X 1{T < } | Gt

(14.7)

ce qui peut encore s ecrire :

1 1 Vt = Bt EP B Z 1{t< T } + BT X 1{T < } | Gt

(14.8)

En particulier, cette derni` ere relation implique que la valeur de la dette ` a la maturit e est VT = X 1{T < } . De plus on retrouve bien dans cette relation que la valeur de la dette apr` es linstant de d efaut est nulle : on a suppos e dans le mod` ele que le porteur de lactif risqu e est ind emnis e ` a hauteur de Z d` es que le d efaut se produit. En utilisant la relation (14.4) d enissant le processus , on peut r e ecrire (14.7) de la fa con suivante : Vt = Bt EP
]t,T ] 1 1 Bu Zu u 1{u } du + BT X 1{T < } | Gt

(14.9)

d emonstration repose sur lexistence du dabsolue continuit e de ce processus.

1 La

/compensateur de H (d ecomposition de Doob-Meyer) et sur une hypoth` ese

165

14.2. LES DIFFERENTES REPRESENTATIONS DU PRIX DE LA DETTE RISQUEE

 : UNE APPROCHE SOUS FORME REDUITE CHAPITRE 14. LAPPROCHE INTENSITE

14.2.2

Th eor` eme de repr esentation du prix de la dette risqu ee

La repr esentation suivante du prix de la dette risqu ee est le r esultat le plus int eressant, qui justie le d eveloppement de lapproche ` a intensit e. Il appara t que le prix dune dette risqu ee peut etre calcul e comme sil sagissait dun actif sans risque de d efaut ` a condition dincorporer une prime de risque dans le facteur dactualisation. Pour aboutir ` a un tel r esultat, il convient de formuler les deux hypoth` eses suivantes : Il y a continuit e de la valeur de march e de la dette risqu ee ` a linstant de d efaut. Autrement dit, la probabilit e quun saut inattendu se produise ` a linstant de d efaut est nulle. Toute Fmartingale est une Gmartingale, ce qui peut etre formul e de fa con equivalente par la relation suivante : P ( u | Ft ) = P ( u | F ) 0 < u t Ainsi, si le d efaut sest produit avant la date t, l evolution des prix sur le march e apr` es cette date ne senrichira pas dinformation nouvelle ` a ce sujet. Compte tenu de ces deux hypoth` eses, la valeur Vt de la dette ` a la date t peut s ecrit : t EP Vt = 1{t< } B t = exp o` uB
t 0 T t 1 u 1 X | Ft Zu u du + B B T

(14.10)

(ru + u ) du .

Notons que le conditionnement nest plus eectu e par rapport ` a la ltration G : seule linformation de march e F est prise en compte. On sest donc ramen e au cadre classique o` u la ltration consid er ee est la ltration brownienne des prix. Ceci permet dint egrer les mod` eles ` a intensit e dans une th eorie plus g en erale (les mod` eles d eriv es de la th eorie de Black et Scholes ou bien encore les di erents mod` eles de taux sont toujours sp eci es en consid erant la ltration des prix).

14.3 Un exemple dapplication : le mod` ele de Jarrow et Turnbull [1995]

Le mod` ele de Jarrow et Turnbull reprend lensemble des hypoth` eses formul ees pr ec edemment. Les hypoth` eses sp eciques au mod` ele sont les suivantes : L emission consid er ee est une obligation z ero-coupon de maturit e T , donnant droit au versement dun dollar ` a la date T . En cas de d efaut, lentreprise ne versera quune fraction du paiement promis. Le taux de recouvrement de la dette est suppos e constant2 . Math ematiquement, cette hypoth` ese s ecrit Zu = Bu , u [0, T ] BT

Le processus de d efaut (Ht ) associ e` a linstant de d efaut correspond ` a un simple saut poissonien entre deux etats. Autrement dit, lintensit e de d efaut est suppos ee constante au cours du temps3 . Le processus du taux sans risque est suppos e ind ependant du processus de d efaut. Il sagit ici dune hypoth` ese simplicatrice et peu r ealiste, que lon retrouve dans la plupart des mod` eles ` a intensit e.
peut d ependre du niveau de priorit e de lobligation risqu ee au sein de lensemble de la dette emise par lentreprise. que Jarrow, Lando et Turnbull [1997] proposent une extension de ce mod` ele dans laquelle le processus de d efaut est associ e ` a une cha ne de Markov dont les di erents etats sont les classes de rating des agences de notation. A chaque classe de rating correspond alors une intensit e de d efaut. Une telle mod elisation permet de faire evoluer la valeur de la dette risqu ee en fonction de la note qui lui est associ ee.
3 Notons 2

INTRODUCTION A LA GESTION DES RISQUES

166

Compte tenu de ces quatre hypoth` eses suppl ementaires, l equation (14.10) devient Vt = 1{t< } p (t, T ) 1 e(T t) + e(T t) o` u p (t, T ) = EP
Bt BT

(14.11)

| Ft repr esente le prix ` a la date t dun z ero-coupon sans risque de maturit e T.

Cette derni` ere formule est tr` es intuitive : le prix dun z ero-coupon risqu e est egal au prix du z ero-coupon sans risque multipli e par lesp erance du payo ` a la maturit e sous la probabilit e risque-neutre. Nous allons maintenant utiliser cette formule pour calculer le spread de taux entre le z ero-coupon sans risque et la dette risqu ee. Notons F (t, T ) = T log Vt le taux forward dun z ero-coupon risqu e et f (t, T ) le taux forward dun z ero-coupon sans risque. En utilisant l equation (14.11), on obtient la relation suivante : F (t, T ) = f (t, T ) + (1 ) e(T t) 1 e(T t) + e(T t) (14.12)

En faisant tendre T vers t, on obtient la relation liant le taux spot risqu e R au processus de taux sans risque r : R (t) = r (t) + (1 ) (14.13)

Ce r esultat int eressant montre que le spread de taux observ e sur les march es est d u au risque de cr edit. En outre, il appara t que ce spread d epend tout autant du processus de d efaut que du processus de recouvrement. On retrouve ici un r esultat analogue ` a celui obtenu par Due et Singleton de fa con plus g en erale (cf. articles [1] et [3]).

Bibliographie
[1] Duffie, D. et K. Singleton [1997], An econometric model of the term structure of interest rate swap yields, Journal of Finance, 52, 1287-1321 [2] Duffie, D., M. Schroder et C. Skiadas [1996], Recursive valuation of defaultable securities and the timing of resolution of uncertainty, Annals of Applied Prbability, 6, 1075-1090 [3] Duffie, D. et K. Singleton [1999], Modeling term structures of defaultable bonds, Review of Financial Studies, 12-4, 687-720 [4] Jarrow], R., D. Lando et S. Turnbull [1997], A markov model for the term structure of credit risk spreads, Review of Financial Studies, 10-2, 481-523 [5] Jeanblanc, M. et M. Rutkowski [1999], Modelling of default risk : an overview, Working Paper

Cinqui` eme partie

Le risque op erationnel

169

15
La r eglementation prudentielle

Les documents consultatifs du Comit e de B ale ouvrent la voie ` a une prise en compte explicite des risques op erationnels dans le calcul des fonds propres r eglementaires bancaires, ` a linstar de ce qui existe d ej` a sur les risques de cr edit et de march e. Toutefois, sur le plan m ethodologique, la mesure du risque op erationnel na pas encore la maturit e quon constate sur les autres risques. En eet, sur ces derniers risque de cr edit et risque de march e les banques ont consacr e des ressources importantes et ont ainsi abouti ` a des mod` eles de type Value-At-Risk qui, m eme sils sont loin d etre parfaits, ont atteint un degr e de sophistication et de robustesse remarquable. Ce manque de maturit e intellectuelle sur les risques op erationnels nest evidemment pas appel e` a durer : ce risque fera lobjet dans un avenir proche dun traitement analogue aux autres, fond e sur la construction dun mod` ele interne et l evaluation dun capital economique plus pr ecis quun calcul forfaitaire. Cette evolution est dans le sens de lhistoire r eglementaire. Elle r esultera aussi dune volont e des banques de piloter en interne la cr eation de valeur (Value-based management) et, en loccurrence, de r eduire au minimum les destructions de valeur dues ` a des d efauts de proc edure ou ` a un manque de best practices que r ev` ele la mat erialisation des risques op erationnels. R ealiser ce pilotage imposera t ot ou tard de disposer de mesures des risques op erationnels fond ees sur des calculs autres que des calculs forfaitaires. Il convient de nuancer tr` es fortement les r eexions pr ec edentes. Lors de la sortie du document consultatif du 16 janvier 2001, il semblait queectivement les banques etaient largement plus avanc ees sur la mod elisation du risque de cr edit que sur celle du risque op erationnel. La mise en place de Groupes de Travail (par exemple, WGOR Working Group on Operational Risk cr e e par lInstitute International Finance) a montr e que certaines banques (mais le nombre est relativement faible) sont tout ` a fait capables de mesurer le risque op erationnel avec un mod` ele interne. Il est devenu evident aussi que le risque de cr edit est beaucoup plus dicile ` a mod eliser que le risque op erationnel. Au mois de septembre 2001, la situation est donc la suivante : le Comit e de B ale autorise lutilisation dun mod` ele interne LDA pour mesurer les risques op erationnels ; pour linstant, seulement une dizaine ( ?) de banques au monde sont capables de mettre en place la m ethode LDA ; il nest pas s ur que ce nombre soit beaucoup plus important en 2005, lors de limpl ementation de lAccord.

15.1 La d enition du risque op erationnel

Rappelons que, selon le document consultatif [1] du comit e de B ale, les risques op erationnels se d enissent comme les risques de pertes directes ou indirectes r esultant de linadaptation ou de la d efaillance

 CHAPITRE 15. LA REGLEMENTATION PRUDENTIELLE

de proc edures ou de personnes, de personnes ou de syst` emes ou r esultant d ev enements ext erieurs ( the risk of direct or indirect loss resulting from inadequate or failed internal processes, people and systems or from external events ). Cette d enition a et e critiqu ee, car il est relativement dicile de calculer certaines pertes indirectes. Le 28 septembre 2001, le Comit e de B ale a donc propos e une seconde d enition : Les risques op erationnels se d enissent comme le risque de pertes dues ` a une inad equation ou ` a une d efaillance des proc edures, personnels, syst` emes internes ou ` a des ev enements ext erieurs (Thoraval [2001]). Il est n ecessaire de pr eciser les types de perte que comprend cette d enition. Dans le document [1], le Comit e de B ale avait retenu 6 types de pertes : 1. Write-Downs : direct reduction in value of assets due to theft, fraud, unauthorised activity or market and credit losses arising as a result of operational events . 2. Loss of Recourse : payments or disbursements made to incorrect parties and not recovered . 3. Restitution : payments to clients of principal and/or interest by way of restitution, or the cost of any other form of compensation paid to clients . 4. Legal Liability : judgements, settlements and other legal costs . nes, or the direct cost of any other 5. Regulatory and Compliance (incl. Taxation Penalties) : penalties, such as license revocations .

6. Loss of or Damage to Assets : direct reduction in value of physical assets, including certicates, due to some kind of accident (e.g. neglect, accident, re, earthquake) . Cette classication est relativement eloign ee de celles qui avaient et e mises en place par lindustrie bancaire. Par exemple, la base de donn ees Operational Risk Losses Database de la BBA (British Bankers Association) consid ere 4 types de perte : 1. People 2. Process 3. Systems 4. External Finalement, le Comit e de B ale a adopt e une nouvelle classication le 28 septembre 2001 : 1. Internal Fraud : losses due to acts of a type intended to defraud, misappropriate property or circumvent regulations, the law or company policy, excluding diversity/discrimination events, which involves at least one internal party . 2. External Fraud : losses due to acts of a type intended to defraud, misappropriate property or circumvent the law, by a third party . 3. Employment Practices & Workplace Safety : losses arising from acts inconsistent with employment, health or safety laws or agreements, from payment of personal injury claims, or from diversity/discrimination events . 4. Clients, Products & Business Practices : losses arising from an unintentional or negligent failure to meet a professional obligation to specic clients (including duciary and suitability requirements), or from the nature or design of a product . 5. Damage to Physical Assets : losses arising from loss or damage to physical assets from natural disaster or other events . 6. Business Disruption & System Failures : losses arising from disruption of business or system failures . 7. Execution, Delivery & Process Management : losses from failed transaction processing or process management, from relations with trade counterparties and vendors . Nous remarquons donc que les risques strat egiques et r eputationnels sont exclus du p erim` etre des risques op erationnels. INTRODUCTION A LA GESTION DES RISQUES 172

 CHAPITRE 15. LA REGLEMENTATION PRUDENTIELLE

Le Comit e de B ale consid ere un d ecoupage matriciel de la banque. Celle-ci est donc divis ee en di erentes activit es : Business Units Investment Banking Banking Business Lines Corporate Finance Trading & Sales Retail Banking Commercial Banking Payment & Settlement Agency Services & Custody Asset Management Retail Brokage

Others

Toutefois, les typologies exactes des types de risque et des lignes de m etier restent n eanmoins impr ecises. M eme si le document consultatif donne beaucoup de pr ecisions, la banque doit faire un travail de mapping important. En outre, lexistence dun double-comptage nest pas exclu. En eet, le capital r eglementaire allou e au risque de cr edit ou de march e est d ej` a cens e couvrir une part du risque op erationnel. Il y a donc un risque dallouer deux fois du capital pour le m eme risque.

15.2 Les approches forfaitaires

A la lecture du document [1], il nest pas encore clair de savoir si les fonds propres r eglementaires doivent couvrir les seules pertes exceptionnelles (unexepected loss), ou en plus les pertes moyennes (expected loss). En th eorie, les fonds propres ne couvrent que les seules pertes exceptionnelles et non les pertes moyennes, ces derni` eres etant cens ees etre couvertes par des provisions ou imput ees sur le r esultat courant. Toutefois, dans la mesure o` u les normes comptables de provisionnement di` erent dun pays ` a lautre et dun type de risque ` a un autre, les fonds propres au titre du risque op erationnel pourraient etre amen es a jouer ce double r ` ole. Dapr` es le document [2], la mesure du risque op erationnel semble correspondre au quantile, cest-` a-dire ` a la somme de lexpected loss et de lunexpected loss. Sagissant des m ethodologies propos ees par le document consultatif du Comit e de B ale, elles sinspirent fortement de celles que ce m eme document envisage pour le risque de cr edit. Il y a eu une volont e assez forte de mettre en parall` ele le traitement de ces deux risques en proposant soit des m ethodes dites standards (cest-` a-dire forfaitaires) soit des m ethodes n ecessitant des el ements rattach es directement aux risques eux-m emes (probability of default/probability of event, Loss Given Default/Loss Given Event, etc.). Le Comit e de B ale utilisent le terme Advanced Measurement Approaches ou AMA pour d enir ces approches non standards. Celles-ci seront expos ees dans le chapitre suivant.

15.2.1

Basic Indicator Approach (BIA)

Cest une m ethode forfaitaire o` u le calcul du capital se fait ` a partir dun indicateur dexposition EI. Le capital economique associ e au risque op erationnel est donc reli e aux r esultats (par exemple, le PNB ou le revenu) mais pas au risque op erationnel r eel ni ` a la qualit e intrins` eque de la banque en terme de ma trise de ces risques (qualit e de laudit interne par exemple). Ceci pose evidemment probl` eme en p enalisant les banques protables dune part, et en nincitant pas ` a la ma trise des risques dautre part. Le Comit e de B ale propose de retenir le PNB Gross Income GI comme proxy. Les fonds propres FP se calcule alors tr` es facilement ` a partir de la formule FP = GI (15.1)

o` u est un coecient x e par les autorit es r eglementaires. Dans le document [1], un premier calcul du Comit e de B ale donnait egal ` a 30%. Dapr` es les r esultats de QIS2, est en fait proche de 20%. Notons que lapproche BIA sera calibrer an dobtenir une charge en capital pour la Banque Mondiale Moyenne egale ` a 20% de la charge totale en capital. Pour cette approche, aucun crit` ere d eligibilt e nest exig e. 15.2. LES APPROCHES FORFAITAIRES 173

 CHAPITRE 15. LA REGLEMENTATION PRUDENTIELLE

15.2.2

Standardised Approach (SA)

Cest un prolongement plus n de lapproche pr ec edente en d eclinant ce type de calcul par type dactivit e. Selon lactivit e, lindicateur retenu ne serait pas le m eme. Ainsi, par exemple en gestion dactifs, le capital economique pourrait etre calcul e sur la base du montant des fonds en gestion (voir document [1]). N eanmoins, le document du 28 septembre 2001 utilise le PNB comme indicateurs des 8 lignes de m etiers. Dans cette approche, les fonds propres de la banque pour le risque op erationnel sont egaux ` a la somme des fonds propres de chaque ligne de m etier. Nous avons FP =
i

FP (i) =
i

(i) FI (i)

(15.2)

avec FI lindicateur nancier de la ligne de m etier i. Si lindicateur nancier est le PNB, les r esultats de QIS2 sont les suivants : Ligne de m etier Financement dentreprises N egociation et vente Banque de d etail Banque commerciale Paiements et r eglements Services dagence Gestion dactifs Courtage de d etail (i) m edian 0.131 0.171 0.125 0.132 0.208 0.174 0.133 0.113 (i) moyen 0.236 0.241 0.127 0.169 0.203 0.232 0.185 0.149

Dans cette approche, le Comit e de B ale indique que lobjectif de charge de capital est de 12% (et non de 20%). Les banques sont donc incit ees ` a choisir cette m ethode plut ot que celle de lindicateur basique. N eanmoins, il y a des crit` eres d eligibilit e concernant la qualit e du syst` eme de gestion du risque et le suivi des donn ees de perte : Eective risk management and control The bank must have a well-documented, independent operational risk management and control process, which includes rm-level policies and procedures concerning operational risk and strategies for mitigating operational risk. The board of directors and senior management must be actively involved in the oversight of the operational risk management process. There must be regular reporting of relevant operational risk data to business unit management, senior management and the board of directors. Internal auditors must regularly review the operational risk management processes. This review should include both the activities of the business units and the operational risk management and control process. Measurement and validation The bank must have both appropriate risk reporting systems to generate data used in the calculation of a capital charge and the ability to construct management reporting based on the results. The bank must begin to systematically track relevant operational risk data, including internal loss data, by business line. The bank must develop specic, documented criteria for mapping current business lines and activities into the standardised framework. The criteria must be reviewed and adjusted for new or changing business activities and risks as appropriate .

15.3 Annexe : composition du Risk Management Group (RMG) of the Basel Committee on Banking Supervision
Chairman : Roger Cole Federal Reserve Board, Washington, D.C. INTRODUCTION A LA GESTION DES RISQUES 174

 Banque Nationale de Belgique, Brussels : Dominique Gressens Commission Bancaire et Financi` ere, Brussels : Jos Meuleman Oce of the Superintendent of Financial Institutions, Ottawa : Je Miller Commission Bancaire, Paris Laurent Le Mou el Deutsche Bundesbank, Frankfurt am Main : Magdalene Heid et Karin Sagner Bundesaufsichtsamt f ur das Kreditwesen, Bonn : J urgen Dreymann Banca dItalia, Rome : Claudio Dauria et Sergio Sorrentino Bank of Japan, Tokyo : Eiji Harada Financial Services Agency, Tokyo : Hirokazu Matsushima Commission de Surveillance du Secteur Financier, Luxembourg : Davy Reinard De Nederlandsche Bank, Amsterdam : Klaas Knot Banco de Espa na, Madrid : Juan Serrano Finansinspektionen, Stockholm : Jan Hedquist Sveriges Riksbank, Stockholm : Camilla Ferenius Eidgen ossiche Bankenkommission, Bern : Daniel Sigrist et Martin Sprenger Financial Services Authority, London : Helmut Bauer et Victor Dowd Bank of England, London : Alison Emblow Federal Deposit Insurance Corporation, Washington, D.C. : Mark Schmidt Federal Reserve Bank of New York : Beverly Hirtle et Stefan Walter Federal Reserve Board, Washington, D.C. : Kirk Odegard Oce of the Comptroller of the Currency, Washington, D.C. : Kevin Bailey et Tanya Smith European Central Bank, Frankfurt am Main : Panagiotis Strouzas European Commission, Brussels : Michel Martino et Melania Savino Secretariat of the Basel Committee on Banking Supervision, Bank for International Settlements : Ralph Nash

Bibliographie
[1] Basel Committee on Banking Supervision, Operational Risk Consultative Document, Supporting document to the New Basel Capital Accord, January 2001 [2] Basel Committee on Banking Supervision, Working Paper on the Regulatory Treatment of Operational Risk, september 2001 [3] Institute International Finance, Inc, Letter to Mr. Roger Cole, March 1, 2001 ndez [1999], Where theory meets practice, Risk Magazine (Operational [4] Ceske, R. et J.V. Herna Risk Report), 12, November, 17-20 ndez et L.M. Sa nchez [2000], Quantifying event risk : the next convergence, [5] Ceske, R., J.V. Herna The Journal of Risk Finance, 1(3), 9-23 [6] Lasry, J-M. [2001], Le calcul des fonds propres en face du risque op erationnel, Club Banque, F ed eration des Banques Fran caises, 1er mars 2001

16
Les m ethodes AMA

Dans le document consultatif du 16 janvier 2001, le Comit e de B ale proposait une troisi` eme m ethode appel ee Internal Measurement Approach (IMA). Depuis le Comit e de B ale a modi e sa position et propose de remplacer IMA par un spectre de m ethodes dites internes. En fait, cette d ecision a et e prise suite aux recommandations (et aux pressions) de lorganisation professionnelle IIF (Institute of International Finance). Pour pouvoir utiliser une m ethode AMA, la banque devra satisfaire de nombreux crit` eres (voir lannexe 1 du document [2]). Notons aussi que la charge en capital calcul ee avec une m ethode AMA ne peut etre inf erieure ` a celle donn ee par la m ethode SA de plus de 25% : FPAMA 3 FPSA 4

Cest la notion du Floor. Enn, les assurances ne seront prises en compte que pour la m ethode LDA uniquement.

16.1 Lapproche IMA

La m ethode Internal Measurement Approach (IMA) fait lobjet du paragraphe VI de la section B du document [1]. Nous notons UL la perte exceptionnelle. Celle-ci est calcul ee ` a partir de la formule suivante : UL = EL RPI (16.1)

o` u EL est la perte esp er ee, le facteur d echelle et RPI lindice de prol de risque. Cette charge en capital est calcul ee pour chaque business line et chaque type de risque :
business line Type de risque

1 2 . . . i . . . Total

1 UL (1, 1) UL (2, 1)

2 UL (1, 2) UL (2, 2)

Total UL (1, ) UL (2, ) UL (i, ) UL (i, j )

i,j

UL (i, j ) UL (, 1) UL (, 2)

 CHAPITRE 16. LES METHODES AMA

Pour une business line i et un type de risque j , nous avons UL (i, j ) = EL (i, j ) (i, j ) RPI (i, j ) (16.2)

La charge en capital au titre du risque op erationnel est calcul ee en faisant la somme des di erentes charges en capital UL (i, j ). Nous d etaillons maintenant les di erentes composantes de UL (i, j ) : EL (i, j ) est la perte esp er ee. Dans le document [1], le Comit e de B ale propose quelle soit calcul ee a partir de la formule suivante : ` EL (i, j ) = EI (i, j ) PE (i, j ) LGE (i, j ) D etaillons ces di erents param` etres : EI (i, j ) est lindicateur dexposition. PE (i, j ) est la probabilit e doccurence dune perte unitaire. LGE (i, j ) est le montant de la perte unitaire. (i, j ) est le facteur d echelle. La valeur de celui-ci est d etermin ee par les autorit es r eglementaires. Cest dailleurs le seul coecient qui nest pas propre ` a l etablissement nancier. RPI (i, j ) est lindice de prol de risque. Pour linstant, le Comit e de B ale na propos e aucune formule pour le calculer. Le but de cet indice est de prendre en compte les propri et es leptokurtiques de la distribution r eelle des pertes de la banque. Il permet de convertir le facteur d echelle exog` ene en un facteur d echelle propre ` a la business line et au type de risque de la banque. Nous avons UL (i, j ) = = EL (i, j ) EL (i, j ) (i, j )
Facteur d echelle r eglementaire

(16.3)

RPI (i, j ) (16.4)

(i, j )
Facteur d echelle interne

Il apparait clairement que (i, j ) repr esente la valeur du benchmark, cest-` a-dire la valeur pour la Banque Mondiale Moyenne (le comit e de B ale emploie le terme de scaling factor based on the industry wide loss distribution) et RPI (i, j ) sert ` a prendre en compte les caract eristiques de la banque par rapport ` a la Banque Mondiale Moyenne. Nous remarquons que ces param` etres (EI, PE, LGE, , RPI) sont di erents pour chaque business line et chaque type de risque. Dautres choix pourraient etre possibles. Par exemple, UL (i, j ) = EI (i, j ) PE (i, j ) LGE (j ) (j ) RPI (i, j ) (16.5)

Dans ce cas, les param` etres LGE et d ependent uniquement du type de risque op erationnel. Dans le document [3], il ressort quen g en eral les membres du Groupe de Travail sur le Risque Op erationnel (WGOR) ont du mal ` a distinguer lindicateur dexposition en fonction du type de risque. Dans ce cas, nous avons UL (i, j ) = EI (i) PE (i, j ) LGE (i, j ) (i, j ) RPI (i, j ) (16.6)

Cela veut dire que lindicateur dexposition est propre ` a la business line, et ne d epend pas du type de risque. Pour conclure, nous faisons deux remarques : 1. Dans le document [2], le Comit e de B ale retient un d ecoupage de la banque en 8 business lines. Avec 7 types de risque, nous obtenons donc un d ecoupage matriciel de 56 cellules. Ce qui veut dire aussi plus de 250 param` etres pour calculer la charge en capital. On peut penser que des probl` emes de robustesse vont se poser. En particulier, on voit mal comment les autorit es r eglementaires vont etre capables de calculer les 56 param` etres de facteur d echelle. INTRODUCTION A LA GESTION DES RISQUES 178

 CHAPITRE 16. LES METHODES AMA

2. Dans la pratique, le double indi cage sera dicile ` a mettre en place, par manque de donn ees. Des approximations seront donc faites du type LGE (i, j ) = LGE (j ) quelque que soit la business line

On le voit dailleurs avec l etude WGOR sur les indicateurs dexposition qui sont presque toujours les m emes. On risque nalement daboutir ` a lutilisation de tr` es peu dindicateurs (moins dune dizaine). Il nous semble que la m ethode IMA devrait etre simpli ee : en r eduisant le double indi cage ; en r eduisant le nombre de variables ; Par exemple, pourquoi ne pas adopter une d enition plus naturelle de la perte esp er ee ` a partir du nombre de pertes NE : EL (i, j ) = NE (i, j ) LGE (i, j ) (16.7)

16.2 Lapproche LDA

Cette approche est expos ee dans le document de travail de Frachot, Georges et Roncalli [2001]. Cest une approche actuarielle tr` es ancienne largement utilis ee en assurances (Klugman, Panjer et Willmot [1998]). Des trois m ethodes AMA, nous pouvons consid erer que cest v eritablement la m ethode de r ef erence pour le calcul de risque avec un mod` ele interne. Nous donnons ici quelques el ements, mais lexpos e oral du cours sappuiera sur le document [8].

16.2.1

Pr esentation de la m ethode statistique

Lid ee g en erale est de mod eliser la perte li ee au risque op erationnel pour une p eriode donn ee (par exemple, un an) et den d eduire la valeur en risque. La dicult e provient du fait que cette perte ne correspond pas forc ement ` a une seule occurence. Pendant une ann ee, la perte totale est en fait le r esultat de plusieurs pertes successives. La perte totale est donc une perte agr eg ee (aggregate loss distribution). Celle-ci se d enit par 1. le nombre de pertes individuelles, 2. et le montant de chaque pertes individuelles. Dans le cadre dun mod` ele probabiliste, le nombre de pertes est al eatoire. A priori, nous ne savons pas combien de fraudes carte bleue vont avoir lieu pour lann ee 2002. Nous allons donc mod eliser ce nombre de pertes par un processus de comptage, et la distribution de ce nombre de pertes est appel ee la distribution de la fr equence des pertes (loss frequency distribution). Nous supposons alors que les pertes individuelles sont ind ependantes et identiquement distribu ees. La distribution du montant dune perte individuelle est appel ee la distribution de la s ev erit e des pertes (loss severity distribution). Dans ce cas l` a, la perte agr eg ee est la somme al eatoire des pertes individuelles. La distribution de la perte agr eg ee est donc une distribution compos ee (compound distribution). La formulation math ematique est donc la suivante. Nous consid erons di erentes lignes de m etier (i = 1, . . . , I ) et di erents types de risque (j = 1, . . . , J ). (i, j ) est la variable al eatoire repr esentant le montant dune perte pour la ligne de m etier i et le type de risque j . La distribution de la s ev erit e des pertes est not ee Fi,j . Nous supposons que le nombre doccurences entre les dates t et t + est al eatoire. La variable al eatoire de comptage N (i, j ) a une fonction de probabilit e pi,j . La distribution de la fr equences n des pertes Pi,j correspond alors ` a Pi,j (n) = k=0 pi,j (k ). La perte pour la ligne de m etier i et le type N (i,j ) de risque j entre les dates t et t + est donc (i, j ) = n=0 n (i, j ). Soit Gi,j la distribution de probabilit e de (i, j ). Gi,j est la distribution compos ee suivante : pi,j (n) Fn x>0 i,j (x) Gi,j (x) = (16.8) n=1 p (0) x=0
i,j

Le graphique (16.1) pr esente un exemple de calcul de la distribution de la perte agr eg ee. Dans de nombreux cas, il nest pas possible dobtenir une formulation analytique de Gi,j . Dans ce cas, nous pouvons 16.2. LAPPROCHE LDA 179

 CHAPITRE 16. LES METHODES AMA

GRAPHIQUE 16.1. Distribution agr eg ee avec (i, j ) LN (8, 2.2) et N (i, j ) P (50)

approximer cette distribution en utilisant la m ethode de Monte Carlo ou dautres m ethodes (la plus c el` ebre est lalgorithme de Panjer). La charge en capital pour la ligne de m etier i et le type de risque j correspond alors au quantile de Gi,j :
1 CaR (i, j ; ) = G i,j () = inf {x | Gi,j (x) }

(16.9)

La charge en capital pour la banque est alors la somme de toutes les charges en capital CaR (i, j ; ) :
I J

CaR () =
i=1 j =1

CaR (i, j ; )

(16.10)

Cela implique une d ependance positive parfaite des di erentes pertes (i, j ). En janvier 2001, le Comit e de B ale sugg erait egal ` a 99.9%. Maintenant, est x e` a 99%.

16.2.2

Robustesse de lapproche LDA

Certaines banques ont lintention de fonder leur mod` ele interne sur la th eorie des extr emes et non sur lapproche LDA. Suite ` a lattaque terroriste sur le World Trade Center, il semblerait (tout cela est a prendre au conditionnel) que Roger Cole soit de plus en plus favorable ` ` a la th eorie des extr emes. Je pense que cest une mauvaise vision des choses pour di erentes raisons : La th eorie des extr emes est math ematiquement s eduisante. En pratique, elle n ecessite une expertise importante et un certain recul pour lui faire dire quelque chose . Lobstacle majeur ` a la mise en place dune m ethode bas ee sur la th eorie des extr emes est la disponibilit e de donn ees. Enn, je crois quil y a confusion entre th eorie des extr emes et mod elisation des queues epaisses. Dans le document [8], nous pr esentons di erents el ements pour bien impl ementer la m ethode LDA. Le calcul des charges en capital par la m ethode LDA doit se faire en concertation avec le risk manager et son INTRODUCTION A LA GESTION DES RISQUES 180

 CHAPITRE 16. LES METHODES AMA

N 100 200 300 400 500 1000 5000

1 an 2 ans 3 ans 4 ans 5 ans 10 ans 50 ans

1 million 99.8 99.9 100.0 100.0 100.0 100.0 100.0

10 millions 51.4 76.4 88.5 94.4 97.3 99.9 100.0

100 millions 3.7 7.2 10.7 14.0 17.2 31.4 84.9

1 milliard 0.08 0.17 0.26 0.35 0.44 0.89 4.38

5 milliards 0.00 0.00 0.01 0.01 0.02 0.04 0.20

TABLE 16.1. = 10 and = 2.50

N 100 200 300 400 500 1000 5000

1 an 2 ans 3 ans 4 ans 5 ans 10 ans 50 ans

1 million 99.9 100.0 100.0 100.0 100.0 100.0 100.0

10 millions 73.1 92.7 98.0 99.4 99.8 99.9 100.0

100 millions 10.4 19.7 28.1 35.5 42.2 66.7 99.5

1 milliard 0.48 0.95 1.43 1.91 2.38 4.70 21.42

5 milliards 0.03 0.07 0.10 0.14 0.18 0.36 1.80

TABLE 16.2. = 10 and = 2.75

equipe. Il est n ecessaire de comprendre les chires, de les interpr eter et de les comparer. Le statisticien apporte une aide technique, et doit proposer des outils pour aider le risk manager ` a juger la pertinence des r esultats. Prenons un exemple. Nous pouvons calculer la fonction de survie du maximum de N pertes de loi de probabilit e Gi,j . Nous avons pmax := Pr {max (1 (i, j ) , . . . , N (i, j )) x} = 1 [Gi,j (x)]
N

(16.11)

Cette probabilit e a une interpr etation tr` es intuitive. Supposons que N pertes surviennent. pmax est la probabilit e que la perte maximale soit sup erieure au montant x. Le Risk Management a des id ees (ou des benchmarks internes et externes) sur la perte maximale ` a un an, deux ans, etc. Il peut donc confronter ces propres croyances avec les r esultats donn es par le mod` ele. Supposons que 100 pertes surviennent en moyenne par an. Supposons aussi que la distribution de la s ev erit e est une distribution log-normale LN (, ). Une premi` ere estimation ` a partir des donn ees historiques donne = 10 et = 2, 50. Sur la table 16.1, nous avons report e les valeurs correspondantes de pmax pour di erentes valeurs de N et x. Par exemple, la probabilit e que nous observons une perte maximale sur 5 ans sup erieure ` a 100 millions est de 17, 2%. Si lestimation a et e faite avec un historique de 5 ans, et que nous observons dans la base de donn ees plusieurs pertes sup erieures ` a 100 millions, nous pouvons penser que cette distribution sousestime largement les pertes exceptionnelles. Si = 10 et = 2, 50, nous obtenons la table 16.2. Dans ce cas, la probabilit e est egale ` a 42,2%. Cest ce genre doutils que le statisticien doit fournir au risk manager, car une mesure de risque ne veut rien dire en elle-m eme, cest sa compr ehension et son interpr etation qui comptent.

16.3 Le mapping IMA/LDA

Je pr esenterai cette section en cours de fa con plus d etaill ee, car les travaux sur ce sujet evoluent tr` es rapidement. Le mapping IMA/LDA consiste ` a d enir de fa con quantitative la m ethode IMA ` a partir de la m ethode LDA (Frachot, Georges et Roncalli [2001]). On peut penser en eet que lIMA a et e con cue comme une version simpli ee, praticable et standardis ee dune approche de type LDA plus compl` ete et plus satisfaisante mais plus compliqu ee ` a mettre en uvre. Au mois de septembre 2001, la situation sur le sujet est la suivante : Proposition dune m ethodologie par Sakura Bank au mois de F evrier 2001. Prolongement de cette m ethodologie par lI.I.F. Taskforce on technical I.M.A. issues. 16.3. LE MAPPING IMA/LDA 181

 CHAPITRE 16. LES METHODES AMA

La derni` ere proposition de lI.I.F. est de d enir lindice de prol de risque par RPI = EIIndustry PEIndustry EIBank PEBank
1 2

On peut justier cette formulation en utilisant une approximation du quantile de la distribution compos ee (Frachot, Georges et Roncalli [2001]).

16.4 Lapproche Scorecard

Cette approche a et e int egr ee dans le dernier document de B ale. Comme il est dicile de comprendre cette m ethode, voici la d enition donn ee dans le document [2] : In this approach, banks determine an initial level of operational risk capital at the rm or business line level, and then modify these amounts over time on the basis of scorecards that attempt to capture the underlying risk prole and risk control environment of the various business lines. These scorecards are intended to bring a forward-looking component to the capital calculations, that is, to reect improvements in the risk control environment that will reduce both the frequency and severity of future operational risk losses. The scorecards may be based on actual measures of risk, but more usually identify a number of indicators as proxies for particular risk types within business units/lines. The scorecard will normally be completed by line personnel at regular intervals, often annually, and subject to review by a central risk function. In order to qualify for the AMA, a scorecard approach must have a sound quantitative basis, with the overall size of the capital charge being based on a rigorous analysis of internal and external loss data. In some cases, scorecard approaches are based on initial estimation methods that are similar to those used in internal measurement or loss distribution approaches. Where the scorecard approach diers from these approaches is that it relies less exclusively on historical loss data in determining capital amounts. Instead, once the size of the capital charge has been determined, its overall size and its allocation across business lines may be modied on a qualitative basis. Nevertheless, historical loss data must be used to validate the results of scorecards, with adjustments to capital size or allocation based upon such results. At present, a range of scorecard approaches are in development with some banks already operating a system of economic capital allocation based on such an approach. However, as with the other approaches, no industry standards has emerged. En fait, cest sous la pression de certaines banques de lIIF (notamment les banques anglaises) que cette m ethode a et e int egr ee par le Comit e de B ale. Pour mieux comprendre lapproche, voici la formule1 propos ee par lIIF :
I J

CaR =
i=1 j =1

EI (i, j ) (i, j ) RS (i, j )

(16.12)

avec EI lindicateur dexposition (Exposure Indicator), RS le score de risque (Risk Score) et le facteur d echelle.

Bibliographie
[1] Basel Committee on Banking Supervision, Operational Risk Consultative Document, Supporting document to the New Basel Capital Accord, January 2001
1 Dans la formule originale, cest la racine car ee de lindicateur dexposition et non directement lindicateur dexposition qui est utilis ee. A l epoque, lIIF travaillait sur la nature non-lin eaire du risque op erationnel. Mais le Comit e de B ale na pas suivi les recommandations de lIIF sur ce sujet pour linstant.

INTRODUCTION A LA GESTION DES RISQUES

182

[2] Basel Committee on Banking Supervision, Working Paper on the Regulatory Treatment of Operational Risk, september 2001 [3] Institute International Finance, Inc, Letter to Mr. Roger Cole, March 1, 2001 [4] Institute International Finance, Inc, Report of the Working Group on Operational Risk, June 4 & 5, 2001 (Washington, D.C.) [5] I.I.F. Taskforce on technical I.M.A. issues, March 2001 [6] Sakura Bank Ltd, Derivation of the IMA formula RPI calculation, February 2001 [7] Mori, T. et E. Harada [2001], Internal Measurement Approach to operational risk capital charge, Bank of Japan, Discussion Paper [8] Frachot, A., P. Georges et T. Roncalli [2001], Loss Distribution Approach for operational risk, Groupe de Recherche Op erationnelle, Cr edit Lyonnais, Working Paper [9] Klugman, S.A., H.H. Panjer et G.E. Willmot [1998], Loss Models : From Data to Decisions, Wiley Series in Probability and Mathematical Statistics, John Wiley & Sons, New York [10] Thoraval, P-Y. [2001], Le risque op erationnel, Club Banque, F ed eration des Banques Fran caises, 27 septembre 2001

Conclusion g en erale

Le but de ce cours est dintroduire les principales notions de gestion des risques. Pour cela, il me semble que la r eglementation est le meilleur support possible pour d evelopper les id ees essentielles. B ale II occupe donc une place importante. N eanmoins, les m ethodologies ne sont pas g ees. Il est donc important de suivre les d eveloppements r ecents dans di erents domaines, par exemple : le risque optionnel, le risque de mod` ele, le risque de taux dans le bilan, la mod elisation du risque de cr edit, et le backtesting dans le risque op erationnel. Enn, jai tr` es peu abord e un probl` eme qui est fondamental dans la gestion des risques : celui de la d ependance stochastique. Ce probl` eme fera lobjet du cours Gestion des risques multiples.