Ecole Nationale de la Statistique et de lAdministration Economique 3, avenue Pierre Larousse - 92245 Malako cedex, France

M emoire dActuariat - Promotion 2008

Evaluation du risque de cr edit dans les portefeuilles de la Banque de France

Edwige Josiane GUEDEM FOTSO
: Risque de cr MOTS-CLES edit,CreditMetrics, Mod` ele de risque de cr edit, VaR de cr edit, Matrice de transition

Cette etude est une mise en uvre du mod` ele CreditMetrics pour lestimation du risque de cr edit dun portefeuille de pr ets en blanc de la Banque de France. Par souci de condentialit e, nous taisons les noms des di erentes contreparties bancaires. Nous testons tout dabord la sensibilit e du mod` ele a di ` erents param` etres et mettons en evidence limpact de certains facteurs de risque sur la VaR (Value-at-Risk) de cr edit. Nous proposons egalement une m ethodologie pour la d etermination dune limite en VaR de cr edit. Nos r esultats permettent de conclure que lhypoth` ese dind ependance entre les emprunteurs sous-estime les mesures de dispersion de la distribution de pertes du portefeuille. De m eme, les caract eristiques de la distribution des pertes, lorsquelles sont calcul ees sur la base des matrices de transition Moodys, Standard and Poors et Fitch sont quasiment similaires. Idem si les calculs sont faits en prenant soit les taux LIBOR , soit les taux d etat comme taux sans risque. De plus, la VaR de cr edit diminue lorsque la notation initiale sam eliore, et augmente dans le cas contraire. La VaR sur une cr eance ` a court terme est en g en eral moins importante que celle dune cr eance ` a long terme sur deux emprunteurs de m eme qualit e. Cependant, une cr eance ` a long terme sur un emprunteur de bonne qualit e est moins risqu ee quune cr eance ` a court terme sur un emprunteur de mauvaise qualit e. La VaR de cr edit et le taux de recouvrement varient en sens inverse. La perte du portefeuille, dans le sc enario le plus pessimiste au seuil de conance choisi, 99, 99%, repr esente pr` es de 4% de lencours total de cr edit. Le risque est concentr e sur les contreparties de moins bonne notation du portefeuille (AA- et A+). Le plus grand b en ece de la diversication provient de la consolidation des risques des di erentes entit es issues de divers pays. En eet, le portefeuille en tire respectivement 78% (diversication des entit es) et 68% (diversication des pays) d economie en risque. Pour que le portefeuille soit susamment diversi e et que le risque soit r eduit, les contreparties ayant un risque marginal elev e doivent avoir des encours moins importants, et vice-versa. La d etermination dune limite en VaR de cr edit, et non plus en autorisation dencours, permet une meilleure prise en compte de la diversication. La m ethodologie propos ee permet en eet destimer une limite en VaR qui repr esente 9% seulement de la limite actuelle de 9 milliards EUR dencours. Bien que nos analyses soient uniquement bas ees sur un portefeuille restreint aux pr ets en blanc, elles constituent un support m ethodologique int eressant pour extrapoler sur lensemble du portefeuille de la Banque.

En matire de crdit, la dcennie quatre vingt dix est marque par une tendance gnrale la dsintermdiation. Dessaisies de leur monopole de financement de l'conomie, les banques subissent dsormais la forte concurrence des marchs financiers pour la collecte de l'pargne. Cette tendance la "marchisation" des crdits s'est accompagne d'un dveloppement au sein des banques des modles de mesure quantitative des risques en gnral et plus rcemment des risques de crdit en particulier. L'approche de CreditMetrics (JP Morgan, 1997) figure parmi les modles de risque de crdit les plus connus. Comme les autres modles de risque de crdit, cette mthodologie peut tre relie aux techniques en VaR (Value at Risk) utilises pour les portefeuilles de march. Nous avons mis en uvre le modle pour l'valuation du risque de crdit dans les portefeuilles de la Banque de France. Nous avons galement propos une mthodologie pour le calcul des limites en VaR de crdit. Tout d'abord, nous Passons en revue les aspects thoriques du risque crdit, plus particulirement ceux du modle CreditMetrics. Ces aspects thoriques permettent de les lments constituant CreditManager, logiciel d'implmentation du modle, den cerner les intrts et les limites. Ensuite, dans le cadre de travaux empiriques dans CreditManager, nous testons tout d'abord la sensibilit du modle certains paramtres. Enfin, nous l'appliquons un portefeuille rel de prts en blanc et proposons une mthodologie pour le calcul d'une limite en VaR de crdit. La monnaie rfrence pour les estimations est l'Euro (EUR). La notion de "risque" sera gnralement associe la VaR de crdit. L'horizon de risque est d'un an. 1. Prsentation du modle CreditMetrics Le modle conomtrique sous-jacent CreditMetrics est un modle probit polytomique ordonn seuils connus. Contrairement aux modles de dfaut linstar de CreditRisk+ (Credit Suisse Financial Products, 1997) dans lesquels lvnement de dfaut est considr comme le seul risque de crdit, CreditMetrics est un modle qui prend en compte non seulement les dfauts, mais galement lvolution de la situation financire de lemprunteur qui se traduit dans un systme de notation par les changements de notation, c'est--dire la transition une catgorie infrieure (downgrade) ou suprieure (upgrade). Ainsi, dans le modle CreditMetrics, le risque crdit correspond soit un dfaut, soit un changement de notation sur une priode fixe, gnralement un an. Les inputs du modle sont au nombre de six : les probabilits de dfaut et de transition, les moyennes et cart-type des taux de recouvrement pour chaque secteur et chaque type de sniorit, la structure des corrlations des facteurs ainsi que la sensibilit de chaque instrument ces facteurs, la structure par terme des taux sans risque, les structures par terme des

spreads de crdit pour chaque classe de notation et le profil dexposition associ chaque instrument. La mthodologie du modle repose sur 3 tapes principales. Sur la base dun systme de notation, l'utilisateur doit tout d'abord attribuer une note (rating) chaque metteur (ou mission) en fonction de sa solvabilit prsume. Les matrices de transitions individuelles permettent alors danalyser les transitions individuelles des instruments du portefeuille. La deuxime tape est celle de la dtermination des valeurs futures de chaque instrument. Le taux de recouvrement permet d'estimer la valeur future en cas de dfaut; la structure par terme des taux forward implicites des taux spot par classe de risque permet de calculer la valeur future pour les autres vnements de crdit et de dduire la distribution des pertes de chaque actif du portefeuille. Enfin en intgrant les corrlations entre emprunteurs, on peut dduire la distribution des pertes de l'ensemble du portefeuille et estimer les caractristiques pertinentes de cette distribution: perte moyenne, paramtres de dispersion (VaR, Expected Shortfall et cert-type). Dans le cas de petits portefeuilles (1-2 instruments), la distribution du portefeuille peut tre calcule analytiquement. Mais dans le cas d'un nombre significatif d'actifs dans le portefeuille, Le modle se base sur le modle structurel de Merton (1974) pour simuler lvolution de la valeur du portefeuille travers la prise en compte de facteurs dont les rendements respectifs sont par hypothse distribus de faon indpendante suivant une loi normal standard : il sagit de la valeur des actifs de lentreprise emprunteuse, approxime dans le modle par la valeur de march de ses actions. La valeur du portefeuille est alors la somme des valeurs de ses composantes. La distribution des pertes du portefeuille d'obtient en faisant la diffrence entre sa valeur lhorizon si toutes ses composantes gardaient la mme notation entre la date initiale et l'horizon de risque, et sa valeur future du chaque scnario gnr par simulations. La mthodologie CreditMetrics offre de nombreux avantages. En effet, elle permet de faire une extension de la notion de risque de dfaut. Gnralement attribu au seul risque de dfaillance (Gupton, Finger & Bhatia, 1997), il est tendu au risque de migration, le dfaut ntant quune transition possible. De mme, le modle est simple mettre en uvre, permettant dobtenir une distribution des pertes en mode mark-to-market, ce qui correspond la vision dun gestionnaire crdit (Sardi, 2004). En plus, il prend en compte les risques de concentration, ce qui en fait un modle trs proche des exigences du comit de Ble. Cependant des tudes montrent que certaines hypothses sous-jacentes sont ncessairement simplificatrices de la ralit, ce qui constitue un risque de modle non ngligeable.

2. Analyses de sensibilit sur un portefeuille fictif A partir d'un portefeuille fictif constitu de 36 prts en blanc et 40 obligations, nous avons examin la sensibilit du modle certaines hypothses ainsi que l'impact de certains facteurs de risque sur la VaR de crdit. Comme l'on pouvait s'y attendre, les pertes attendues ne sont pas affectes par les hypothses sur les corrlations. En effet, l'estimation de la perte attendue calcule sous hypothse d'indpendance est la mme que celle calcule sous le modle de base (c'est en dire en prenant en compte les corrlations). L'impact sur les mesures de dispersion (VaR de crdit, ES et cart-type), et donc sur le capital conomique requis est plus important. En effet, ces mesures sont influences par les corrlations. Or l'hypothse d'indpendance nglige le risque de corrlation, ce qui engendre une sous-estimation de ces paramtres avec cette hypothse. Les estimateurs des pertes attendues comme ceux des pertes inattendues sont relativement similaires lorsque le modle est estim avec les matrices de transition des trois systmes de notation. Moody's, Standard and Poor's et Fitch. Le choix du taux LIBOR ou du taux d'Etat comme taux sans risque na que trs peu d'influence sur les mesures de risques calcules par le modle. Par ailleurs, l'analyse de l'impact de diffrents facteurs de risque donne les rsultats attendus. Ainsi, la VaR de crdit d'une contrepartie diminue lorsque sa notation samliore, et augmente lorsque sa notation se dgrade. La VaR de crdit sur une crance court terme est en gnral moins importante que celle dune crance long terme sur deux emprunteurs de mme qualit. Cependant, une crance long terme sur un emprunteur de bonne qualit est moins risque quune crance court terme sur un emprunteur de mauvaise qualit. La VaR de crdit diminue avec le taux de recouvrement. 3. Estimation du risque de crdit d'un portefeuille rel de prts en blanc Sur la base de 10 000 simulations, de Monte Carlo, nous avons estim les caractristiques de la distribution des pertes du portefeuille de prts en blanc aux banques commerciales. Nous nous sommes base sur des donnes du portefeuille au 1er juin 2007. Le portefeuille est constitu de 125 oprations sur 24 contreparties, pour une valeur totale de 9340 MEUR 1 . A structure de portefeuille constant, la perte moyenne attendue du portefeuille peut donc tre estime 340 830 EUR. La perte inattendue, dans le scnario le plus pessimiste au seuil de confiance choisi 99,99% (c'est--dire suprieure la perte attendue dans 1 cas sur 10 000)
1 1 MEUR= 1 million EUR

est de 362 MEUR, soit 3,9% de l'exposition totale du portefeuille. De mme, la perte moyenne attendue au del de cette VaR (ES) reprsente 5,3% de l'exposition. L'utilisation de l'cart-type de la distribution pour estimer les pertes exceptionnelles du portefeuille aurait gravement sousestim cette dernire car la VaR de crdit reprsente prs de 43 fois l'cart-type. Quatre contreparties se distinguent par leur exposition importante au risque de crdit, quelle que soit l'approche de mesure du risque (valeur absolue, incrmentale ou marginale). La mesure incrmentale de la VaR ou contribution d'un actif la VaR mesure la part de la VaR associe cet actif, c'est--dire la perte attendue sur l'actif conditionnellement une perte sur le portefeuille gale sa VaR. Quant la VaR marginale de l'actif, elle correspond la sensibilit de la VaR du portefeuille cet actif. Dans le domaine des risques de march, cette mesure s'interprte de la mme faon que le cfficient bta du CAPM 2 . Le risque marginal d'une contrepartie peut se mesurer par la diffrence entre le risque du portefeuille avec et sans la contrepartie. Le risque marginal des quatre contreparties les plus risques est de 12% en moyenne, ce qui signifie que le risque du portefeuille augmenterait de 12 000 EUR si jamais l'encours de ces contreparties tait en moyenne augment de 1million EUR. Par ailleurs, le risque est concentr entre les 12 contreparties les moins bien notes (AA- et A+). Les 12 contreparties les mieux notes (AA et AA+) prsentent une contribution absolue et marginale nulle au risque. Pour que le portefeuille soit suffisamment diversifi et le risque rduit, les contreparties ayant un risque marginal lev doivent avoir des encours moins importants. Une mthode de rduction du risque peut galement consister swaper ces contreparties contre des contreparties dont le risque marginal est nul. Comme pour un portefeuille d'actions, la diversification exerce un effet positif dans le portefeuille. Il bnficie en effet de 78% d'conomie en risque du fait de la diversification de ses contreparties. Cet effet de diversification est de 68% pour les risques consolids par pays, mais reste faible lorsque le risque est consolid par devise (30%) ou par rating (26%). A l'heure actuelle, la gestion du risque de crdit sur les diffrents portefeuilles de la Banque repose essentiellement sur la dfinition des critres d'ligibilit ainsi que la mise en place des limites de risque de crdit, fixes en autorisation d'encours suivant une approche par Equivalent Risque de Crdit (ERC). Cependant, cette approche ne prend pas en compte les bnfices de la diversification. La limite en VaR de crdit estime avec notre mthodologie prend en compte l'effet de portefeuille car ne elle reprsente que 9% de la limite actuelle. Bien que limite un portefeuille de prts en blanc, notre tude constitue une base mthodologique pertinente pour une application sur l'ensemble du portefeuille de la Banque.
2 Capital Assets Pricing Model

Ecole Nationale de la Statistique et de lAdministration Economique 3, avenue Pierre Larousse - 92245 Malako cedex, France

Actuarial Thesis - Year 2008

Evaluating credit risk in Banque de Frances portfolios

Edwige Josiane GUEDEM FOTSO
KEYWORDS: Credit risk, CreditMetrics, Credit risk modelling, Credit Value at Risk, Transition Matrix

We apply CreditMetrics methodology to evaluate the credit risk of a portfolio of unsecured loans from Banque de France. For the sake of condentiality, we will not mention the obligor names. First of all, we assess the sensitivity of the loss distribution to various parameters, and then we highlight the impact of some risk factors on the credit Value-at-Risk (VaR). We also suggest a methodology to assess credit VaR-based limits. We conclude that the assumption of independent migration give an underestimation of the dispersion parameters. As expected, estimates based on transition matrices published by Moodys, standard and Poors and Fitch are almost similar. Using either LIBOR or Government rates as risk free rate doesnt result in a signicant change to the loss distribution statistics. The credit VaR decreases when the credit rating increases and increases when the latter decreases. The credit VaR of a short-term debt is generally higher than that of a long-term debt. However, a high quality long term loan is less risky than a low quality one. The credit VaR and the recovery rate have opposite changes. We nd that the worst unexpected loss of the portfolio at 99, 99% level is about 4% of the portfolio book value. The most risky obligors are those with low credit quality (AA- or A+). We address the diversication benets within the portfolio. Dealing with many imperfectly correlated obligors in various countries brings the portfolio risk to 78% (obligor diversication) or 68% (country diversication) below the portfolio risk in case of perfect correlation. To minimize risk and have a well-diversied portfolio, obligors with high marginal risk should have small exposures, and those with low marginal risk should have large exposures. Contrary to intuitive but arbitrary exposure-based limits, credit VaR-based limits capture the portfolio eets: diversication benets and concentration risk. We suggest a methodology that sets the VaR-based limit to only 9% of the current 9 billion EUR exposure-based limit. Despite restricted to an unsecured loans portfolio, our approach can be a good foundation for further similar studies on the whole Banks portfolio.

The purpose of credit risk management has risen up since the ninety nineteen decades, with the decrease of the intermediary role of banks in collecting savings. This credit "marketisation" tendency has led to a development of new models and methods to quantify financial risks, and more recently credit risks. CreditMetris methodology (JP Morgan, 1997) is among the best known credit risk models. Just as other credit risk models, the approach can be related to market VaR (Value at Risk) methodologies. We have applied the model to evaluate the credit risk of an unsecured loans portfolio from Banque de France. We have also suggested a methodology to derive a VaR-based credit limit. We begin with an overview of theoretic aspects of credit risk modelling, especially CreditMetrics. This theorical overview enables the comprehension of CreditManager software in which the model is implemented, including its advantages and disadvantages. Then, we assess the sensitivity of the model to various parameters. Finally, we perform an analysis of the portfolio credit risk, and suggest a methodology to derive VaR-based credit limits. The base currency is Euro (EUR). The term "risk" mainly refers to the credit VaR. the risk horizon is one year. 1. Overview of CreditMetrics The underlying econometric model of CreditMetrics is an ordered probit . The model estimates portfolio risk due to credit events, within a fixed time horizon, usually one year. Contrary to some models as CreditRisk+ (Credit Suisse Financial Products, 1997) credit events include not only default, but also the moving (upgrade or downgrade) from one credit quality to another, or rating migration. The model requires six inputs: the default and transition probabilities described by a transition matrix, the mean and standard deviation of the recovery rate by sector and seniority class, correlation data between countries, regions and sector indices, the term structure of risk free rates, the term structure of credit spreads by rating class and the exposure profile of each obligor. The computation of portfolio losses with the methodology requires three steps. Based on a rating system, each obligor is first of all given a credit rating according to his credit worthiness. The probability of changing credit ratings or defaulting are summarized in the row corresponding to each individual obligor in the credit a transition matrix. The value of each obligor at the end of the horizon is then calculated using forward rates implied by today's term structures in each of the future states. In default state, the value is based on the recovery rate for appropriate seniority class. These individual credits revaluations lead to the determination of individual obligors exposure distributions. The distribution of portfolio loss is derived from the joint default and migration correlations. An analytic approach is doable for small portfolios (1-2 instruments), but

not for large ones. Therefore, a Monte Carlo simulation samples a large number of scenarios on the joint credit states of each obligor at the horizon. The simulation is based on the one-period Merton framework (1974) in which joint default and migration correlations are driven by the correlations of the asset values of the obligor. Since assets values aren't observable, the equity correlations are commonly used as a proxy for the assets correlations. On each scenario on joint credit states, a portfolio value is obtained by summing the exposure corresponding to the scenario credit state of each obligor. The portfolio loss distribution is derived by subtracting the portfolio value in each credit state from the forward value of the portfolio if no credit event had occurred. From this distribution one can have all pertinent statistics including Expected Loss, Standard deviation , credit VaR (Value at Risk) and Expected Shortfall (ES). The model has particular advantages, especially the risk estimates from change value due to all credit events (default and migration). It also quantifies the portfolio effects (the benefits of diversification and the costs of concentration) in a proper way. However, many studies have shown several limitations. 2. Sensitivity analysis on a fictive portfolio First of all, we assess the sensitivity of the loss distribution to various parameters, and the impact of some risk factors on the credit VaR. The fictive portfolio used for that purpose consists in 36 unsecured loans and 40 bonds. As expected, the Expected portfolio losses are not affected by the assumption of independence credit migration. The Expected Loss calculated in the base case is the same as the estimation with independence assumption. However, the assumption affects the measures of the dispersion and hence the economic capital. Note that correlations have impact on these statistics. Since the independence assumption neglects the correlation risk, it leads to an underestimation of these dispersion statistics. The estimates of portfolio credit losses based on the transition matrices published by Standard and Poor's, Moody's and Fitch results in almost similar estimates. The estimates based on either LIBOR or Government rates as risk-free rates results in no significant impact. The study on the risk factors' impact leads to expected results. According to our findings, the credit VaR of a counterparty decreases when his credit rating increases and increases when the credit rating decreases. For two similarly-rated obligors, the credit VaR of a short-term debt is generally lower than a long-term's. However, a long-term debt with a good-rated obligor is less

risky than a short-term debt with an obligor of low credit quality. The credit VaR and the recovery rate have opposite moves. 3. Evaluating the credit risk of a real unsecured loan portfolio Based on 10,000 Monte Carlo simulations, we have employed CreditMetrcs to estimate the credit risk of a portfolio of an unsecured loans portfolio. We use portfolio data on the 1st June 2007. The portfolio consists in 24 obligors with 125 loans. The book value of the portfolio is 9,340 MEUR 1 . The expected Loss of the portfolio is 340,830 EUR. The Unexpected Loss in the worst case at 99.99% level (i.e. losses beyond Expected Losses in 1 case among 10,000) is about 362 MEUR, that is 3.9% of the portfolio book value. The Expected Shortfall represents 5.3% of the total exposure. The use of standard deviation as an estimate of unexpected losses would have understated the latter, since the credit VaR is about 43 times the standard deviation. Four counterparties show high risk, whatever the risk measurement approach: absolute, incremental or marginal. The incremental VaR or VaR contribution of a position is defined as the expected conditional loss of the position given that the portfolio loss is equal to VaR. The marginal VaR of a position is the sensitivity of the portfolio VaR to the position. In a market framework, it can be interpreted the same as the beta parameter in CAPM model. It can be evaluated by the difference between total portfolio VaR with and without the position. The marginal VaR of the four most risky obligors is 12% on average, meaning that every average increase of 1 million EUR in the exposure to these obligors would lead to an average increase of the portfolio risk over 12,000 EUR. The risk is concentrated among the 12 low credit quality (AA- and A+) obligors. The 12 others with better rating (AA and AA+) have no incremental or marginal contribution to the risk portfolio. To minimize the portfolio risk and have a well-diversified portfolio, obligors with high marginal risk must have small exposures, and those with low marginal risk must have large exposures. Another way to reduced would be to secure the debts or swap risky obligors with those who have no marginal risk. Obligor and country diversification has positive effects on the portfolio risk. The portfolio benefits of 78% (obligor diversification) and 68% (country diversification) risk reduction. The currency and rating diversification is lower: respectively 30% and 26 %. The current credit risk management in Banque de France is based on exposure-based credit limits. This approach is unsatisfactory because it does not takes diversification into account.
1 1 MEUR= 1 million EUR

Therefore, resulting decisions are not risk-driven. We have suggested a methology to estimate a VaR-based limit. The portfolio effects are well addressed, since the VaR limit is evaluated to only 9% of the current exposure-based limit.

Ecole Nationale de la Statistique et de lAdministration Economique 3, avenue Pierre Larousse - 92245 Malako cedex, France

M emoire dActuariat - Promotion 2008

Evaluation du risque de cr edit dans les portefeuilles de la Banque de France

Edwige Josiane GUEDEM FOTSO

: Risque de cr MOTS-CLES edit,CreditMetrics, Mod` ele de risque de cr edit, VaR de cr edit, Matrice de transition KEYWORDS: Credit risk, CreditMetrics, Credit risk modelling, Credit Value at Risk, Transition Matrix

ENCADREMENT : Anne Marie RIEU, Priscille MAGNE (Banque de France) CORRESPONDANT E.N.S.A.E. : Bruno Bouchard

MEMOIRE CONFIDENTIEL

 La gestion du risque de crdit est la rencontre de deux cultures, l'une bancaire, l'autre inspire des marchs. Entre ces deux ples, un quilibre pourrait s'tablir alliant jugement, ncessits oprationnelles et impratifs de contrle des risques . Les Echos, 22 mai 1998.

TABLE DES MATIERES

TABLE DES MATIERES..........................................................................................................................I LISTE DES TABLEAUX .......................................................................................................................IV LISTE DES FIGURES ............................................................................................................................VI SIGLES ET ABBREVIATIONS ....................................................................................................... VIII AVANT-PROPOS ....................................................................................................................................IX INTRODUCTION..................................................................................................................................... 1 PREMIERE PARTIE: CADRE THEORIQUE ................................................................................... 7 CHAPITRE 1: GENERALITES SUR LE RISQUE DE CREDIT ET LES MODELES DE RISQUE DE CREDIT............................................................................................................................... 8 I. LE RISQUE DE CREDIT............................................................................................8 1. Le cadre rglementaire....................................................................................................................9 2. Le march du risque de crdit .....................................................................................................12 3. Les notations du risque de crdit ................................................................................................15 4. Utilit dun modle de portefeuille pour la gestion des risques de crdit .............................17 LA MESURE DU RISQUE DE CREDIT.............................................................. 21 La perte attendue ...........................................................................................................................21 La perte inattendue........................................................................................................................24 Les proprits des mesures de risque .........................................................................................26 Calcul du capital conomique ......................................................................................................27

II. 1. 2. 3. 4.

CHAPITRE 2: MODELISATION DU RISQUE DE CREDIT A L'AIDE DE L'APROCHE CREDITMETRICS................................................................................................................................... 30 I. FORMULATION ECONOMETRIQUE SOUS-JACENTE ....................................30 1. Notations utilises .........................................................................................................................31 2. Formulation conomtrique du modle deux tats...............................................................31 3. Gnralisation : formulation conomtrique de CreditMetrics ..............................................34 DEMARCHE METHODOLOGIQUE .................................................................. 36 Analyse des transitions individuelles des emprunteurs ............................................................36 Estimation des valeurs futures de chaque instrument .............................................................38 Analyse des corrlations entre emprunteurs..............................................................................41 APPLICATION A LA MESURE DU RISQUE ..................................................... 50 Un instrument ................................................................................................................................50 Portefeuille constitu de deux instruments................................................................................52
I

II. 1. 2. 3. III. 1. 2.

3.

Cas gnral: portefeuille constitu de plus de deux instruments............................................54

DEUXIEME PARTIE: MISE EN APPLICATION DE CREDITMETRICS ............................. 56 CHAPITRE 3: APPLICATION SUR UN PORTEFEUILLE FICTIF........................................ 57 I. 1. 2. 3. 4. II. 1. 2. III. 1. 2. 3. LES DONNEES DE MARCHE ................................................................................ 57 Les indices boursiers MSCI pays/industrie ...............................................................................58 Les matrices de transition.............................................................................................................59 Les taux de change des diffrentes devises................................................................................62 La structure par terme des spreads de crdit et des taux sans risque.....................................62 COLLECTE DES DONNEES ............................................................................... 64 Construction du portefeuille........................................................................................................64 Saisie des informations dans CreditManager.............................................................................65 ANALYSES DE SENSIBILITE ............................................................................. 70 Description du portefeuille ..........................................................................................................71 Sensibilit des pertes du portefeuille aux paramtres du modle ...........................................74 Impact des facteurs de risque sur les pertes du portefeuille....................................................77

CHAPITRE 4: APPLICATION SUR LE PORTEFUILLE DES PRETS EN BLANC AUX BANQUES COMMERCIALES DE LA BANQUE DE FRANCE ............................................... 82 I. 1. 2. EVALUATION DU RISQUE DE CREDIT DU PORTEFEUILLE .......................82 Description du portefeuille utilis...............................................................................................83 Principales mesures du risque de crdit du portefeuille...........................................................85

II. PROPOSITION D'UNE METHODOLOGIE DE DETERMINATION DE LA LIMITE EN VAR .............................................................................................................. 93 1. Le systme actuel de fixation des limites pour les prts en blanc ..........................................93 2. Dtermination d'une limite en VaR de crdit...........................................................................96 III. 1. 2. 3. 4. LE RISQUE DE MODELE.................................................................................... 98 La stabilit des matrices de transition dans le temps et dans l'espace ..................................98 Faiblesses thoriques lies l'utilisation du modle de Merton..............................................99 Estimation des corrlations........................................................................................................100 Observations d'ordre gnral....................................................................................................102

CONCLUSION.......................................................................................................................................104 BIBLIOGRAPHIE .................................................................................................................................106 ANNEXES...............................................................................................................................................109 ANNEXE1 : Le Service du Middle Office au sein de la Direction Gnrale des Oprations de la Banque de France...................................................................................................................110 ANNEXE 2: Dfinition des symboles de notation des metteurs selon S&P et Moody's ..111 ANNEXE 3: Tableau rcapitulatif des principaux modles de risque de crdit....................112 ANNEXE 4: Estimation des paramtres d'un modle probit par la mthode du maximum de vraisemblance..............................................................................................................................113

II

ANNEXE 5:Architecture du modle CreditMetrics..................................................................114 ANNEXE 6: Matrices de transition 1 an Mood'ys, S&P et Fitch actuellement disponibles dans CreditManager.........................................................................................................................115 ANNEXE 7: Taux de change des devises par rapport au Dollar amricain ( l'incertain) au 01/06/2007 ......................................................................................................................................118 ANNEXE 8: Oprations du portefeuille fictif ...........................................................................119 ANNEXE 9: Saisie des donnes dans CreditManager ..............................................................121 ANNEXE 10: Structure par terme des spreads au 01/06/07 ..................................................123 ANNEXE 11: Structure par terme des taux LIBOR et des taux d'tat (GOVT) en AUD, EUR, PLN, NOK, GPB et USD au 01/06/07 ..........................................................................124 ANNEXE 12: Structure par terme des taux LIBOR et des taux d'tat (GOVT) en AUD, EUR, PLN, NOK, GPB et USD au 01/06/07 ..........................................................................125 ANNEXE 13: Rsultats des tudes sur le taux de recouvrement et prsentes dans CreditManager..................................................................................................................................126 ANNEXE 14: Entits du portefeuille fictif.................................................................................127 ANNEXE 15: Entits du portefeuille rel ..................................................................................128 ANNEXE 16: Caractristiques des metteurs (groupes bancaires) du portefeuille rel.......131 ANNEXE 17: Mesure du risque par contrepartie......................................................................132 ANNEXE 18: Portefeuille fictif utilis pour la dtermination de la limite en VaR ..............133

III

LISTE DES TABLEAUX

Tableau 1.1: Instruments du portefeuille de crdit de la Banque de France en fonction des secteurs ........................................................................................................................................................ 14 Tableau 1.2: Grilles de notation de Moody's et S&P............................................................................ 16 Tableau 2.1: Matrice de transition un an : Probabilits de dfaut et de changement de notation (%)................................................................................................................................................................ 38 Tableau 2.2: Exemple de structure par terme des taux forward par classe de risque (%).............. 40 Tableau 2.3: distribution de la valeur future de l'obligation note BBB ........................................... 41 Tableau 2.4: Bilan de la firme selon le modle de Merton................................................................... 43 Tableau 2.5: Reproduction des probabilits de transition de la notation initiale BB ....................... 46 Tableau 2.6: Seuils de transition pour les notations BBB et A ......................................................... 47 Tableau 2.7 : Probabilits jointes de transition entre les obligations BBB et A lorsque = 30% 47 Tableau 2.8: Distribution des pertes du portefeuille constitu d'un obligation note BBB ......... 51 Tableau 2.9: Valeurs futures du portefeuille (USD)............................................................................. 53 Tableau 2.10: Valeurs futures et seuils de transition de la fime 3 ....................................................... 54 Tableau 2.11: Rendements simuls, notations et valeurs correspondantes pour 10 scnarios...... 55 Tableau 3.1. Matrices de transition S&P 2005 1 an, 2 ans et 6 mois (%) ....................................... 62 Tableau 3.2 : Mesures de risque par type dinstruments et pour un horizon dun an (en million EUR)............................................................................................................................................................ 72 Tableau 3.3 : Comparaison des mesures du risque avec et sans hypothse d'indpendance (en million EUR) .............................................................................................................................................. 75 Tableau 3.4: Corrlations (%) entre metteurs d'obligations............................................................... 76

IV

Tableau 3.5: Comparaison des mesures du risque calcules avec diffrentes matrices de transition: S&P, Moody's et Fitch (en million EUR)............................................................................................... 76 Tableau 3.6: Impact des taux d'intrt de rfrence (en EUR) ........................................................... 77 Tableau 4.1: Principales caractristiques de la distribution des pertes ............................................... 87 Tableau 4.2: Les 12 contreparties qui contribuent au risque (VaR, cart-type et ES) ..................... 88 Tableau 4.3 : Mesure de la diversification .............................................................................................. 92 Tableau 4.4: Estimations et prcisions des mesures du risque en fonction de la mthode de simulation et du nombre de simulations (EUR).................................................................................... 93 Tableau 4.5: Equivalent Risque de Crdit des prts en Blanc ............................................................. 95

LISTE DES FIGURES

Figure 1.1: Les diffrents types de risque d'un tablissement bancaire.............................................. 11 Figure 1.2: Distribution normale et distribution de pertes d'un portefeuille de crdits .................. 18 Figure 1.3: Reprsentation graphique de la VaR de crdit.................................................................. 25 Figure 1.4: Capital conomique et mesures de la queue de la distribution (VaR, ES)..................... 29 Figure 2.1. : Exemples de transition (S&P, 1996) si lhorizon de risque est un an........................... 37 Figure 2.2: Modle de Merton et seuil de dfaut de la firme ............................................................... 43 Figure 2.3: Evaluation de la probabilit de dfaut de partir de la distribution de la valeur de la firme............................................................................................................................................................. 44 Figure 2.4: Dtermination des seuils de transition par extension du modle de Merton (exemple d'une firme initialement note BB).......................................................................................................... 45 Figure 2.5 : Histogramme de la distribution des pertes du portefeuille constitu d'une obligation note BBB ................................................................................................................................................... 52 Figure 3.2 : Impact de la notation initiale............................................................................................... 79 Figure 3.3 : Impact du taux de recouvrement........................................................................................ 81 Figure 4.1: Rpartition de l'ensemble des oprations et de l'exposition totale selon la devise...... 84 Figure 4.2: VaR en fonction du niveau de confiance............................................................................ 86 Figure 4.3: Distribution des valeurs futures du portefeuille ................................................................ 87 Figure 4.4: VaR marginale (%) et valeur moyenne de l'exposition ..................................................... 89 Figure 4.5: Analyse performance / risque .............................................................................................. 91 Figure 4.6: Description de la fixation des limites de crdit en partant de la limite individuelle de BNP Paribas................................................................................................................................................ 94 Figure 4.7: Exemple de montants de prts pour une limite individuelle de 500 millions EUR ..... 95

VI

Figure 4.8: Evolution de la limite en VaR en fonction du seuil de confiance................................... 97

VII

SIGLES ET ABBREVIATIONS

BCE: Banque Centrale Europenne BHV: Base Horizon Value BRI: Banque des Rglements Internationaux DGO : direction Gnrale des Oprations EAD: Exposure At Default EHV : Expected Horizon Value EL: Expected Los(ses) ELHV: Expected Loss from Horizon Value ERC: Equivalent Risque de Credit ES: Expected Shortfall (VaR conditionnelle) IS: Importance Sampling LGD: Loss Given Default MC: Monte Carlo MHV : Mean Horizon Value MSCI : Morgan Stanley Capital international S&P: Standard and Poor's SMO : Service du Middle Office UL: Unexpected Los(ses) VaR : Value-at-Risk WR: withdrawn rating

VIII

AVANT-PROPOS

Dans le cadre de leur scolarit, les tudiants de 3e anne de lEcole Nationale de la Statistique et de lAdministration Economique (ENSAE) sont tenus de produire un rapport de fin dtude qui rsulte soit dun Groupe de travail (GT), soit dun stage temps partiel effectu en entreprise. Pour les tudiants de loption Actuariat dsireux de prsenter leur candidature une admission comme membre associ de lInstitut Franais des Actuaires (IA), un mmoire dactuariat se substitue ce rapport de GT/stage. Cest dans ce contexte que nous avons effectu du 5 novembre 2007 au 30 mai 2008 un stage temps partiel au sein de la Direction Gnrale des Oprations (DGO) de la Banque de France (annexe 1), plus prcisment au Service du Middle Office (SMO). Il sagissait de contribuer la mise en uvre dun nouvel outil pour la mesure du risque de crdit dans les portefeuilles de la Banque de France : CreditManager, logiciel dimplmentation du modle CreditMetricsTM (JP Morgan). La principale mission du SMO est d'informer les dirigeants de la Banque sur les oprations de march et risques associs, galement contribuer la matrise de ces risques. Plus prcisment: Suivre (analyse et reporting) les risques de march et de crdit associs aux oprations de march; Mesurer la performance des portefeuilles; Fournir des outils d'aide la dcision afin de dterminer les stratgies optimisant le couple risque/rendement. Anciennement appel Service du Contrle des Oprations de March, le SMO a t cr en 1995 avec l'mergence du Risk Management. Depuis 2003, le service a mis beaucoup d'accent sur le risque de crdit. Il est directement rattach la Direction Gnrale des Oprations (DGO), qui est notamment en charge de la mise en uvre de la politique montaire et de change (gestion des rserves de change et du portefeuille domestique). Le SMO rapporte de faon indpendante sur les oprations de march, ralises sous la responsabilit de la Direction des Oprations de March (DOM). Par ailleurs, le service est galement reprsent plusieurs comits de la Banque: Le Comit des Risques dont il assure le secrtariat, sous la prsidence d'un Sousgouverneur de la Banque. Au cours de ses runions trimestrielles, le Comit des Risques

IX

approuve les rgles tablies par le SMO pour la gestion des oprations de march: identification des risques, mthodes de mesure des risques et de la performance, benchmarks internes contre lesquels sont grs les portefeuilles de rserve et domestique, limites (de crdit et de march). Le comit actif passif se runit au moins une fois par an pour dcider de la stratgie d'investissement des portefeuilles de la Banque. Le comit d'investissement se runit mensuellement pour dcider de la stratgie d'investissement pour le mois venir, en fonction des anticipations de taux. Les rapports diffuss par le SMO renseignent sur les positions prises par les gestionnaires le long de la courbe des taux, la performance (en absolu et par rapport au benchmark, les risques de march (duration, sensibilit), l'exposition au risque de crdit (risque de contrepartie, risque metteur et risque de rglement). Ainsi le service rapporte: Quotidiennement au Front Office et la DGO; Trimestriellement au Comit des Risques et au Conseil Gnral; Annuellement au Conseil Gnral pour une information sur le contrle interne des oprations de march la Banque. Nous ne saurions terminer nos propos sans remercier tous ceux qui de prs ou de loin nous ont apport leur aide. Nous pensons tout d'abord l'ensemble du corps enseignant de l'ENSAE pour son encadrement. Nos remerciements vont galement l'endroit du personnel du SMO de la Banque de France, en particulier Mmes Anne Marie RIEU (Responsable du SMO) et Priscille MAGNE pour leur disponibilit.

INTRODUCTION

Contexte
Depuis les travaux de Ble II, la plupart des grandes banques se sont atteles au

dveloppement de modles internes pour la mesure de leurs risques financiers et la dtermination du montant de capital conomique requis pour se couvrir ces risques: risque de crdit et risque de march. En matire de crdit, la dcennie quatre vingt dix est marque par une tendance gnrale la dsintermdiation. Jusque l, les banques avaient pendant longtemps constitu l'essentiel des sources de financement de l'conomie par une transformation systmatique des dpts en prts long terme. Dessaisies de ce monopole, elles subissent dsormais la forte concurrence des marchs financiers pour la collecte de l'pargne. Cette tendance peut s'appeler "marchisation" des crdits (Servigny et al, 2006), avec pour consquence principale la transformation de la firme bancaire qui s'est alors redploye sur des activits lies aux marchs financiers. Ce contexte de ncessaire cohabitation voire de complmentarit entre banques et marchs s'est accompagn d'un dveloppement au sein des banques de mesures quantitatives des risques en gnral et plus rcemment des risques de crdit en particulier. Le risque de crdit est li l'incapacit d'un emprunteur honorer ses dettes, et la dgradation de la notation (qualit de crdit) d'un emprunteur qui entranerait la baisse de la valeur de march de ses titres de crance. Il s'agit de la forme la plus ancienne du risque sur le march des capitaux (Gourieroux et Tiomo, 2007). Face aux grandes mutations de l'environnement bancaire lies notamment au rle prpondrant des marchs financiers, plusieurs mthodes et logiciels ont t proposs par des firmes spcialises pour mesurer le risque de crdit sur les portefeuilles bancaires. Les approches CreditMetrics (JP Morgan, 1997) 1, CreditRisk+ (Credit Suisse Financial Products, 1997), CreditPortfolioView (Wilson, 1997) et KMV PortfolioManager (Kealhofer, 1996) figurent parmi les plus connues, et les autres modles de risque de crdit existants se basent approximativement sur les mmes principes (Kern & Rudolph, 2001). L'approche traditionnelle du risque de crdit se rsumait jusque l une analyse qualitative des fondamentaux des dossiers des emprunteurs. L'introduction de ces modles dans l'univers du crdit a permis une volution
1

Dans la suite, nous noterons tout simplement CreditMetrics

de la gestion des risques de crdit vers une approche en gestion quantitative de portefeuille. Ces mthodologies d'valuation du risque de crdit peuvent galement tre relies aux techniques VaR utilises pour les portefeuilles de march. Le concept de VaR se retrouve ainsi transpos de l'univers des marchs celui des portefeuilles de crdit : on parle alors de VaR de crdit. La VaR est une mesure probabiliste de l'exposition au risque. Elle fournit une mesure de la perte potentielle maximale associe un portefeuille pour une dure de dtention et un niveau de confiance dtermin. Sur la base de cette mesure objective du risque, la banque peut ainsi allouer des fonds propres son activit de crdit en protection des risques encourus, ou capital conomique. Elle peut galement mettre en uvre des instruments quantitatifs et qualitatifs de comparaison et d'arbitrage entre facilits au sein d'un portefeuille bancaire de crdits, mais galement entre ce portefeuille bancaire et les marchs financiers. Le principal output de ces modles est la distribution des pertes d'un portefeuille de crdit un horizon de temps donn. En gnral, lhorizon de risque est fix un an.

Problmatique
La banque centrale, comme prteur en dernier ressort et acteur du march interbancaire, est galement concerne par la marchisation croissante du crdit. La Banque de France prsente, travers la gestion des portefeuilles de la Direction des Oprations Montaires (DOM), une exposition au risque de crdit lie un nombre croissant demprunteurs. Actuellement, le Service du Middle Office (SMO) diffuse quotidiennement la VaR due au risque de march des portefeuilles de la DOM, alors que la gestion du risque de crdit repose essentiellement sur la dfinition des critres dligibilit ainsi que la mise en place des limites de risque de crdit, en encours autoris. Concrtement, il sagit dencadrer le risque de crdit en fixant les autorisations d'encours au niveau individuel pour chaque entit juridique ou groupe conomique en incluant toutes les activits autorises pour la contrepartie, puis au niveau global par activit. En dehors du suivi de la consommation des limites de crdit, il nest pas possible de mesurer le risque de crdit des portefeuilles par un chiffre unique de risque comparable la VaR de march. Cette situation n'est pas satisfaisante du point de vue du suivi du risque de crdit car le phnomne de diversification n'est pas pris en compte. La seule agrgation quantitative des engagements par secteur, de nature essentiellement comptable, ne constitue pas un outil global de gestion des risques (Servigny et al, 2006) . Or: Les oprations dinvestissement des banques centrales engendrent un risque de crdit sur leur portefeuille, mme sil ne sagit que dune composante mineure des risques financiers. Dans le rapport semi-annuel de la Banque Centrale europenne (BCE),

une VaR de crdit un an est calcule et diffuse pour le portefeuille agrg USD 2 et JPY 3 des rserves de change. Le 30 juin 2006, la VaR de crdit un niveau de confiance de 99% stablit le 117 millions deuros soit 0,4% de la valeur de march du portefeuille agrg, avec une plus grande significativit avec laugmentation de lintervalle de confiance : 1 421 milliards deuros pour un niveau de confiance de 99,9%, soit 4,7% de la valeur de march du portefeuille agrg. Lunivers dinvestissement des banques centrales slargit, avec une diversification de leurs classes dactifs, ce qui augmente leur exposition un large nombre demprunteurs. Comme lexposition au risque de crdit augmente, les banques centrales doivent ncessairement se munir doutils de mesure du risque de crdit. La notion de diversification doit tre tudie avec plus dattention pour lanalyse du risque de crdit que pour les risques de march. En effet, lune des principales difficults de lanalyse des portefeuilles de march rside dans les caractristiques de la distribution des pertes. Celle-ci est en effet loigne de lhypothse de distribution gaussienne retenue pour la plupart des modles de march : la distribution des pertes lies au risque de crdit est asymtrique et leptokurtique. Le couple moyennevariance ne suffit plus pour apprcier le risque de crdit. Il faut donc se munir doutils performants de mesure de risque de crdit. A lheure actuelle le SMO utilise un modle (logiciel) de VaR de march qui permet de mesurer quotidiennement la VaR due au risque de march des portefeuilles de la DOM: RiskManager dit par RiskMetrics Group. Lintroduction dun modle de VaR de crdit, afin de rendre les risques de march et de crdit plus comparables, est logiquement ltape suivante vers une approche plus intgre de la gestion des risques. Dans la cadre dun nouveau systme pour lencadrement du risque de crdit de la DOM, le SMO a donc souhait se doter dun outil performant pour mesurer le risque de crdit des portefeuilles, afin de quantifier, si ncessaire rduire le risque de crdit, sur la base dun chiffre synthtique comparable la mesure du risque de march. Le nouveau systme vise adopter une approche de portefeuille et un encadrement des risques plus proche de la ralit. A l'issue de la procdure dappel doffres, le logiciel CreditManager dans lequel est implment le modle CreditMetrics a t retenu. Ce choix tient premirement au fait que le logiciel CreditManager a le mme diteur que RiskManager, ce qui prsente lavantage dtre trs proche sur le plan
2

U.S. Dollar

fonctionnel pour les utilisateurs. De plus, il respecte la plupart des critres dfinis dans le cahier des charges, notamment : Un modle de risque de crdit largement prsent au sein des institutions financires : lapproche CreditMetrics, dj utilise par certaines banques centrales nationales de lEurosystme (Belgique, Espagne, Finlande, Portugal) ; Prise en compte des diffrents vnements de crdit dans le modle : dfaut et changement de notation ; Modlisation des corrlations et des probabilits jointes des vnements de crdit afin de pouvoir adopter une approche de portefeuille qui reflte linfluence de la diversification ; Possibilit de visualiser la distribution des pertes du portefeuille de crdit (mise en vidence de lasymtrie et de la queue paisse de la distribution) Calcul de la VaR, de lExpected Shortfall, des pertes anticipes et non anticipes pour la dtermination du montant des rserves ncessaires dfinies sur la base dun calcul du capital conomique ; Possibilit de dcliner la VaR agrge du portefeuille selon les diffrentes lignes de crdit pour la fixation des limites individuelles (par metteur, par activit ou type de produit, limites de concentration) Une base de donnes fiable en ce qui concerne les paramtres exognes : indices MSCI pays/industrie, ratings Moodys, Standard and Poors et Fitch, matrices de transition, courbes de spread de crdit par classe de risque, courbe de taux dintrt, taux de change par devise et taux de recouvrement. Possibilit de stress testing pour apprcier linfluence des paramtres du modle sur la distribution des pertes. La disponibilit du logiciel tant assure, il se pose la question de sa mise en uvre pratique pour l'valuation du risque de crdit dans les portefeuilles de la Banque.

Objectif gnral et objectifs spcifiques

Japanese Yen

Ainsi, lobjectif des travaux que nous avons effectu du 5 novembre 2007 au 30 mai 2008 dans le cadre dun stage temps partiel au SMO est d'apporter une contribution au paramtrage du logiciel CreditManager pour l' valuation du risque de crdit dans les portefeuilles de la Banque de France. En rfrence cet objectif gnral, il sagit plus spcifiquement de : Passer en revue les aspects thoriques du modle CreditMetrics, afin de comprendre les lments constituant le logiciel CreditManager, den cerner les intrts et les limites ; Contribuer au paramtrage du modle dans le cadre des portefeuilles de la Banque de France, c'est--dire identifier les diffrentes sources dinformation pour les diffrents paramtres exognes du modle, notamment ceux propres aux emprunteurs et aux crdits, et les intgrer dans le logiciel pour le calcul des mesures du risque ; Utiliser les connaissances acquises et les travaux empiriques pour proposer une mthodologie de dtermination des limites en VaR de crdit.

Intrts
Ces travaux revtent d'un intrt indniable pour la Banque de France, notamment grce leur contribution : La mise en uvre dun nouvel outil pour la mesure du risque de crdit des portefeuilles; Lamlioration de la mesure du risque de crdit des portefeuilles de la banque, travers un nouveau systme de fixation des limites en VaR de crdit. En effet, dun point de vue mthodologique, les modles de VaR de crdit sont aussi indirectement utiliss pour la fixation des limites de crdit. A la Banque Centrale de Finlande par exemple, le systme de limites est dfini de sorte que la VaR de crdit du portefeuille global ne dpasse pas un seuil fix au pralable. De mme, la Banque de Belgique utilise la VaR de crdit pour dterminer les contraintes de risque, en particulier lors de lintroduction de nouveaux instruments.

Dmarche

Notre travail sera organis comme suit. Il sagira tout dabord (premire partie) de se familiariser avec la littrature thorique sur le risque de crdit ainsi que les modles de risque de crdit (chapitre 1), plus particulirement avec lapproche CreditMetrics (chapitre 2). En second lieu, nous effectuerons des travaux empiriques sur la base du logiciel CreditManager actuellement disponible dans sa version test (deuxime partie). Des analyses de sensibilit seront tout d'abord ralises sur un portefeuille fictif constitu de prts en blanc et d'obligations (chapitre 3). Il sagira premirement didentifier les sources de donnes des diffrentes informations exognes ncessaires au paramtrage du modle, et ventuellement la mthode d'estimation de ces paramtres. Ensuite nous ferons des tests de sensibilit du modle certaines hypothses. Enfin, nous mettrons en vidence l'influence des facteurs de risque communment identifis par la littrature sur la VaR de crdit. Finalement, le logiciel sera paramtr et pour le calcul du risque de crdit d'un portefeuille rel (chapitre 4). Nous nous restreignons aux prts en blanc aux banques commerciales qui constituent les oprations les plus risques de la DOM. Par souci de confidentialit, nous tairons le nom des contreparties relles. Nous nous intresserons de prs certaines banques anglo-saxonnes ou assimilables, dont la suspension a t dcide lissue du comit des risques du 19 mars 2008, en raison d'une alerte de leurs engagements subprime: nous les dsignons par les lettres D, G, J, N, O et R. La date d'analyse retenue pour les travaux empiriques est le 1er juin 2007, et les donnes de march utilises seront celles de cette date. Le choix de la date du 1er juin 2007 tient principalement de la disponibilit des donnes de march dans la version test de CreditManager, qui s'tend actuellement du 06 juillet 2006 au 09 juillet 2007, sans possibilit de mise jour automatique. Les mesures de risque de crdit sont alors calcules sous hypothse de composition fixe du portefeuille. L'horizon de risque retenu pour ces calculs est de un an. Un horizon d'un an peut tre considr comme pertinent car il correspond galement au rythme de production des tats financiers, lhorizon de gestion pour la banque si elle doit cder des actifs et recourir aux marchs (Banque de France, 2005).

PREMIERE PARTIE: CADRE THEORIQUE

CHAPITRE 1: GENERALITES SUR LE RISQUE DE CREDIT ET LES MODELES DE RISQUE DE CREDIT

De faon gnrale, le risque dune banque renvoie la survenance dun vnement que lon ne peut prvoir et qui a des consquences importantes sur son bilan. Il est donc important de faire une distinction entre le caractre alatoire et imprvisible (origine du risque) et lenjeu (consquence finale du risque). En matire de risque de crdit, le texte rglementaire de rfrence est laccord de Ble I (1988). Lobjectif du comit de Ble tait alors de mettre en place une rglementation simple dans le but de mieux matriser le risque systmique li aux pratiques bancaires. Il sagissait galement de corriger les effets du syndrome too big to fail des grands tablissements bancaires qui disposent dun soutien implicite du prteur en dernier ressort (Banque centrale), tendant ainsi relcher la surveillance mutuelle. Depuis les travaux de Ble la gestion des risques, notamment celui des risques des portefeuilles de crdit, se dveloppe de plus en plus au sein des tablissements bancaires. Ds le milieu des annes quatre vingt, plusieurs modles avaient t proposs par la littrature pour jeter les jalons dune gestion active des portefeuilles de crdit. Ces mthodologies sont similaires aux techniques VaR (Value at Risk) utilises pour les portefeuilles de march. Il s'agit, dans ce premier chapitre, de passer en revue des gnralits pertinentes sur le risque de crdit, y compris les principaux indicateurs de mesure, ainsi que les principaux modles proposs. I. LE RISQUE DE CREDIT

Le risque de crdit est le risque de pertes conscutives au dfaut d'un emprunteur par rapport au remboursement de ses dettes (Gourieroux & Tiomo, 2007) ou la dtrioration de sa situation financire (Bessis, 1998). Il s'agit de la forme la plus ancienne du risque sur le march des capitaux (Gourieroux & Tiomo, 2007). Le risque de crdit se distingue de deux autres types de risques auxquels sont exposs les institutions financires. Premirement le risque de march (market risk) conscutif aux pertes sur les positions du bilan (actif et passif) ou du hors-bilan (produits drivs) de la banque, et qui recouvre aussi bien les risques de taux d'intrt que le risque de change ou le risque sur les produits de base comme les actions. En second lieu, le risque oprationnel (operationnal risk) qui rsulte de processus internes inadquats ou dfaillants, du facteur humain et de systmes, ou d'vnements externes.

Puisque c'est le risque de crdit qui est notre centre d'intrt, nous nous commenons par aborder l'aspect rglementaire, support incontournable pour mieux cerner les enjeux de la gestion des risques de crdit. Sachant que les organismes de notation valuent la qualit du crdit des emprunteurs sous la forme d'un indicateur synthtique, le rating ou notation, nous en rappelons galement le principe. Enfin, nous expliquons la ncessit d'une approche de portefeuille pour la matrise des risques de crdit. 1. Le cadre rglementaire

Compte tenu de l'importance des institutions financires dans une conomie, l'activit bancaire demeure fortement rglemente. Plusieurs raisons sont souvent avances pour justifier l'existence des normes prudentielles sur l'activit bancaire. Dans le contexte d'une finance de plus en plus globalise, la rglementation se fonde premirement sur la volont de prvenir les crises systmiques et limiter leurs effets. Le risque systmique est le risque que la faillite d'une institution financire soit "contagieuse" et conduise la faillite d'autres institutions: la stabilit globale du systme financier est ainsi compromise. Dans le contexte actuel de globalisation, les banques entretiennent des relations financires de plus en plus troites au sein du systme bancaire. Ainsi, la faillite dune banque peut entraner par effet de contamination, celles de toutes ses contreparties bancaires qui, faute davoir t rembourses par la banque dfaillante, seraient leur tour incapables de faire face leurs engagements. Ce scnario-catastrophe pour le systme bancaire, le risque systmique, aurait pour consquence une contraction immdiate des crdits et une entre en crise conomique du pays faute de financements. La rglementation oblige donc les banques respecter certaines normes de prudence afin de limiter ce risque. Le rgulateur recherche ainsi une stabilit macroconomique par la matrise des risques microconomiques. D'autre part, un dispositif prudentiel permet de maintenir la confiance dans le systme bancaire et d'en assurer la prennit (Roncalli, 2001). En l'absence de rgulation, les banques faiblement capitalises et fortement risques auraient par exemple des difficults attirer des dpts et pourraient tre exposes un risque de retraits massifs des dposants (Hull, 2007a). Le premier dispositif rglementaire sur le risque de crdit des banques a t mis en place par le Comit de Ble en 1988. Avant 1988, la rglementation bancaire dans plusieurs pays consistait simplement mettre en place un niveau minimum du ratio de fonds propres sur le total des actifs. Cependant, la dfinition des fonds propres et des ratios variait d'un pays l'autre. De mme, la rglementation tait plus ou moins laxiste selon les pays. C'est ainsi

qu'une banque oprant dans un pays rgulation laxiste disposait d'un avantage comparatif par rapport ses concurrents. Une autre difficult provenait de la complexit des transactions effectues par les banques, notamment avec la croissance du march des produits drivs comptabiliss hors bilan, donc sans aucune incidence sur les actifs et les fonds propres bancaires. Ces diffrents problmes ont rendu ncessaire la mise en place d'une approche plus sophistique pour la mise en place d'un minimum des ratios de fonds propres bancaires. D'o la formation par les autorits de surveillance prudentielle (Belgique, Canada, France, Allemagne, Italie, Japon, Luxembourg, Pays-Bas, Sude, Suisse, Royaume-Uni et Etats-Unis) du Comit de Ble sur le contrle bancaire. L'accord du 15 juillet 1988 a t la premire tentative de mise en place de normes

internationales de capitalisation adquate ajuste au risque. L'Accord a introduit un ratio prudentiel (le ratio Cooke) pour le calcul des actifs pondrs au risque (montants pondrs au risque) de la banque permettant de mesurer le risque de crdit. A chaque actif est associ un coefficient de pondration en fonction du risque associ: 0% (administrations et banques centrales des Etats membres de l'OCDE 4), 20 % (autres entits publiques nationales des Etats membres de l'OCDE), 50% (prts hypothcaires garantis par un bien immobilier usage rsidentiel) ou 100% (autres crances). Le capital total requis en couverture des risques, ou capital rglementaire doit atteindre au moins 8% de ces encours pondrs. Les normes de Ble I ont t critiques pour leurs effets anti-conomiques : Dsincitation : les banques augmentant leur risque de crdit sous lombrelle dun capital minimum ; Antislection : deux banques ayant un niveau de capital (fonds propres) gal peuvent reprsenter des profils de risque totalement diffrents. Plusieurs tudes (Chan et al, 1992., Besanko et al, 1992) ont dons recommand de repenser cette rglementation, dans le sens dune recalibration sur la mesure du risque sur une base plus objective ou "conomique". Ce principe est situ au cur du dispositif nouveau dispositif, connu sous le nom de Ble II proposes par le Comit de Ble (1998). Dans le cadre du premier pilier du nouveau dispositif, le capital minimum requis pour le risque de crdit du portefeuille de prts est calcul suivant une nouvelle formule tenant compte des notations de crdit des diffrentes contreparties.

Organisation de Coopration et de Dveloppement Economiques

10

Seul le risque de crdit tait initialement concern par lAccord de Ble I, et le risque de march a t pris en compte ultrieurement (Amendement de 1996). Ble II a instaur une charge supplmentaire de capital au titre du risque oprationnel, qui est considr comme plus important que le risque de march (Roncalli, 2001). Figure 1.1: Les diffrents types de risque d'un tablissement bancaire

Source : Thierry Roncalli, introduction la gestion des risques (2001)

L'accord Ble II concerne essentiellement les grandes banques internationales. Avec la CAD III 5 du 14 juillet 2004, l'accord de Ble II sera transpos dans l'Union Europenne et toutes les banques et socits financires en Europe seront soumises aux rgles de Ble II. Bien que non soumises au dispositif rglementaire, les banques centrales nationales notamment celles de l'Eurosystme (pays ayant adopt l'Euro comme monnaie) l'instar de la Banque de France peuvent nanmoins s'appuyer sur les mthodologies dveloppes l'issue des travaux de Ble pour le pilotage de leurs risques de crdit qui se dcomposent en trois composantes: Le risque de dfaut qui correspond l'incapacit du dbiteur honorer ses engagements. La dfinition du dfaut est complexe et des aspects diffrents peuvent tre pris en compte selon qu'il s'agisse du rgulateur, d'une agence de notation, ou d'un organisme prteur. La dfinition du Comit de Ble (article 414 du nouvel accord de Ble, avril 2003) considre qu'il y a dfaillance de l'emprunteur si l'un des vnements suivants se produit: "la banque estime improbable que le dbiteur rembourse en totalit son crdit sans qu'elle ai besoin de prendre des mesures appropries telles que la ralisation d'une garantie si elle existe", ou "l'arrir du dbiteur sur un crdit important d au groupe bancaire dpasse 90 jours".
Capital Directive Adequacy Directive, Directive d'adquation des fonds propres.

11

La deuxime composante provient de l'incertitude sur le taux de recouvrement une fois le dfaut survenu.

La dgradation de la qualit du crdit: si la perception de la qualit de crdit du dbiteur se dgrade, la prime de risque accorde par les marchs financiers s'accrot en consquence. De mme, si le dbiteur est not par une agence de notation, sa notation est susceptible de se dgrader en cas de perception ngative du march.

Il convient de faire la distinction entre risque de dgradation et de dfaut. Le premier traduit une dvalorisation probable de la dette au cours de sa priode de vie, tandis que les pertes lies la dgradation de la qualit de la contrepartie surviennent en cas de vente anticipe de la dette sans qu'un dfaut soit pour autant produit. Afin de bien cerner le risque de crdit, il est ncessaire de connatre les diffrents instruments sensibles ce risque. 2. Le march du risque de crdit

Le risque de crdit peur prendre diffrentes formes suivant la nature de l'instrument financier sous-jacent. Traditionnellement, on distingue deux principales catgories. La premire correspond aux prts bancaires, traditionnellement accords de gr gr. On regroupe dans cette catgorie les crdits permanents ou revolving (cartes bancaires, autorisations de dcouvert), des crdits hypothcaires (mortgage), et la plupart des prts de court, moyen et long terme aux petites et moyennes entreprises, des prts aux collectivits locales ou aux pays. Dans ce cas, l'vnement de crdit (credit event) est un risque de dfaillance (ou risque de contrepartie ou de signature). La seconde catgorie correspond aux obligations risques (risky bonds) mises par les entreprises et certains Etats par l'intermdiaire de marchs financiers adapts et organiss, les marchs obligataires. Dans ce cas, l'emprunt se fait via une mission d'obligations (bond issuing) acquises par diffrents acheteurs l'instar des banques, qui jouent ainsi le rle de prteurs. En contrepartie du cot d'acquisition de l'obligation (assimilables au montant du prt aprs correction du cot d'mission), ces prteurs reoivent des paiements rguliers de coupons (assimilables aux flux de remboursement). A l'inverse des prts bancaires, les obligations sont soumises non seulement eu risque de crdit, mais galement au risque de march puis, dans une moindre mesure, au risque de liquidit. L'investissement en obligations risques cherche un placement dont le rendement contractuel est suprieur au rendement d'obligations

12

identiques dont le risque de contrepartie est considr comme nul, l'instar des obligations d'tat (sovereign bonds), par exemple, les obligations du Trsor pour les pays de l'OCDE. La diffrence entre la rentabilit de l'obligation risque et celle de l'obligation sre est alors appele spread de taux. Il s'agit d'une prime de risque demande par le march en couverture des risques de contrepartie (risque de dprciation de la qualit de signature de l'emprunteur) et de liquidit associs l'obligation. La distinction entre le march des prts bancaires et celui des obligations risques justifie que les banques utilisent parfois des outils diffrents pour grer le risque de crdit selon le portefeuille considr. La principale distinction tient au choix entre l'approche DM (Default Mode paradigm) dans lequel l'vnement de dfaut est considr comme seul risque de crdit, et l'approche MTM (Mark-to-market paradigm), selon lequel le risque de crdit correspond soit au dfaut comme dans le cas DM, soit un changement de notation ou pour ce qui concerne les instruments de march, la modification du spread . Cependant, il est possible d'ajouter ces catgories classiques un troisime march plus rcent et n de l'volution du march du risque de crdit: celui des drivs de crdit. Un driv de crdit est un instrument financier dont les flux de paiement (dividendes, coupons, remboursements) et les valeurs futures dpendent du risque de crdit d'une ou plusieurs entreprises, ou d'un ou plusieurs pays. Il s'agit d'une nouvelle classe d'actifs introduits la fin des annes 1990 pour faciliter le refinancement des tablissements de crdit, mais galement amliorer la performance de leurs portefeuilles en facilitant le transfert du risque et en permettant une dsagrgation du risque de crdit des actifs sous-jacents. Le driv de crdit le plus populaire est le swap de dfaut, encore appel CDS (Credit Default Swap). C'est un contrat qui procure la banque une assurance contre le dfaut ventuel d'un emprunteur donn. La contrepartie en question est appele entit de rfrence et la survenance d'un dfaut est appele ala de crdit. L'acheteur d'assurance acquiert le droit de vendre une obligation particulire (l'obligation de rfrence), mise par l'entit de rfrence sa valeur nominale (le principal) en cas de survenance d'un ala de crdit. D'autres instruments rsultent de la titrisation qui consiste revendre sur le march des parts d'un portefeuille (pool) de crdits ou de drivs de crdit aprs avoir dmembr les flux de remboursement (Gourieroux & Tiomo, 2007). Ces actifs peuvent tre bass sur plusieurs types de sous-jacents: les prts hypothcaires (Mortgage Backed Securities, MBS), les prt gr gr aux entreprises (Collaterized Loan obligations, CLO), ou les obligations d'entreprises (Collaterized Loan Obligation CBO).

13

La banque centrale, comme prteur en dernier ressort et acteur du march interbancaire intervient galement sur le march du risque de crdit, et est donc galement expos aux diffrents risques. A titre d'illustration dans le rapport semi-annuel de la Banque Centrale europenne (BCE), une VaR de crdit un an est calcule et diffuse pour le portefeuille agrg USD 6 et JPY 7 des rserves de change de la BCE. Le 30 juin 2006, la VaR de crdit un niveau de confiance de 99% stablit le 117 millions deuros soit 0,4% de la valeur de march du portefeuille agrg, avec une plus grande significativit avec laugmentation de lintervalle de confiance : 1 421 milliards deuros pour un niveau de confiance de 99,9%, soit 4,7% de la valeur de march du portefeuille agrg. A travers les divers actifs portefeuilles d'investissement (titres dtenus jusqu' leur chance) et de ngociation + activit (instruments plus liquides + prts bancaires) de la Direction des Oprations Montaires (DOM), la Banque de France prsente galement une exposition diffrents types de risque de crdit. Voici l'essentiel de ces activits de crdit en fonction du type de contrepartie, assorties des rgles limitatives associes. Tableau 1.1: Instruments du portefeuille de crdit de la Banque de France en fonction des secteurs INSTRUMENTS AUTORISES portefeuille Portefeuille de ngociation d'investissement et activit clientle 1. Obligations notes AAA Tous les ou AA ; instruments:prts en 2. Obligations de la zone blanc, swaps de taux, Emetteurs Souverains Euro notes A ; oprations de change, 3. Pensions (repo et reverse obligations ( l'exception repo). des banques 1 Obligations notes commerciales), certificats Organismes AAA ; de dpt, pensions, supranationaux 2 Pensions. futures. Notation minimum: A Autre condition pour le Banque commerciale Pensions secteur Souverain: zone Euro 1. Obligations notes AAA ; Entits du secteur public Obligations notes AAA 2. Pensions. 1. Obligations foncires ; Obligations foncires notes Socits Foncires 2. Pensions. AAA SECTEURS REFUSES: Corporates (entreprises du secteur priv) et socits financires non bancaires SECTEURS AUTORISES
6 7

U.S. Dollar Japanese Yen

14

3.

Les notations du risque de crdit

Le nouveau dispositif rglementaire Ble II fait un grand usage du concept de notation. Une notation (ou rating) est un indicateur synthtique sous forme de note (de crdit), qui traduit la qualit (de crdit) d'un metteur ou d'un instrument mis par cet metteur. Le rating exprime aussi d'autres facteurs de risque tels que la probabilit de dfaut, la perte en cas de dfaut, la probabilit de transition d'une note favorable vers une note dfavorable (downgrade). Suivant l'approche de Ble II choisie, la banque a recours soit aux ratings externes d'agences spcialises (approche standard), soit des ratings internes produits par la banque elle-mme (approche des notations internes). Pour attribuer une note, deux approches sont possibles: La note est attribue l'emprunteur et reflte sa capacit globale respecter ses engagements financiers. Elle s'applique donc toutes ses dettes dites "senior" et ne prend pas en compte les spcificits d'une dette. Le systme est dit "unidimensionnel". L'emprunteur reoit une note globale et une note pour chaque facilit. La note reflte dans ce cas la capacit de l'emprunteur rembourser une dette particulire. Cette dernire note combine celle de l'emprunteur et les caractristiques de la facilit (garanties, rang, monnaie, chance, clauses spcifiques). Le systme est dit "bidimensionnel". Cependant dans de nombreux cas, l'ensemble des tous les titres mis par une socit a la mme notation et on peut considrer que cette note est celle de l'metteur (Hull, 2007a). Tous les lments prsents dans la suite sont donc relatifs au rating des metteurs Les ratings externes sont fournies par des agences de notation, dont les plus importantes sont Moody's et Standard dans Poor's (S&P). Les ratings sont des indicateurs qualitatifs rsultant de l'opinion d'un expert. Cependant, ces opinions ne portent pas tous sur la mme problmatique (annexe 2). Il n'est donc pas commode de comparer des ratings manant de deux sources diffrentes. Par exemple, les ratings produits par S&P refltent une opinion sur la probabilit de dfaut (et sur cette probabilit seule). Ceux fournis par Moody's refltent une opinion sur le niveau de perte attendue, c'est--dire le produit d'une probabilit de dfaut et d'une svrit de perte. Cette opinion qualitative est en gnral prsente sous forme d'une ou plusieurs lettres symbolisant le risque de crdit inhrent l'metteur. L'ensemble de ces notations forme une chelle de notation. Ces chelles varient selon l'horizon auquel le rating s'applique. Pour les ratings de court terme qui sont appliques aux missions de dure au plus

15

gale un an, l'chelle peut se rduire trois notes. Pour les metteurs, l'apprciation de la qualit de crdit se fait sur un horizon temporel plus long: gnralement un an, ou sur tout le cycle conomique, "through the cycle" (sept dix ans). On parle de rating de long terme. L'chelle de notation de long terme est subdivise en plusieurs catgories. Si nous nous referons la grille de notation de Moody's, la meilleure note est Aaa, et les metteurs qui reoivent cette notation ont une probabilit de dfaut quasi nulle. La seconde meilleure note est Aa, suivie par A, Baa, Ba, B et Caa. Chez S&P, les ratings sont AAA, AA, A, BBB, BB, B et CCC auquel on ajoute parfois une catgorie D pour dsigner la dfaillance. Une autre agence de notation, Fitch, utilise la mme grille que S&P. En dpit de certaines diffrences voques plus haut, il y a des points communs entre les systmes Moody's et S&P (tableau 1.2). Chacune se subdivise en deux catgories de notations: une catgorie dite "investissement" (investment grade) caractrise par des firmes de risque de crdit modr, et une catgorie dite "spculative" (speculative ou sub-investment grade) caractrise par des firmes ayant une probabilit de dfaut assez leve. Les ratings AAA/Aaa sont typiquement attribus aux entreprises les mieux notes, et les moins salubres sont notes CCC/Caa. Les notes partir de AA/Aa sont affines par l'ajout d'un signe + ou (S&P) ou d'un chiffre 1, 2, 3 (Moody's). Tableau 1.2: Grilles de notation de Moody's et S&P Description Moody's Investment grade Aaa Aa A Baa Speculative grade Ba B Caa D S&P AAA AA A BBB BB B CCC D

Les ratings attribus font l'objet d'un suivi rgulier afin de mieux rendre compte de l'volution de la contrepartie. A l'issue de ce processus de surveillance, la note peut faire l'objet d'une modification la hausse (upgrade, la qualit de crdit s'amliore) ou la baisse (downgrade, la qualit de crdit se dtriore) ou demeurer inchange. A la Banque de France, la notation des contreparties est base sur celles des trois agences Moody's, S&P et Fitch. La notation des contreparties bancaires se fonde sur une approche par la meilleure note (second best). Pour tre ligible, l'entit juridique doit tre note par au moins deux des agences Moody's, S&P et Fitch. C'est la deuxime meilleure note parmi les trois qui est alors retenue. Si l'entit juridique est la filiale d'une socit mre, une lettre de

16

garantie est obligatoire si la filiale n'est pas note, et ncessaire pour que la filiale bnficie de la note de la socit-mre. Le tableau 1.1 dtaille les critres d'ligibilit en terme de notation. La notation minimale est A, preuve que la banque est spcialise dans des oprations avec des emprunteurs peu risqus. 4. Utilit dun modle de portefeuille pour la gestion des risques de crdit

L'analyse traditionnelle du risque de crdit prsente une faiblesse fondamentale: elle consistait analyser chaque crdit au cas par cas, transaction par transaction. Chaque dossier de crdit tait valu individuellement par un comit ad hoc d'analystes de crdit avec l'appui d'experts industriels et sectoriels, en vu d'tre accept ou rejet. Une fois le crdit agr, le prt s'ajoutait la multitude d'autres crdits dj octroys, et le pool restait ainsi statique. Il s'agissait donc d'une gestion essentiellement passive : la banque collectait les coupons (intrts) et les prts s'amortissaient naturellement. Le risque de corrlation, c'est--dire le risque inhrent aux dpendances entre emprunteurs (risque de concentration gographique ou sectorielle) tait donc ignor, avec parfois de lourdes consquences sur l'apprciation des risques du portefeuille. En effet, la seule agrgation quantitative des engagements (par secteur ou pays), de nature comptable, ne peut de ce fait constituer un outil global de gestion des risques. Depuis les travaux de Markowitz (1959), le phnomne de diversification est admis: en agrgeant toutes les expositions individuelles (plusieurs prts bancaires ou obligations par exemple), le risque total li l'ensemble de ces expositions ne sera pas gal la somme des risques individuels. La quantification et la gestion du risque de corrlation ainsi que les bnfices de la diversification sont des aspects des portefeuilles de march qui aujourd'hui s'appliquent de plus en plus la gestion du risque de crdit, dans le cadre d'une gestion active, plus moderne, du portefeuille. Cependant, l'une des grandes difficults dans l'analyse d'un portefeuille de crdit rside dans les caractristiques de sa distribution de perte. Cette distribution est en effet loigne de la distribution normale souvent utilise par les modles de march. A titre de rappel, l'hypothse de normalit suppose que la variable tudie (ici les pertes/ profits du portefeuille) admet une majorit de ses ralisations autour de sa moyenne. Par consquent, les vnements extrmes, c'est dire trs loigns de la moyenne, ne se produisent qu'avec de trs faibles probabilits. Par exemple, pour une loi normale standard (moyenne nulle et variance gale 1), 95% de la variable seront comprises dans l'intervalle [ 1,96;1,96] . Dans ce cadre, la variance (ou l'cart-type) du rendement est souvent retenu comme indicateur de risque. Pour mieux comprendre la diffrence fondamentale entre une distribution gaussienne

17

et une distribution empirique classique d'un portefeuille de crdit, considrons l'illustration de la figure 1.2 suivante qui superpose les deux distributions. Figure 1.2: Distribution normale et distribution de pertes d'un portefeuille de crdits

Distribution des Distribution rendements du normale march Distribution desdes pertes Distribution d'un portefeuille de rendements dans le cas crdits des crdits

Pertes Pertes

Gains

Plusieurs proprits de la distribution empirique des pertes du portefeuille de crdit s'en dgagent: Distribution fortement asymtrique (skewed): alors que la distribution normale attribue des poids similaires aux pertes et gains de mme ampleur, la distribution empirique se caractrise par un potentiel de gain limit et des probabilits de perte significatives, ce qui est rendu possible par la possibilit de pertes importantes en cas de dfaut sur une (ou simultanment plusieurs) contreparties importantes du portefeuille de crdit. C'est pourquoi la variance ne suffit plus pour apprcier les pertes potentielles. Distribution leptokurtique: la queue de distribution est plus paisse que celle d'une loi gaussienne. Autrement dit par rapport une distribution normale, les ralisations moyennes ont une contribution moins leve la masse totale de probabilit pour la distribution empirique: une plus grande masse de probabilit est repartie suivant entre les vnements extrmes. Dans le courant des annes quatre-vingt et au dbut des annes quatre-vingt dix, plusieurs outils analytiques ont t dvelopps pour permettre un suivi accru des risques de march, ce qui a permis aux banques de mieux apprhender ce type de risque et finalement mieux le contrler. L'ide est alors venue de parvenir un degr de sophistication similaire pour le risque de crdit, exercice pourtant plus dlicat notamment en raison (De Servigny et al, 2006):

18

De la nature de la distribution de pertes et profits caractrisant un portefeuille de crdit (figure 1.2);

Du manque de donnes de crdit fiables pour de nombreuses classes d'actifs.

Malgr ces difficults, trois enjeux viennent expliquer que les banques continuent de faire des efforts dans le sens du dveloppement et de l'amlioration des outils analytiques servant au suivi du risque de crdit. Le premier enjeu est managrial. Le modle de portefeuille sera utilis pour la mesure des pertes potentielles, le contrle des risques et l'optimisation de la gestion du couple risque/performance des portefeuilles de crdit: le Risk Management. Il sera cependant ncessaire d'attribuer aux concepts de performance et de risque le contenu adapt aux crdits. Le deuxime enjeu, essentiellement pour les banques de second rang, est rglementaire. Les modles de portefeuille sont en effet au cur du nouveau dispositif rglementaire Ble II. Ceci tant, ces modles sont appels devenir des outils de reporting auprs des rgulateurs. Le capital rglementaire sera dsormais davantage fonction de l'exposition au risque de la banque, ainsi que sa maturit et son degr de diversification. En troisime lieu, nous avons un enjeu stratgique. En effet, le modle de portefeuille sera aussi la pierre angulaire du calcul du capital conomique ainsi que du processus d'allocation. Les mesures de risque (VaR, Expected Shortfall) ont pour objectif de mesurer les vritables risques des banques et ainsi dterminer un montant de rserves ncessaires pour la couverture du risque. Ces rserves sont dtermines sur la base d'un calcul de fonds propres requis dits "conomiques" car calculs sur une base objective ou "conomique". L'estimation de ce capital conomique permet aux banques non seulement de sassurer de l'adquation de leurs moyens avec les risques encourus, mais galement de diffrencier la tarification de leurs crdits en fonction de la qualit des clients. L'analyse de la contribution respective des diffrentes activits, dpartements ou mtiers ce capital conomique pourra galement servir dfinir des limites lors du processus d'allocation. Les proprits gnralement requises pour les modles de risque de crdit sont (De Servigny et al, 2006): Prendre en compte le risque de dfaut, la fois constitu par la probabilit de dfaut et l'amplitude des pertes;

19

Prendre en compte le risque de dtrioration de la notation (downgrade) ainsi que le risque de spread (mais cela est rarement le cas);

Reflter l'influence de la diversification au sein du portefeuille.

Quatre modles de portefeuille sont aujourd'hui les plus prsentes au sein des institutiosn financires. Il s'agit CreditMetrics (JP Morgan, 1997), CreditRisk+ (Credit Suisse Financial Products, 1997), CreditPortfolioView (Wilson, 1997) et PortfolioManager (Kealhofer, 1996) D'aprs une tude mene par Brannan, Mengle, Smithson et Zmiewski (2002), 80% des banques utilisent au moins un de ces modle. CreditMetrics est base sur lanalyse des transitions. Le risque de crdit sur un horizon fix est valu en valeur de march (mark-to-market), ce qui permet de prendre en compte non seulement les dfauts des emprunteurs, mais galement les changements de notation. Puisque notre tude consiste mettre en uvre la mthodologie, elle fera l'objet d'une prsentation dtaille au chapitre suivant. Lapproche de KMV est quant elle une approche structurelle : le processus de dfaut dun metteur est dfini de faon endogne, c'est--dire expliqu par la structure de son capital. Les approches CreditRisk+ et CreditPortfolioView sont plus proches des modles de scoring, utilisent beaucoup plus les donnes de dfaut et s'appuient sur des techniques actuarielles pour modliser la distribution des pertes. CreditRisk+ est un modle deux tats dans lequel seule la survenance du dfaut est prise en compte : il sagit donc dun modle de dfaut et non d'un modle de transition. Par hypothse, les dfauts individuels sont indpendants et identiquement distribus selon une loi de poisson. CreditPorttfolioView un modle conomtrique multi-priode dans lequel les probabilits de dfaut et de transition sont conditionnelles, c'est--dire qu'elles dpendent de variables macroconomiques qui permettent de construire un proxy de l'tat du cycle conomique. Il sagit par exemple du niveau des taux d'intrt, le taux de croissance de l'conomie, le taux de chmage, le niveau des dpenses de l'Etat ou le taux d'pargne agrg. Une critique commune souvent formule l'gard de ces modles (en dehors des hypothses sous-jacentes) est d'une part le manque de flexibilit, et d'autre part le manque de transparence (De Servigny et al, 2006). Ce deuxime point explique probablement que certaines banques se soient progressivement dotes de leurs propres modles. L'annexe 3 rcapitule les proprits des diffrents modles. Ils se distinguent par (De Servigny et al, 2006; Gourrieroux & Tiomo, 2007):

20

Les donnes utilises: donnes de march, donnes de dfaut, matrices de transition;

Les hypothses formules sur leurs inputs: type de matrice de transition, nature des corrlations retenue pour les vnements de crdit, spcification (stochastique ou dterministe) des taux de recouvrement;

Les hypothses formules sur le risque de crdit: dfinition du risque retenue, prise en compte de l'impact des taux d'intrt, les vnements de crdit pris en compte, les facteurs de risque;

Le type de facteurs introduits: observables avec des interprtations financires ou macroconomiques, inobservables statiques ou dynamiques;

Type de mthodologie sous-jacente: simulations de Monte Carlo ou mthode analytique, modlisation logit ou probit des probabilits de dfaut.

II.

LA MESURE DU RISQUE DE CREDIT

Dans le cadre de ses activits de crdit, la banque ne connat pas lavance les pertes potentielles lies aux risques encourus. Le risque de crdit tient essentiellement de cette incertitude sur les pertes potentielles, d'o l'intrt davoir une description complte de la distribution des pertes futures encourues sur le portefeuille de crdit. Il est usuel de dcomposer ces pertes potentielles en pertes moyennes attendues, c'est--dire celles anticipes, et pertes inattendues, introduites pour capturer l'erreur d'anticipation ventuelle. 1. La perte attendue

La perte moyenne ou Expected Loss (EL) reprsente le montant que la banque risque de perdre en moyenne dans le cadre de ses activits de crdit, c'est--dire l'esprance anticipe de la perte potentielle. Il s'agit donc d'une valeur anticipe. Pour illustrer les composantes de la perte moyenne, nous utilisons la dmarche simplifie prsente par Gourieroux et Tiomo (2007). Soit un prt de gr gr accord une contrepartie la date t=0. Ce prt est suppos d'un montant L remboursable la date T, avec un taux contractuel r . Supposons que T est lhorizon de risque. S'il n'y a pas dfaut de la contrepartie, la valeur de ce crdit lhorizon sera de :

VT1 = L(1 + r )

21

En cas de dfaut, la valeur du crdit sera une fraction RR de L(1 + r ) , soit:

T

LT = L(1 + r ) RR
T

O RR dsigne le taux de rcupration du crdit. A la date t=0, il y a incertitude sur la survenance du dfaut. Soit Z T la variable indicatrice du dfaut prenant la valeur 1, en cas de dfaut, et la valeur 0 sinon. Plus gnralement, la valeur du crdit lhorizon sera alors de :

VT = L(1 + r ) [1 Z T (1 RR )]
T

Dans la terminologie du comit de Ble (Comit de Ble, 2004):

La valeur lhorizon VT1 = L(1 + r ) est appele exposition la date de dfaillance

T

(EAD, Exposure-At-Default). Elle correspond au montant d par la contrepartie au moment o elle fera dfaut sur un engagement donn l'horizon. Pour un prt, il sagit du capital restant d lhorizon considr et ventuellement des intrts courus non chus au mme moment. Pour une opration de ngociation, il sagit de la valeur de march de lactif ou de linstrument, si elle est positive au moment du dfaut.

RR est le taux de recouvrement (Recovery Rate) qui mesure la part du montant de

lexposition au moment du dfaut que la contrepartie sera mme de rembourser. Ce taux sapplique un engagement donn et il dpend fortement de sa sniorit (les plus anciens sont rembourss en premier, les juniors le sont en dernier). le taux de perte en cas de dfaut (LGD, Loss-Given-Default) est le complmentaire du taux de recouvrement: LGD = 1 RR .

La valeur moyenne attendue du crdit la date t=0 est alors :

E 0 (VT ) = L(1 + r ) [1 E 0 (Z T (1 RR ))]
T

O E 0 reprsente l'esprance calcule la date de signature du contrat t=0. La perte moyenne attendue sera alors de : E ( LT ) = VT1 E 0 (VT )
= L(1 + r ) L(1 + r ) [1 E 0 (Z T (1 RR ))]
T T

= L(1 + r ) E 0 (Z T (1 RR ))
T

22

= EAD E 0 (Z T ) E 0 (LGD / Z T = 1)
= EAD PD E (LGD )

En dfinitive, nous avons les composantes de la perte attendue:

EL = EAD PD E (LGD ) (1.1)

Dans cette relation, E (LGD ) dsigne le taux de perte anticip (Expected Loss-Given-Default) et PD = E 0 ( Z T ) = P0 (Z T = 1) dsigne la probabilit de dfaut de la contrepartie. La notion de probabilit de dfaut recouvre deux approches (De Servigny et al, 2006):

Une approche binaire: dfaut/non dfaut; Une approche gradue: la migration par pallier vers le dfaut; Une approche continue: migration continue vers le dfaut.

Cette perte moyenne attendue na gnralement de sens que si elle est calcule l'chelle d'un portefeuille: sur une ligne individuelle, la perte calcule ne sera jamais ralise. Sur un portefeuille, elles surviennent tt ou tard, en vertu de la loi des grands nombres: si les clients dune banque ont une probabilit de 2% de faire dfaut, deux contreparties sur 100 feront dfaut en moyenne. L'EL d'un portefeuille est la somme des EL de ses constituants, tant donn le caractre linaire de l'oprateur esprance. Considrons un portefeuille de crdits accords plusieurs contreparties i = 1,L , n . Supposons pour simplifier que les dates de signature du contrat (t=0) et les chances T sont les mmes. Cependant, les Li (montants de prts) et ri (taux contractuel) sont diffrents. Soient PDi les probabilits de dfaut,

LGDi = (1 RRi ) les taux de perte cas de dfaut et EADi les expositions en cas de dfaut.
La perte moyenne attendue pour le portefeuille de prts est de:

E (LT ) = EADi PDi LGDi = EADi

i =1 i =1

EADi PDi
i =1

EADi
i =1

EAD PD E (LGD )
i =1 i i i

EAD PD
i =1 i

Do la dcomposition E A D P D E (L G D ) qui met en exergue les trois composantes PD, LDG et EAD au niveau agrg la probabilit de dfaut (vraisemblance que le dfaut

23

survienne), de l'exposition la date de dfaut, c'est--dire du montant du capital restant d, et de la perte en cas de dfaut qui dpend du taux de rcupration sur un crdit ayant fait dfaut. La perte moyenne attendue peut galement tre vue comme le niveau ex ante de provisionnement moyen correspondant au portefeuille de la banque. Soit elle est incluse dans le capital requis, soit elle est retranche des rsultats (provisions pour risques et charges). Mais cette couverture nest pas suffisante, car les pertes effectives peuvent tre diffrentes des pertes attendues: il peut y avoir des dviations dfavorables au-dl de la moyenne, c'est--dire des pertes inattendues. 2. La perte inattendue

Si la perte moyenne attendue est la seule couverte, la banque sera insolvable ds que le montant de la perte effective sera suprieur la moyenne attendue. Or les pertes potentielles peuvent prendre nimporte quelle valeur entre zro ou des valeurs extrmes trs rares, mais importantes. Quelles soient gales la perte moyenne ne serait quune concidence. Du fait de cette incertitude (risque), il faut donc disposer dun capital suffisant pour couvrir les pertes inattendues (Unexpected Loss, UL), c'est--dire les dviations dfavorables des pertes au-dl de la moyenne. Pendant longtemps, la mesure naturelle du risque a t la volatilit, l'cart-type des rendements pour les portefeuilles de march. Cependant cet indicateur symtrique n'est pertinent que dans un monde gaussien. La volatilit des pertes ne suffit donc pas pour donner une image complte du risque potentiel associ un portefeuille de crdit. L'approche la plus rpandue est la VaR (Value at Risk) auquel est parfois associ l'Expected Shortfall (ES). 2.1. La VaR de crdit

Parfois appele Valeur--Risque ou encore Valeur-en-Risque, la VaR, est une tentative de synthtiser en un seul nombre le risque total d'un portefeuille d'actifs financiers. Initialement applique aux risques de march, elle s'tend galement aux risques de crdit: on parle alors de VaR de crdit. La VaR a vocation estimer les risques de forte amplitude, c'est--dire ceux contenus dans la queue de la distribution des pertes potentielles. Elle dpend de deux paramtres: l'horizon temporel et le seuil de confiance. Contrairement au risque de march dont l'horizon temporel est compris entre un jour et un mois, l'horizon temporel pour le risque de crdit est plus long, gnralement un an. Schmatiquement, les modles de VaR de march rpondent la question: "si demain est un mauvais jour, combien vais-je perdre sur mon portefeuille de ngociation?". Les modles de VaR de crdit rpondent quant eux la question : "si l'anne prochaine est une mauvaise anne, combien vais-je perdre sur mon portefeuille de crdit?".

24

Par exemple, la VaR de crdit au niveau 99% et l'horizon d'un an correspond la perte de crdit qu'on est certain de ne pas dpasser avec 99% de chances sur un an. Statistiquement, la VaR au seuil est donc le quantile d'ordre (1 ) de la distribution des pertes potentielles pour un horizon fix. Si X reprsente la perte potentielle:
VaR = inf {x / P[ X x ] 1 } (1.2)
Lorsque ce quantile est positif. Par convention, VaR = 0 sinon (Gourieroux et Tiomo, 2007).

(1 ) reprsente le seuil de tolrance eau risque et

exprime le niveau de confiance. L'objectif

de la mesure de la VaR de crdit peut donc tre synthtise par l'affirmation suivante: "nous sommes certain qu'avec % de chances, nous ne perdrons pas plus de VaR Euros sur la prochaine anne". La VaR peut tre illustre par la figure 1.3, les gains tant considrs comme des pertes ngatives.

Figure 1.3: Reprsentation graphique de la VaR de crdit

Source: Thierry Roncalli (2001)

La Var est une mesure attractive car facilement comprhensible. Elle pose en effet une question simple "dans quelle mesure la valeur d'un portefeuille peut-elle se dgrader?". Elle est galement facile tester ex post. La VaR 99% donne par exemple le niveau de perte maximale qui ne peut tre dpass que dans 1% des situations. Cependant, elle ne dit rien sur l'importance des pertes, dans les 1% de situations les plus risques. Pour corriger cette imperfection, une mesure alternative la VaR est souvent utilise, l'Expected Shortfall (ES).

25

2.2.

Expected Shorfall

L'Expected Shortfall (pour lequel on garde communment l'appellation anglo-saxone) est galement appele VaR conditionnelle ou perte de queue. Comme la VaR, l'ES dpend du seuil de confiance et de l'horizon. Il correspond la perte attendue conditionnellement au fait que cette perte soit suprieure au quantile de la distribution (la VaR):

ES =

E[X / X > VaR ] (1.3)

La question pose par l'ES est la suivante: "en cas de la dgradation de la valeur du portefeuille, quelle est la perte attendue?". Associe la VaR, l'ES est donc particulirement adapte afin de permettre au gestionnaire de risque d'apprhender l'importance des pertes les plus consquentes situes dans la queue de distribution. Comme nous le verrons pas la suite, l'ES a de meilleures proprits que la VaR car elle encourage par exemple la diversification. Un de ses inconvnients rside cependant dans sa complexit et sa comprhension moins aise (Hull, 2007a). Cette mesure est galement difficile tester ex post. Pour ces raisons la VaR est devenue la mesure la plus utilise par les rgulateurs et les gestionnaires du risque 3. Les proprits des mesures de risque

Une mesure de risque utilise pour dterminer la charge de capital requis en couverture des risques encourus peut tre considre comme le montant de liquidits devant tre ajoute une position afin de rendre son risque acceptable pour le rgulateur. Atzner et al. (1999) ont propos un certain nombre de proprits qu'une mesure du risque doit respecter dans ce contexte:

Monotonicit: sa valeur doit tre plus importante pour un portefeuille ayant des rendements plus faibles dans tous les Etats du monde;

Invariance par translation: si l'on ajoute un montant L de liquidits un portefeuille, alors sa valeur doit diminuer de L ;

Homognit: faire varier d'un facteur la taille d'un portefeuille doit multiplier sa valeur par , en gardant constantes les montants des composantes de ce portefeuille;

Sous-additivit: la valeur associe cette mesure pour deux portefeuilles ne doit pas tre suprieure la somme des valeurs associes chacun des portefeuilles.

26

Les mesures de risque qui satisfont ces quatre proprits sont dites "cohrentes". Les trois premires proprits sont intuitives car la mesure du risque correspond au montant de fonds propres ajouter un portefeuille pour rendre son risque acceptable. La quatrime proprit concerne la diversification des risques. En effet, lorsqu'on agrge deux risques, le total de la mesure du risque devrait soit diminuer, soit rester constant. Atzner et al. (1999) ont dmontr que la VaR satisfait les trois premires proprits, mais pas la celle de la sous-additivit, contrairement l'ES. Ce qui veut dite que la VaR du portefeuille peut excder la somme des VaR des actifs contenus dans le portefeuille. En vertu du principe de diversification, une telle proprit n'est a priori pas souhaitable. Par consquent, la VaR n'est pas une mesure cohrente du risque. 4. Calcul du capital conomique

Le capital conomique reprsente le montant (exprim en valeur absolue ou en pourcentage) de fonds propres quun tablissement financier estime ncessaire pour couvrir ses risques pour un horizon temporel donn et pour un seuil de confiance prdfini. Chaque tablissement dispose de sa propre dfinition des fonds propres conomiques. En gnral ils sont composs des lments les plus permanents, savoir le capital social et les reserves, en phase avec les agences de notation qui privilgient des fonds propres de base les plus solides (core Tier one). Cependant, ils peuvent tre largis selon les tablissements des fonds dun moindre qualit. La dtermination du capital conomique contribue une meilleure gestion des risques en permettant notamment didentifier, au sein dun tablissemnt de crdit, les transactions ou les lignes dactivit qui reprsentent une utilisation optimale du capital disponible (Banque de France, 2005). En gnral, l'horizon temporel retenu est d'un an. Le seuil de confiance dpend des objectifs de de notation externe de la banque. Un objectif standard pour une grande banque internationale consiste conserver une notation de crdit suprieure ou gale AA (Hull, 2007a), ce qui correspond, sur la base des donnes historiques des agences de notation, une probabilit de dfaut de 0,03% l'horizon d'un an. Dans ce cas, le seuil de confiance s'lvera donc 99,97%. Ce seuil est moins important pour une banque qui souhaite maintenir une notation BBB car la probabilit de dfaut est d'environ 0,2%, soit un seuil de confiance de 99,80%. Pour une banque, lobjectif de notation minimale BBB implique donc la dtention d'un montant minimal de capital qui lui permettrait de couvrir ses pertes dans 99,80% des cas, tant donne la couverture pralable de la perte moyenne associe aux risques (la perte attendue, Expected Loss), normalement assurs par le provisionnement et les marges dintrt.

27

Le capital conomique permet donc aux tablissements financiers dabsorber les pertes exceptionnelles (inattendues) compte tenu de leur profil de risque et leur objectif de notation externe. Cet objestif se traduit mathmatiquement de la manire suivante:

P( X

Capital ) = 99,80%

O X reprsnete la variable de perte de portefeuille. Or:

Capital = Capital Economique + Expected Loss

D'o:

P( X EL Capital Economique) = 99,80%

(1.4)

Ce montant est fonction dune part du profil de risque que traduit la distribution des valeurs du portefeuille et, dautre part, du dgr daversion au risque de ltablissement de crdit qui se traduit par un objectif de notation externe et un seuil de confiance p % correspondant. Dans ce cas, ltablissement financier est prt accepter une valeur du portfeuille plus faible que V ( p ) dans p cas sur 100. Le capital conomique requis par cette stratgie doit donc lui garantir une probabilit de faillite (respectivement solvabilit) de

p%

seulement

(respectivement jusqu (100 p)% ) : Si le capital conomique est gal au montant des pertes intendues, alors il ya "adquation du capital aux risques encourus". sinon, il faut soit rduire le risque, soit accrotre son capital. D'aprs Xiao (2000), les meilleures mesures pour calculer le capital conomique sont la VaR et l'ES (figure 1.4).

28

Figure 1.4: Capital conomique et mesures de la queue de la distribution (VaR, ES)

Source: Xiao (2000)

29

CHAPITRE 2: MODELISATION DU RISQUE DE CREDIT A L'AIDE DE L'APROCHE CREDITMETRICS

CreditMetrics a t introduit en 1997 par JP Morgan et ses associs dont KMV 8 , la suite de son modle RiskMetrics sur les risques de march. Il sagit dun outil de valorisation et dvaluation du risque de crdit des portefeuilles d'actifs, y compris les actifs non ngociables tels que les prts. Ce modle, implment dans le logiciel CreditManagerTM, est bas sur la VaR et s'applique non seulement un prt, mais galement un portefeuille de prts, ce qui permet la gestion des portefeuilles de crdit. Suivant l'approche CreditMetrics, le risque de crdit est valu en valeur du march. Il s'agit donc d'une approche mark-to-market, ce qui permet de prendre en compte en plus des vnements de dfaut, les changements de notations, c'est--dire des amliorations (upgrades) ou des dgradations (downgrades) de la qualit du crdit. En effet, une baisse de la notation d'un metteur d'obligation traduit une dgradation de la qualit du crdit sur cet emprunteur, ce qui provoque une baisse de sa valeur de march (Sardi, 2004). La dgradation de la notation reflte donc le risque de crdit de manire permanente, et non pas sur une base diffre lors du dfaut. Pour comprendre les concepts sous-jacents, la dmarche mthodologique ainsi que la finalit du modle, il importe d'en faire une prsentation succincte. Sur la base de ltude de M. Gordy (2000), nous commenons par esquisser la formulation conomtrique sous-jacente au modle. Ensuite, nous dtaillons la dmarche mthodologique du modle ainsi que son application au calcul de la VaR de crdit du portefeuille. I. FORMULATION ECONOMETRIQUE SOUS-JACENTE

Pour la plupart des conomtres, le modle de risque sous jacent CreditMetrics est un modle probit polytomique ordonn (Kern & Rudolph, 2001). En effet, contrairement certains modles comme CreditRisk+, il sagit dun modle plusieurs tats. Dans son article, Michael Gordy (2000) se propose de comparer CreditMetrics et CreditRisk+ sur la base de leurs formulations mathmatiques respectives. Pour ce faire il utilise une version de CreditMetrics simplifie, par une restriction deux tats o seuls sont considrs les

Acronyme pour Kealhofer, McQuown & Vasicek, auteurs de la mthodologie KMV dvaluation du risque de crdit.

30

vnements de dfaut. Nous nous basons sur cette formulation deux tats pour dduire par extension la formulation conomtrique du modle de base de CreditMetrics. 1. Notations utilises

Gordy considre un portefeuille compos de n emprunteurs auxquels sont consentis des prts 9 de valeur nominale Li , i = 1,L, n , et sintresse la distribution des pertes du portefeuille sur un horizon de risque T . Le crdit est valoris au cot historique (book value) et non en valeur de march comme dans le modle CreditMetrics original. Ainsi, il suppose que la perte en cas de dfaut reprsente une fraction de la valeur faciale du crdit, do une exposition en cas de dfaut gale Li . De mme, en absence de dfaut, la valeur du crdit est gale Li (1 + r )T . Par hypothse, les vnements de crdit (dfaut/changements de notation) du portefeuille sont dtermins par les mouvements des variables latentes inobservables yi* qui traduisent lexposition potentielle des emprunteurs au risque de crdit. Ces variables latentes ou facteurs de risque sont une combinaison linaire de K facteurs exognes ou systmiques nots x = ( x1 , , xK ) , et deffets endognes ou idiosyncratiques i indpendants des facteurs de risque exognes. Le vecteur wi = ( wi1 ,L, wiK ) dsigne la sensibilit de lemprunteur i aux facteurs systmiques tandis i dtermine limportance relative du risque idiosyncratique pour lemprunteur i . La corrlation des vnements de crdit des emprunteurs du porte feuille rsulte de la dpendance de leurs variables latentes des facteurs systmiques communs. Sur la base dun systme de notation, une notation (i ) est initialement ( t = 0 ) attribue chaque emprunteur i . A chaque notation initiale sont associs une probabilit (non conditionnelle ou marginale) de dfaut p et un seuil (cut-off) C , connus. Ltat de chaque emprunteur i lhorizon de risque ( t = T ) dpend de la position de yi par rapport aux seuils

C , dfinissant ainsi une distance au dfaut.

2. Formulation conomtrique du modle deux tats

Pour faciliter la comparaison avec CreditRisk+, Gordy restreint le modle CreditMetrics un modle deux tats qui prend en compte uniquement les vnements de dfaut D (=1 si

9 La version originale du modle admet les risques idiosyncratiques dans le recouvrement, et concerne galement des instruments plus complexes comme les produits drivs.

31

dfaut, 0 sinon). Ici les variables latentes yi* traduisent donc l'absence potentielle de dfaut pour chaque emprunteur
i,

et scrivent comme combinaisons linaires des facteurs

exognes x et des effets idiosyncratiques i :

yi* =

x w
k k =1

ik

+ i i , i = 1, L , n (2.1)

Les hypothses suivantes sont formules sur la distribution des paramtres du modle:

Les facteurs x suivent une distribution normale centre de matrice de covariance

10;
La variance des xk est gale 1; Les i sont indpendants et distribus suivant une mme loi normale centre rduite. Par consquent, le facteur de risque yi* est une variable gaussienne de moyenne nulle.

La variance de yi* est gale 1, c'est--dire :

wiwi + i2 = 1 (2.2)
Ltat de chaque emprunteur i lhorizon (dfaut/pas de dfaut) dpend de la position de yi* par rapport un ensemble de seuils (cut-off) connus C ( i ) dfinissant ainsi une distance au dfaut. Autrement dit, lemprunteur i initialement note (i ) fera dfaut lhorizon T (c'est--dire Di = 1 ) si la date T la variable latente yi* est infrieure au seuil C (i ) , soit:

x w
k k =1

ik

+ i i < C (i ) (2.3)

Les seuils C sont tels que P( y * < C ) = (C ) = p cest dire C = 1 ( p ) , o est la fonction de rpartition dune loi normale standard et p est la probabilit de dfaut (connue) associe la notation . Le modle thorique sous-jacent s'crit donc:
K Di = xk wik + i i < C (i ) (2.4) k =1

10 En raison de la disponibilit des donnes historiques, il est recommand dans le document technique de CreditMetrics que les x soient des indices de march, ce qui simplifie la calibration de et des poids condition sur x .

wi . Cependant, la formulation mathmatique du modle nimpose aucune

32

est le symbole de l'indicatrice. La relation (2.4) permet une fois i fix 11

et wi = ( wi1 ,L, wiK ) estim, de faire pour chaque emprunteur i une prvision sur la probabilit conditionnelle de dfaut P(Di = 1 / x ) = Pi ( x) en fonction de la ralisation de ses facteurs exognes x . En effet, d'aprs 2.3:
K Pi ( x) = P xk wik + i i < C (i ) k =1

K C (i ) xk wik k =1 = P i i

Ce formalisme est celui d'un modle probit puisque les i sont normalement distribus. En thorie, les wi sont le plus souvent estims par la mthode du maximum de vraisemblance partir d'chantillons d'observations de D et x (annexe 4). Cependant dans la pratique, les Di et x ne sont pas observables et l'volution de la valeur future du portefeuille doit tre simule. Pour un portefeuille de taille n , la procdure du modle CreditMetics consiste simuler dune part une srie de facteurs exognes x de loi multivarie N (0, ) , et dautre part une srie de n lments idiosyncratiques i i.i.d N (0,1) . L'affectation des emprunteurs aux indices de march permet de calibrer les wi et de dduire les i par la relation 2.2 (voir chapitre 3). La simulation des facteurs exognes et idiosyncratiques permet ainsi, en vertu de la relation 2.1, de constituer la srie simule des facteurs de risque yi* . Une comparaison entre chaque
yi* et le seuil

C (i ) correspondant (i ) dtermine ltat futur D(i) de chaque emprunteur i

lhorizon T . La perte du portefeuille lhorizon est alors estime par

D L . Pour
i i i

avoir une distribution des pertes, la procdure doit tre rpte un grand nombre N de fois, et les pertes chacun des N portefeuilles simuls ordonnes dans un ordre croissant. Dans le cas de 100 000 simulations par exemple, lestimation du 99e quantile de la distribution des pertes sera le 99 000e lment de la srie ordonne des pertes.

11 Pour assurer l'indentification du modle.

33

3.

Gnralisation : formulation conomtrique de CreditMetrics

Nous pouvons dduire la formulation conomtrique de CreditMetrics par une gnralisation plusieurs tats du modle deux tats formul par Gordy. En effet dans CreditMetrics, le risque de crdit est non seulement inhrent aux vnements de dfaut lhorizon de risque, mais galement aux changements de notation ou transition. Le modle explicatif sous-jacent pourrait ainsi tre assimil un modle probit polytomique ordonn seuils connus. En effet, comme dans le cas deux tats, supposons que le facteur de risque inobserv yi* qui dtermine l'vnement de crdit M i l'horizon est dcrit par la relation 2.1 prcdente, avec les mmes hypothses sous-jacentes sur les paramtres. Supposons galement que l'chelle de notation du systme de notation choisi comporte
K

chelons, c'est dire (i ) {S1 , L , S J } o les S j sont a priori ordonns en fonction du

niveau de risque. Alors, au total J + 1 vnements de crdit sont observables l'horizon, y compris l'vnement de dfaut D : M i {D, S1 , L , S J }. Nous choisissons de codifier ces vnements par ordre dcroissant de risque, de 1 (situation la plus risque, donc D ) J + 1 (situation la moins risque, donc S J ). Pour chaque classe de risque M i , la dette est valorise en valeur de march, contrairement au cas deux tats. Par exemple, dans le cas du systme de notation Standard and Poor's (S&P) 7 chelons ( J = 7 ), on aurait la codification: 1=D, 2=CCC,3=B, 4=BB, 5=BBB, 6=A, 7=AA et 8=AAA. A chaque notation initiale , associons les probabilits (non conditionnelles) de transition
p , j

( j = 1, L , J + 1 ) ainsi que des seuils C , j , connus. Ltat M i de chaque emprunteur i

lhorizon de risque dpend de la position de yi* par rapport aux seuils C , j , dfinissant ainsi des seuils de transition. En d'autres termes, le statut M i sera observ lhorizon si yi* est compris entre deux seuils de transition C (i ), j 1 et C , j connus, cest dire:

C (i ), j 1 < xk wik + i i < C ( i ), j (2.5)

k =1

O nous posons par convention C (i ),0 = et C (i ), J +1 = + , avec 0 < C (i ),1 < L < C (i ),J . Les seuils C , k sont dtermins par rapport aux probabilits de transition non conditionnelles
p , j ; P ( y * C , j ) = (C , j ) =

p
k =1

,k

d'o:

34

 j C , j = 1 p , k k =1

(2.6)

Ainsi:

M i = 1 si yi* C ,1
Mi = j

si C , j 1 < yi* C , j pour j = 2,L, J si C , J < yi*

Mi = J +1

D'o le modle thorique sous-jacent:

Mi = C j 1
j =1 J +1

(i ), j 1

<

x w
k k =1

ik

+ i i C (i ), j

(2.7)

Ce formalisme est bien celui d'un modle probit polytomique ordonn seuils connus. Sur la base de la ralisation des facteurs exognes x , le modle permet ainsi de faire une fois i fix et wi = ( wi1 ,L, wiK ) estim, une prvision sur M i partir de la probabilit conditionnelle de transition P(M i = j / x ) = Pi , j ( x) :
K C (i ),1 xk wik k =1 Pi ,1 ( x) = i K K C (i ), j 1 C (i ), j xk wik xk wik k =1 k =1 Pi , j ( x) = i i K C (i ), J xk wik k =1 Pi , J +1 ( x ) = 1 i

j {2,L, J }

Comme dans le cas deux tats, la mise en oeuvre des simulations de Monte Carlo consisterait tout d'abord gnrer dune part une srie de facteurs x de loi multivarie

N (0, ) , et dautre part une srie dlments i

idiosyncratiques i.i.d N (0,1) , ce qui

permettrait de constituer la srie des yi* . Ensuite, la comparaison des yi* aux seuils C (i ), j

1, L , J + 1} l'horizon, la valeur correspondante permettrait de dterminer son statut M i {

du crdit ainsi que la valeur du portefeuille. La procdure doit galement tre rpte plusieurs fois pour avoir la distribution de la perte du portefeuille et estimer des statistiques de mesure du risque.

35

II.

DEMARCHE METHODOLOGIQUE

Les inputs de CreditMetrics sont: les probabilits de dfaut et de transition, les moyennes et cart-type des taux de recouvrement, la structure des corrlations des facteurs de risque ainsi que la sensibilit de chaque instrument ces facteurs, la structure par terme des taux sans risque, ainsi que celle des spreads de crdit pour chaque classe de risque, le profil d'exposition de chaque instrument. La mthodologie du modle (annexe 5) repose sur 3 tapes principales. L'utilisateur doit tout d'abord attribuer une note (rating) chaque metteur (ou mission) en fonction de sa solvabilit prsume, ce qui permet une analyse de ses transitions sur l'horizon de risque choisi. L'encours est ensuite rvalu en actualisant les flux futurs des crdits partir de la structure par terme des taux forward, dduite de la courbe des taux spot. Cette rvaluation permet dobtenir les valeurs futures de chaque instrument du portefeuille en fonction de lvnement de crdit. La somme des valeurs individuelles donne la valeur future du portefeuille. La structure des corrlations permet d'obtenir des probabilits jointes de transition. La donne des probabilits jointes de transition ainsi que les valeurs futures du portefeuille permet une estimation de la distribution des pertes potentielles et le calcul des mesures du risque l'chelle du portefeuille. Les instruments utiliss dans le cadre de nos illustrations sont les obligations. L'horizon de risque retenu est 1 an. Nous utilisons l'chelle de notation S&P en 7 catgories AAA, AA, A, BBB, BB, B et CCC. 1. Analyse des transitions individuelles des emprunteurs

Le risque de crdit est principalement inhrent la dgradation de la qualit d'un portefeuille de crdit (i.e. de lensemble des engagements ou des contreparties) sur l'horizon de risque. En gnral, la notion de "dgradation de qualit de crdit" se rapporte uniquement au risque de dfaut (ou dfaillance) qui intervient lorsquil y a manquement ou retard de la part de l'emprunteur sur le paiement du principal et/ou des intrts de sa dette (Gupton, Finger & Bhatia, 1997). Lapproche CreditMetrics fait une extension de cette dfinition en y incluant galement le risque de transition ou changement de notation, lvnement de dfaut ntant quune transition possible. Autrement dit, le dfaut est considr comme l'un des multiples "tats du monde" observables l'horizon. Dans CreditMetrics, on parlera donc de probabilit de transition et non plus seulement de probabilit de dfaut. Les probabilits de transition permettent danalyser les changements intervenus pour une notation particulire de lmetteur entre le dbut et la fin de lhorizon de risque. En ce sens, CreditMetrics est un modle de transition et non pas seulement un modle de dfaut.

36

Dans la premire tape de la procdure, chaque actif se voit attribuer une notation initiale, en fonction de sa qualit. Cette notation initiale rsulte soit d'un processus interne de notation, soit d'une notation externe attribue par une agence de notation l'instar de Moody's, S&P et Fitch. ou par les systmes de notation internes des banques. Pour illustrer l'importance des transitions, considrons un emprunteur initialement not BBB (S&P), plusieurs vnements de crdit sont probables dici un an :

Lmetteur garde la notation BBB la fin de lanne ; La notation de lmetteur samliore AAA, AA ou A, ou alors se dgrade BB, B ou CCC ;

Lmetteur fait dfaut (D).

Chacune de ces situations a une probabilit de survenance ou probabilit de transition (Figure 2.1). Pour estimer la distribution des pertes potentielles, la connaissance des probabilits de transition vers les autres notations est donc tout aussi importante que celle de la probabilit de dfaut. Figure 2.1. : Exemples de transition (S&P, 1996) si lhorizon de risque est un an
Notation initiale A
0,09% AAA AAA

Notation initiale AAA

90,81% AAA 8,33% AA 0,68% A 0,06% BBB 0,12% BB 0,00% B 0,00% CCC 0,00% D 100,00% BBB

Notation initiale BBB

0,02% AAA 0,33% AA 5,95% A 89,93% BBB 5,30% BB 1,17% B 0,12% CCC 0,18% D 100,00%

2,27% AA 91,05% A 5,52% BBB 0,74% BB 0,26% B 0,01% CCC 0,06% D 100,00%

Nous observons qu'il y a 5,30% de risque de dgradation de la notation future de lmetteur de BBB vers BB. Si sa notation initiale tait plutt de AAA, on aurait 0% de risque d'une transition vers les notations infrieures BB. Pour chaque classe de notation (initiale), la

37

somme des probabilits de transition est de 100,00%, puisque lensemble des transitions reprsente tous les "tats du monde" possibles. A partir des statistiques de changement de notation, les agences de notation fournissent rgulirement les probabilits de transition sous forme d'une table double entre appele matrice de transition (tableau 2.1), input fondamental du modle CreditMetrics. En pratique, lvaluation de ces probabilits de transition se fait par classe de risque et non au niveau individuel, ce qui suppose que toutes les contreparties dune mme classe portent le mme risque. L'metteur de notre exemple tant actuellement not BBB, ses transitions sont reprsentes dans la matrice de transition du tableau 2.1 par la ligne en italique. Les valeurs les plus leves de la matrice de transition se situent sur la diagonale, ce qui indique que l'vnement de crdit le plus probable pour tout metteur entre le dbut et la fin de la priode est celui de conserver sa notation initiale. Ainsi pour lobligation note BBB, la probabilit de garder la mme notation au bout d'un an est estime 89,93%. Tableau 2.1: Matrice de transition un an : Probabilits de dfaut et de changement de notation (%)
Notation initiale (t=0)
Notation la fin de lanne (t=1)

AAA 90,81 0,70 0,09 0,02 0,03 0,00 0,22

AA 8,33 90,65 2,27 0,33 0,14 0,11 0,00

A 0,68 7,79 91,05 5,95 0,67 0,24 0,22

BBB 0,06 0,64 5,52 86,93 7,73 0,43 1,30

BB 0,12 0,06 0,74 5,30 80,53 6,48 2,38

B 0,00 0,14 0,26 1,17 8,84 83,46 11,24

CCC 0,00 0,02 0,01 0,12 1,00 4,07 64,86

D 0,00 0,00 0,06 0,18 1,06 5,20 19,79

AAA AA A

BBB
BB B CCC 2.

Source: Standard & Poor's Credit Week (April 15, 1996)

Estimation des valeurs futures de chaque instrument

La premire tape consistait dterminer les probabilits de transition de chaque instrument du portefeuille. Il sagit maintenant dvaluer limpact des ces changements de classes de risque sur la valeur future ( lhorizon) du crdit. Il faut pour cela estimer la valeur potentielle de chaque instrument, celle du portefeuille s'en dduisant en faisant la somme des valeurs des instruments qui le constituent. Prenons par exemple le cas dune obligation du portefeuille ayant les caractristiques suivantes: senior non garantie (senior unsecured), chance 5 ans, notation initialet BBB, valeur faciale 100 USD et taux de coupon annuel 6%. Pour estimer sa distribution de perte, il faut estimer sa valeur de march pour chaque transition probable, soit

38

au total huit valeurs calculer. Ce calcul se fait diffremment selon que l'vnement soit un changement de notation ou vnement de dfaut. 2.1. Valeur future en cas de dfaut

Pour estimer la valeur qu'aurait l'obligation dans le cas o l'metteur faisait dfaut, il faut connatre le taux de recouvrement. En effet, en cas de dfaut de l'entreprise mettrice de l'obligation, la banque (le crancier) va chercher rcuprer les sommes qui lui sont dues. Dans certains cas, l'entreprise fera l'objet d'une restructuration et ses cranciers accepteront de ne rcuprer qu'une partie de ce qu'ils ont prt. Autrement, il y aura liquidation de l'entreprise, ses actifs seront vendus et les montants issus de la vente utiliss pour rembourser tout ou une partie de ses dettes. Le taux de recouvrement pour une obligation est dfini comme la valeur de l'obligation juste aprs le dfaut (Hull, 2007). Il mesure le taux de rcupration de la valeur faciale du crdit (et ventuellement les intrts courus) en cas de dfaut, ce qui permet de dduire la perte en cas de dfaut (Loss Given Default, LGD) associe l'actif. Toutes les crances n'ont pas le mme ordre de priorit (seniority) et certains sont rembourss avant d'autres: le taux de recouvrement est donc fonction de l'ordre de priorit de la crance, ainsi que les garanties appliques (security). Les taux de recouvrement prsentent une corrlation ngative avec les taux de dfaut. En effet, l'agence Moody's a analys les taux de recouvrement chaque anne depuis 1982, et a mis en vidence une relation affine entre les deux variables: Taux de recouvrement moyen = 50,3 6,3 Taux moyen de dfaut CreditMetrics fait l'hypothse de taux de recouvrement alatoires distribus suivant une loi bta. Ce choix tient principalement des atouts majeurs de cette loi: d'une part sa calibration rendue extrmement souple du fait des paramtres (moyenne et cart-type) la dfinissant compltement; d'autre part son support se situe dans l'intervalle [0,1] , ce qui correspond bien aux valeurs attendues de la LGD. Au lieu d'utiliser des taux stochastiques, on suppose parfois pour simplifier que le taux de recouvrement est constant pour les mmes types d'metteurs ou d'missions (BCE, 2006). Les agences de notation produisent galement ces informations sur le recouvrement aprs dfaut. D'aprs une tude de Carty & Liberman (Moody's Investor Service, 1996), une dette senior non garantie traduit un taux de recouvrement moyen de 51,13% avec un cart-type de 25,45%. Avec une valeur faciale de 100 USD, la valeur future de l'obligation aprs le dfaut sera donc de: 100 51,13% = 51,13 USD .

39

2.2.

Valeur future en cas de changement de notation

En dehors du dfaut, un autre vnement de crdit envisageable l'horizon est un changement de notation. Dans ce cas, la valeur future de l'actif est simplement infre partir des taux forward zro-coupon tels que dfinis au moment du calcul, pour chaque classe de risque. Il est d'usage d'additionner les carts de taux (spreads ou prime de risque) au taux sans risque pour avoir les taux d'intrt actuariels spot qui permettent de calculer la valeur de march d'un titre. Les taux forward pour la priode future (1 an) sont alors implicites dans ces taux spot. Si les R( t ,) reprsentent les taux spot la date t pour une chance quelconque,

alors le taux forward dtermin en t , dmarrant en x et d'chance y est dfini par:

(1 + R( t , y ))y t y x F (t , x, y x ) = 1 x t (1 + R( t , x ))
Elle permet de dterminer la valeur mark to market du crdit lhorizon, do on dduit les valeurs des pertes (gains) en cas de dtrioration (amlioration) de la qualit du crdit. Toutes les missions appartenant une mme classe de risque sont ainsi values en mark-to-market par la mme courbe des taux. Dans notre exemple, il y a initialement sept classes de risque, do la ncessit dutiliser sept courbes de taux. La valeur courante ( la date initiale) de l'obligation sera dtermine partir de la courbe des taux spot associe sa notation initiale, BBB. Quant sa valeur future, elle correspond la somme actualise des flux gnrs sur la dure de vie rsiduelle de l'obligation. Ici, l'chance rsiduelle de l'obligation sera donc de 4 ans. Supposons par exemple la structure par terme suivante des taux forward.
Tableau 2.2: Exemple de structure par terme des taux forward par classe de risque (%) Notation AAA AA A BBB BB B CCC 1re anne 3,60 3,65 3,72 4,10 5,55 6,05 15,05 2e anne 4,17 4,22 4,32 4,67 6,02 7,02 15,02 3e anne 4,73 4,78 4,93 5,25 6,78 8,03 14,03 4e anne 5,12 5,17 5,32 5,63 7,27 8,52 13,52

Source : CreditMetrics, JP Morgan.

La valeur de l'obligation en cas de transition vers A s'obtiendra de la manire suivante :

40

Temps Flux futurs VA (Valeur l'horizon= 108,66 USD)

Soit : VA = 6 +

6 6 6 106 + + + = 108,66 USD . 2 3 (1 + 3,72%) (1 + 4 ,32%) (1 + 4 ,93%) (1 + 5,32%)4

En reproduisant cette procdure pour chacun des 6 autres transitions, nous obtenons les valeurs futures suivantes:
Tableau 2.3: distribution de la valeur future de l'obligation note BBB
Classe de risque Probabilit de transition Valeur future de lobligation (USD)

AAA AA A BBB BB B CCC D

0,02 0,33 5,95 86,93 5,30 1,17 0.12 0.18

109,37 109,19 108,66 107,55 102,02 98,10 83.64 51.13

Bien qu'essentiels pour l'analyse individuelle des instruments, les concepts abords jusqu'ici (probabilits de transition et de dfaut, spreads, taux de recouvrement) s'avrent insuffisantes pour l'analyse d'un portefeuille constitu de plusieurs instruments, ou l'analyse des instruments dont le prix (et le risque) sont fonction de plusieurs sous-jacents. En effet, en raison des effets de diversification (induits par les dpendances entre instruments), la distribution de pertes du portefeuille n'est pas la somme des pertes des instruments sousjacents.
3. Analyse des corrlations entre emprunteurs

La notion de corrlation constitue une mesure particulire du concept plus gnral de dpendance stochastique. Se limiter aux corrlations linaires pour valuer le niveau de dpendance entre les risques n'est donc qu'une approche simplifie. Cependant, la notion de corrlation est fondamentale dans la finance moderne, notamment dans les mthodes de

41

gestion des risques reposant sur des outils de type VaR. Son usage comme mesure de dpendance entre diffrents actifs repose sur l'hypothse de rendements distribus suivant une loi normale multivarie. Dans ce contexte, la slection d'un portefeuille optimal devient possible puisque non-corrlation et indpendance sont quivalents et ainsi aucune autre information en dehors de la composition du portefeuille, les rendements, leurs variances et la matrice de corrlation n'est ncessaire pour dterminer la distribution jointe. Malheureusement, la plupart des risques rels n'a pas une distribution normale (De Servigny et
al, 2006). C'est le cas en particulier des risques de crdit qui sont caractriss par une queue

paisse. Il existe plusieurs manires d'introduire la corrlation des risques de crdit. Tout comme PortfolioManager (KMV), la dmarche adopte par CreditMetrics repose sur un modle de Merton pour plusieurs actifs.
2.3. Structure du modle de Merton

Encore appel modle de la firme, le modle de Merton dcrit le risque de crdit en utilisant les principes d'valuation d'options proposs par Black et Scholes (1973). Le modle met en regard lvolution de la valeur de march des actifs dune entreprise emprunteuse et de ses dettes. tout instant t la dynamique de la valeur des actifs de la firme, Vt , est dcrite par un processus de diffusion:
dVt = dt + dWt (2.8) Vt

Wt

est un mouvement brownien standard ( Wt N ( 0, t ) ),

et

reprsentent

respectivement la moyenne et la variance du rendement instantan des actifs de la firme ( dVt Vt ). Alors, Vt est un processus stochastique de type brownien gomtrique qui correspond la valeur de la firme:
2 Vt = V0 exp t + t Z t (2.9) 2

Vt est distribu suivant une loi lognormale; par consquent le rendement dit logarithmique,
log(Vt V0 ) , est distribu suivant une loi normale. Une fois que le processus stochastique
caractrisant la valeur de la firme a t dtermin, la structure de son passif (fonds propres, dettes court, moyen et long terme, obligations) permet de dduire sa probabilit de dfaut pour un horizon quelconque T . Le modle suppose que ce passif est simplement constitu

42

de capitaux propres (actions) de valeur S t et d'une dette (obligation zro coupon) de maturit

T , de valeur faciale F et de valeur de march Bt . Le bilan de la firme est donc:

Tableau 2.4: Bilan de la firme selon le modle de Merton Actif Passif

Actifs risqus:
Total:

Vt Vt

Fonds propres: Dette:

St
Bt ( F )

Vt

Le dfaut potentiel n'intervient qu' la date de maturit, s'il intervient. La firme emprunteuse fera dfaut l'chance de la dette si elle ne parvient pas faire face ses engagements, c'est-dire lorsqu' l'chance, la valeur de la firme est infrieure un de seuil de dfaut, le montant F de la dette (Figure 2.2). La firme revient dans ce cas au prteur. L'actionnaire de l'entreprise endette dtient ainsi une option d'achat des actifs de cette entreprise: le niveau de fonds propres de l'entreprise est donc gal la valeur d'une option d'achat sur les actifs, de prix d'exercice F et de mme maturit que la dette. Le prteur quant lui vend une option de vente de prix d'exercice F .
Figure 2.2: Modle de Merton et seuil de dfaut de la firme

Seuil de dfaut

Evnements de dfaut

Valeurs faibles Valeur de la Firme

Valeurs leves

Ce modle est dit structurel car il lie directement le risque de crdit la structure financire de la firme emprunteuse. Le dfaut dun emprunteur est conditionn par la dynamique de la valeur de ses actifs, et les corrlations de dfaut entre plusieurs firmes emprunteuses peuvent ainsi tre infres partir de la dynamique de la valeur de leurs actifs. A l'chance, la valeur

43

de la firme est VT , la valeur de march de sa dette est BT ( F ) = min(VT , F ) et la figure 2.3 illustre bien le lien entre la distribution de sa valeur, sa structure financire et sa probabilit de dfaut (partie hachure en dessous de F ).
Figure 2.3: Evaluation de la probabilit de dfaut de partir de la distribution de la valeur de

la firme

Valeur des actifs

Probabilit de dfaut

Temps 2.4. Extension du modle de Merton lanalyse des corrlations de qualit du crdit

CreditMetrics fait une extension du modle de Merton afin d'inclure les changements de notation. L'hypothse sous-jacente est que la dynamique de la valeur des entreprises emprunteuses dtermine leurs changements de notation. Autrement dit, un emprunteur changera de classe de risque l'horizon (1 an) lorsque sa valeur de march passera en dessous dun certain seuil critique dit seuil de transition. Comme dans le modle original, les corrlations entre emprunteurs rsultent des corrlations entre les valeurs de leurs actifs. Le principe utilis pour estimer les seuils de transition est de dcouper en tranches la distribution

44

(normale standard) du (log-)rendement des actifs, afin de reproduire les probabilits de transition de la matrice de transition 1 an (Figure 2.4).

Figure 2.4: Dtermination des seuils de transition par extension du modle de Merton

(exemple d'une firme initialement note BB)

La notation se dtriore B La firme garde la notation BB

La notation samliore BBB

La firme fait dfaut

Zdef

ZCCC

ZB

ZBB ZBBB ZA ZAA

Rendement annuel des actifs de la firme

Soit Vdef la valeur de dfaut de la firme de l'exemple ci-dessus, initialement note BB. La probabilit de dfaut pdef de la firme est telle que p def = Proba(Vt V def ) . D'aprs la relation 2.9, le dfaut intervient lorsque:
Pdef ln (Vdef V0 ) ( ( 2 2 ))t Zt = Pr t
ln (V0 Vdef ) + ( ( 2 2 ))t = Pr Z t t

= Pr Z t Z def ( d 2 )

est la fonction de rpartition d'une loi normale standard. Le dfaut correspond en ralit
la queue gauche de la courbe: Z def = d 2 . Le seuil de dfaut correspond donc pdef :

45

Z def = 1( pdef ) , soit Z def = 1(1,06%) = 2,30 pour la firme BB. De la mme faon, la

probabilit de migration vers CCC est pCCC = Proba (Z def < Z t Z CCC ) = ( Z CCC ) ( Z def ) c'est--dire Z CCC = 1 ( pdef + pCCC ), et ainsi de suite en reproduisant d'aprs la matrice du tableau 2.1 les probabilits de transition d'une notation initiale BB (tableau 2.5):
Tableau 2.5: Reproduction des probabilits de transition de la notation initiale BB Notation l'horizon AAA AA A BBB BB B CCC Dfaut Probabilit de transition issue de la matrice de transition (%) 0,03 0,14 0,67 7,73 80,53 8,84 Probabilit de transition issue du modle de Merton

1 ( Z AA )
( Z AA ( Z A )) ( Z A ) ( Z BBB ) ( Z BBB ) ( Z BB ) ( Z BB ) ( Z B )

1,00 1,06

( Z B ) ( Z CCC ) ( Z CCC ) ( Z def )

( Z def ))

L'extension du modle de Merton permet ainsi d'tablir un lien entre la valeur des actifs des entreprises emprunteuses et leur notation ce qui permet de faire, ds lors que la corrlation entre deux emprunteurs est connue, un calcul analytique de la probabilit jointe de transition des deux emprunteurs. En effet, supposons que le portefeuille est constitu de deux obligations mises par deux socits notes BBB (firme 1) et A (firme 2). Alors, le rendement des deux actifs suit une distribution normale bivarie de densit:
f ( r BBB , rA ; ) = 1 2 2 2rBBB rA + rA exp rBBB (2.10) 2 2 1 2(1 ) 1
2

Les seuils de transition pour les deux notations sont les suivantes:

46

Tableau 2.6: Seuils de transition pour les notations BBB et A Notation dans un an AAA AA A BBB BB B CCC Defaut Obligation A Probabilits Seuils Z (%) 0,09 2,27 3,12 91,05 1,98 5,52 -1,51 0,74 -2,30 0,26 -2,72 0,01 -3,19 0,06 -3,24 Obligation BBB Probabilits Seuils Z (%) 0,02 0,33 3,54 5,95 2,78 86,93 1,53 5,30 -1,49 1,17 -2,18 0,12 -2,75 0,18 -2,91

Il n'existe pas de seuil critique Z AAA car tout rendement au-del de 3,12 et 3,53 conduit une migration vers AAA pour la firme A et BBB respectivement. Si la corrlation entre les deux firmes est = 30% , la probabilit que les deux entreprises endettes restent chacune dans la mme classe de risque l'horizon (BBB et A respectivement) est:
P( 1,49 < rBBB < 1,53; 1,51 < rA < 1,98 ) =
1, 53

1, 49 1, 31

1, 98

f ( rBBB , r A ; )drBBB drA = 0,7969 (2.11)

En faisant les 8 8 = 64 autres combinaisons, nous obtenons la matrice de transition de la distribution jointe des deux firmes BBB et A (tableau 2.7). Cette matrice de transition prend en compte les corrlations et est par ricochet diffrente d'une matrice de transition calcule en supposant l'indpendance entre les deux socits (corrlation nulle) car sinon la probabilit jointe de garder la mme notation serait de:

79,15% =

Probabilit pour la firme 1 de rester BBB

86 93 % 1,2 3

Probabilit pour la firme 2 de rester A

91 05 % 1,2 3

Tableau 2.7 : Probabilits jointes de transition entre les obligations BBB et A lorsque

= 30%
Obligation A

Obligation BBB

AAA AA A BBB BB B CCC D

0,02 0,33 5,95 86,93 5,30 1,17 0,12 0,18

AAA 0,09 0,00 0,00 0,02 0,07 0,00 0,00 0,00 0,00

AA 2,27 0,02 0,04 0,39 1,81 0,02 0,00 0,00 0,00

A 91,05 0,00 0,29 5,44 79,69 4,47 0,92 0,09 0,13

BBB 5,52 0,00 0,00 0,08 4,55 0,64 0,18 0,02 0,04

BB 0,74 0,00 0,00 0,01 0,57 0,11 0,04 0,00 0,01

B 0,26 0,00 0,00 0,00 0,19 0,04 0,02 0,00 0,00

CCC 0,01 0,00 0,00 0,00 0,01 0,00 0,00 0,00 0,00

D 0,06 0,00 0,00 0,00 0,04 0,01 0,00 0,00 0,00

Source : CreditMetrics, JP Morgan

47

En pratique, il faut estimer les corrlations entre actifs. Le calcul analytique serait relativement ais pour un petit nombre d'metteurs. Cependant, dans le cas d'un nombre plus significatif de crdits, la dimension de la matrice de corrlation est impressionnante car pour
N metteurs, il faudrait calculer au total N ( N 1) / 2 corrlations, soit 4 950 dans le cas

d'une centaine d'metteurs. Afin de simplifier considrablement la dimension des paramtres estimer, CreditMetrics utilise un modle facteurs qui relie les rendements des actions de chaque emprunteur un nombre limit n << N de facteurs fondamentaux constituant une cartographie par pays des secteurs industriels reprsentatifs.
2.5. Le modle de corrlation de CreditMetrics

A partir des corrlations entre actifs, l'objectif est de parvenir estimer les corrlations de qualit de crdit. Puisque les rendements des actifs des firmes emprunteuses ne sont pas en gnral observables directement, CreditMetrics propose d'utiliser les rendements de leurs capitaux propres comme approximation (proxies), ce qui revient supposer que les activits des firmes mettrices sont entirement finances en actions. Selon l'approche CreditMetrics, la corrlation des rendements des actions des metteurs est un estimateur sans biais de la corrlation des rendements de leurs actifs. Les corrlations entre rendements des actions sont en ralit dfinies partir d'un modle qui les relie un nombre limit de facteurs fondamentaux constituant une cartographie par pays des secteurs industriels reprsentatifs. Le rendement rk de chaque action k s'exprime alors comme une combinaison multifactorielle linaire de facteurs fondamentaux, plus une partie idiosynchratique indpendante des autres facteurs. Nous pouvons remarquer que ces facteurs fondamentaux correspondent facteur commun I1 :
2 rk = k I1 + 1 k k , k = 1, L , N (2.12)

aux

facteurs exognes dfinis dans Gordy (2000) Formellement, nous avons en supposant un seul

O N est le nombre d'metteurs (firmes), I1 et k suivent des lois normales standard et k est une constante comprise entre 0 et 1. Les k sont non corrls entre eux et non corrls au facteur commun I1 . Ce formalisme rduit le nombre de corrlations calculer car la

corrlation entre deux rendements ri et rj vient de leur dpendance au facteur I1 , et vaut 1i1 j . L'avantage du modle facteurs est galement d'imposer une structure de corrlations (Hull, 2007). En effet, sans cette hypothse, N ( N 2 ) 2 doivent tre estimes. Le modle

48

facteurs permet galement le calcul de corrlations mme entre entreprises non cotes, ou celles dont les fonds propres sont illiquides. En effet, une firme quelconque peut tre corrle une autre ds lors que les deux firmes peuvent tre affectes un secteur et/ou pays dont on connat l'indice de march reprsentatif. Une application de ce type de modle est le CAPM 12 dans lequel la rentabilit des titres dpend d'une part de la rentabilit du march et d'autre part de d'une composante indpendante de la rentabilit des autres titres. Le modle facteur peut tre tendu M facteurs: rk = 1k I1 + 2 k I 2 + L + Mk I M +
Les facteurs

( 1

2 1k

2 2 2 k L Mk k (2.13)

I1 , I 2 ,L, I M

sont non corrls et normalement distribus, les k sont

indpendants les uns des autres et indpendants des facteurs. La corrlation entre ri et rj est alors: ij = im jm (2.14)
m =1 M

Pour calculer les corrlations entre N firmes, il suffit donc d'estimer les mk , ainsi que la matrice de corrlation des facteurs communs soit au total MN + M ( M 1) 2 paramtres. Dans le cas des N = 100 metteurs et deux facteurs, le nombre de calculs ncessaires passe de 4 950 203. En pratique (CreditManager), les corrlations sont estimes sur la base des donnes historiques sur les rendements d'indices actions reprsentatifs de diffrents secteurs industriels des pays. le gestionnaire de portefeuille doit suivre son intuition ou se baser par exemple sur l'analyse du chiffre d'affaires de chaque entreprise emprunteuse pour attribuer un poids wi (contribution la rentabilit des actifs de la firme) relatif chaque indice action i , avec

w
i

= 1 (Gupton et al, 1997). Prenons par exemple le cas de deux indices I1 et I 2 attribu les
= w1r 1 + w2 r 2 avec poids respectifs w1 et w2 : r

auxquels le gestionnaire a

w1 + w2 = 1 . Supposons connues les volatilits historiques des deux indices 1 et 2 , leur corrlation 12 et la corrlation entre le rendement r de l'action l'entreprise emprunteuse
du rendement de r est: et les facteurs. La volatilit de la composante spcifique r

12

Capital Assets Pricing Model

49

2 2 2 = w12 1 + w2 2 + 212 1 2 (2.15)

En posant 1 =

w11 w 2 2 2 dans le modle factoriel , 2 = 2 2 et = 1 1 2 = 1

thorique r = 1r1 + 2 r2 + , la volatilit de la partie systmatique du modle est bien gale

.

III.

APPLICATION A LA MESURE DU RISQUE

Les calculs prcdents permettent de dduire la distribution de pertes du portefeuille et d'en dduire des mesures du risque et les implications en terme de capital conomique relatif au risque de crdit. Il n'existe pas de formulation mathmatique explicite permettant de dduire la forme de la distribution des pertes d'un portefeuille de crdits. Traditionnellement, deux mthodes sont employes: la mthode analytique et une mthode fonde sur les simulations de Monte Carlo. Dans le cadre de l'approche CreditMetrics, la mthode analytique peut s'appliquer si le portefeuille comporte un petit nombre d'actifs (1 2). Dans le cas d'un nombre plus significatif, la distribution des pertes est obtenue par la mise en oeuvre des simulations de Monte Carlo.
1. Un instrument

Considrons un portefeuille constitu de l'obligation BBB dcrite au dbut du paragraphe II.1 (6 ans, taux de coupon 6%). Nous cherchons valuer la VaR de crdit 1 an pour un niveau de confiance de 99%, c'est dire le niveau de pertes potentielles qui ne sera dpass que dans 1% des cas. Il s'agira donc du quantile dordre 99% de la distribution des pertes. Le calcul de la valeur futur de l'obligation pour toutes les transitions envisageables l'horizon permet d'avoir une distribution des valeurs futures (V) et des variations de valeur ( V ) du crdit (tableau 2.8), c'est--dire la distribution des pertes potentielles car : V < 0 perte et

V 0 gain . La somme pondre de ces variations donne la valeur de la perte moyenne

attendue. La perte moyenne attendue peut s'estimer par la diffrence entre la valeur lhorizon si la socit garde la mme classe de risque (Base Horizon Value) et la valeur moyenne attendue lhorizon (Mean Horizon Value). Dans CreditManager, cet estimateur est appel

Expected Loss from Horizon Value (perte moyenne attendue l'horizon).

50

Tableau 2.8: Distribution des pertes du portefeuille constitu d'un obligation note BBB
Notation la fin de lanne (i) Probabilit de transition vers i ( pi ) Valeur future Vi (USD) Valeur pondre pi Vi (USD) Perte potentielle
Vi = Vi VBBB

(USD)

AAA 0,02 AA 0,33 A 5,95 BBB 86,93 BB 5,30 B 1,17 CCC 0,12 Defaut 0,18 Moyenne Variance 2 Ecart-type (volatilit)

109,37 109,19 108,61 107,55 102,02 98,10 83,64 51,13

0,02 0,.36 6,47 93,49 5,41 1,15 1,10 0,09 = 107,09

8,95 2,99

1,82 1,64 1,11 0 -5,53 -9,45 -23,91 -56,42 1 = -0,46

L'cart-type a t calcul sans tenir compte de l'incertitude de la valeur recouvre. En incluant la volatilit iR , i = 1,L,8 des taux de recouvrement, lcart-type devient : =

p (V
8
i =1 i

+ ( iR )2 2 = 3,18 USD

Soit 6,32% de plus que prcdemment. Puisque nous n'avons pas les donnes sur la volatilit des spreads pour tous les vnements de crdit autre que dfaut, nous avons pos iR = 0 pour i = 1,L,7 et 8 R 0 (dfaut), c'est--dire puisque nous utilisons les estimations de Carty et Liebermann 1996, 8 R = 25,45% . Lhistogramme de la distribution des pertes (Figure 2.5) montre une distribution asymtrique et leptokurtique (queue paisse) gauche, c'est--dire du ct des pertes. Ce qui est bien loin dune distribution normale.

51

Figure 2.5 : Histogramme de la distribution des pertes du portefeuille constitu d'une

obligation note BBB

Probabilit de transition (%)

51,13 -56,42

83,64 -23,91

98,10 102,02 107,55 109,37 -9,45 -5,53 0 1,82

(V) (V)

La VaR 99% correspond la ligne B du tableau 2.8. En effet, le montant de la perte de cette ligne est telle que la probabilit cumule davoir une perte suprieure est 1,17 + 0,12 + 0,18 = 1,47% . Ceci correspond une VaR de 9,45 USD . Si nous avions admis lhypothse dune distribution normale des pertes potentielles, on aurait eu une estimation moins prudente, car on aurait eu: VaR 99% = 2,33 = 0,46 2,99 2,33 = 7,73 USD . La VaR reprsente lexigence de fonds propres conomiques.
2. Portefeuille constitu de deux instruments

Nous prenons maintenant le cas d'un portefeuille constitu de deux actifs de corrlation = 30% , lobligation BBB prcdente et une obligation senior non garantie note A de maturit 3 ans de taux de coupon 5% et de valeur faciale 100 USD . La matrice de transition du tableau 2.7 dcrit les transitions du portefeuille. Etant donne la valeur future de chaque instrument, la valeur future du portefeuille dans chacun des 64 tats sera dduite de la somme des valeurs des deux obligations chaque tat (tableau 2.9).

52

Tableau 2.9: Valeurs futures du portefeuille (USD)

Obligation A

Obligation BBB

AAA 106,59 215,96 215,78 215,25 214,14 208,61 204,69 190,23 157,72

AA 106,49 215,86 215,68 215,15 214,04 208,51 204,59 190,13 157,62

A 106,30 215,67 215,49 214,96

213,85

BBB 105,64 215,01 214,83 214,3 213,19 207,66 203,74 189,28 156,77

BB 103,15 212,52 212,34 211,81 210,7 205,17 201,25 186,79 154,28

B 101,39 210,76 210,58 210,05 208,94 203,41 199,49 185,03 152,52

CCC 88,71 198,08 197,9 197,37 196,26 190,73 186,81 172,35 139,84

D 51,13 160,5 160,32 159,79 158,68 153,15 149,23 134,77 102,26

AAA AA A BBB BB B CCC D

109,37 109,19 108,66 107,55 102,02 98,10 83,64 109,37

208,32 204,4 189,94 157,43

La valeur du portefeuille si les deux socits restent dans la mme classe de risque est

V = 213,85 USD . La volatilit et la moyenne de la perte individuelle de la firme 2 se calculent

en suivant le mme principe utilis pour la firme 1. Ainsi la volatilit individuelle de la perte est 2 = 1,49 USD . La perte moyenne attendue est 2 = 106,30 106,55 = 0, 25 USD ; il s'agit d'une perte ngative, donc d'un gain. La valeur de l'obligation A que telle que la probabilit cumule davoir une valeur suprieure soit de 1% est de 103,15 USD (transition BB). La VaR individuelle 99% est donc de 103,15 106,30 = 3,15 USD . Appelons respectivement pi et i les probabilits jointes de transition du tableau 2.7 et les

64 valeurs du tableau 2.9. La valeur moyenne du portefeuille est V = pi i = 213 ,63 USD . i =1
La perte attendue , la volatilit et la VaR de crdit 99% du portefeuille se calculent analytiquement de la mme manire que dans le cas un instrument, soit :

= pi (213 ,85 i ) = 213 ,85 213 ,63 = 0 ,22 USD ,

i =1

64

64 = pi i2 2 = 3,35 USD . i =1 La valeur future du portefeuille telle que la probabilit cumule davoir une valeur suprieure soit de 1% est de 204 ,40 USD (intersection entre la ligne B et la colonne A du tableau 2.9) La VaR 99% du portefeuille (perte maximale au seuil 99%) est donc de

53

204 ,40 213,85 = 9,45 USD . Nous constatons que la moyenne du portefeuille est la somme des moyennes individuelles, alors que pour la volatilit ou la VaR, la somme est infrieure la mesure applique au portefeuille Ceci est d leffet de diversification (ou de portefeuille) lie la corrlation imparfaite entre les deux actifs ( = 30% < 1 ). Certains analystes estiment galement les mesures marginales de risque. Le risque marginal d'un actif est la diffrence entre le risque mesur sur le portefeuille comportant l'actif et le risque mesur du portefeuille lorsque ledit actif est exclu. Il mesure la sensibilit du portefeuille l'actif. La VaR marginale de la firme 1 s'obtient en soustrayant la VaR individuelle de la firme 2 la VaR du portefeuille, soit 9,45 3,15 = 5, 20 USD . La volatilit marginale est 3,35 1,49 = 1,86 USD . Les mesures marginales sont infrieures aux mesures individuelles grce l'effet de diversification.
3. Cas gnral: portefeuille constitu de plus de deux instruments

Dans le cas dun portefeuille plus large, le calcul analytique de la VaR de crdit est difficile. Dans le cadre de l'chelle de notation utilise, il faudrait calculer 8 N probabilits jointes de transition et valeurs futures, soit 512 pour 3 metteurs. L'importance du nombre de valeurs calculer dpendra galement du nombre d'tats considrs. La dmarche de CreditMetrics consiste mettre en uvre des simulations de Monte Carlo. Il s'agit de simuler la valeur future du portefeuille travers une simulation de rendements normaux de chaque actif. Considrons un portefeuille constitu, en plus des deux firmes 1 et 2 prcdentes, d'un fime 3 qui met une obligation 2 ans de mme seniorit et valeur faciale que les deux autres, payant un coupon annuel de 10%. Les tableaux 2.6 et 2.9 dcrivent les seuils de transition et les valeurs futures des firmes 1 et 2. D'aprs les dveloppements antrieurs, les seuils et valeurs futures de la firme 3 sont:
Tableau 2.10: Valeurs futures et seuils de transition de la fime 3 Seuils de transition AAA AA A BBB BB B CCC Defaut Probabilit de transition 0,22 0,00 0,22 1,30 2,38 11,24 64,86 19,79 Valeur future Seuil de transition

116,2 116,1 116,1 115,7 114,2 113,7 105,6 55,1

2,86 2,86 2,63 2,11 1,74 1,02 -8,85

54

Supposons connue la matrice de corrlation entre les trois actifs. La premire tape de la mise en uvre des simulations est la gnration des scnarii de rendements des 3 actifs. La gnration d'un scnario consiste simplement simuler 3 variables alatoires de matrice de corrlation , et distribues suivant une loi normale. Pour ce faire, plusieurs techniques peuvent tre utilises, linstar de la dcomposition de Cholesky. Dans chaque scnario chacun des 3 nombres simuls reprsente le rendement futur de chaque actif. A partir des seuils de transition, ces rendements simuls sont transforms en notations de chacun des 3 metteurs, ce qui permet de dduire leur valeur. La valeur future du portefeuillle pour chaque scnario sobtient ensuite en faisant simplement la somme des valeurs des actifs. On pourra
1,0 0,3 1,0 par exemple avoir la configuration suivante pour = 0,3 1,0 0, 2 : 0,1 0, 2 1,0

Tableau 2.11: Rendements simuls, notations et valeurs correspondantes pour 10 scnarios

Rendements simuls Scenario 1 2 3 4 5 6 7 8 9 10 Firme 1
-0,7769 -2,1060 -0,9276 0,6454 0,4690 -0,1252 0,6994 1,1778 1,8480

Firme 2
-0,8750 -2,0646 0,0606 -0,1532 -0,5639 -0,5570 1,5191 -0,6342 2,1202

Firme 3
-0,68674 0,2996 2,7068 -1,1510 0,2832 -1,9479 -1,6503 -1,7759 1,1631

Notations correspondantes Firme Firme Firme 1 2 3

BBB BB BBB BBB BBB BBB BBB BBB A BBB A BBB A A A A A A AA A CCC CCC A Defaut CCC Defaut Defaut Defaut B CCC

Valeur (USD) Firme 1

107,6 102,0 107,6 107,6 107,6 107,6 107,6 107,6 108,7 107,6

Firme 2
106,3 105,7 106,3 106,3 106,3 106,3 106,3 106,3 106,5 106,3

Firme 3
105,6 105,6 116,1 116,1 105,6 116,1 116,1 116,1 113,7 105,6

Portefeuille
319,5 313,3 330,0 330,0 319,5 330,0 330,0 330,0 328,9 319,5

0,0249 -0,4642 0,3533 Source : CreditMetrics, JP Morgan

La procdure doit tre effectue un grand nombre de fois, par exemple 100 000, ce qui permet d'obtenir la distribution des valeurs et des pertes potentielles du portefeuille. A partir de l, on peut calculer la perte moyenne attendue, la volatilit des pertes ainsi que la VaR de crdit du portefeuille. La VaR 99% sobtient simplement en slectionnant la 99e percentile de la distribution, c'est--dire le montant de perte qui apparat en 99 000e position de la suite ordonne des 100000 observations.

55

DEUXIEME PARTIE: MISE EN APPLICATION DE CREDITMETRICS

56

CHAPITRE 3: APPLICATION SUR UN PORTEFEUILLE FICTIF

La prochaine tape aprs la prsentation des principaux concepts et procdures sous-jacentes au modle est sa mise en uvre pratique dans le logiciel dimplmentation, CreditManager. Cela passe notamment par une prise en main du logiciel. Pour commencer les travaux empiriques, nous considrons donc tout d'abord un portefeuille fictif, constitu de prts en blancs et d'obligations, y compris des contreparties ayant des notations moins bonnes que celles normalement autorises par la Banque. En plus de nous familiariser avec le fonctionnement rel de CreditManager (version 3.5.5.8 13), ces travaux empiriques sur un portefeuille fictif constituent un premier pas vers l'indentification des diffrentes sources d'information pour les principaux paramtres exognes du modle y compris leurs mthodes destimation, ce qui sera d'une importance capitale lors de la mise en uvre sur un portefeuille rel. Ainsi, nous examinons la sensibilit du modle certaines hypothses, de mme que l'impact de certains facteurs de risque sur la VaR de crdit. Avant de prsenter les rsultats de cet exercice, nous commencerons par une tude dtaille des donnes exognes ncessaires la mise en uvre du modle: identification des sources d'information et ventuellement les mthodes destimation. Ensuite, nous dcrivons succinctement le processus de collecte dinformations pour nos analyses, notamment la construction du portefeuille fictif et la saisie des informations dans le logiciel.
I. LES DONNEES DE MARCHE

L'un des problmes cruciaux dans la quantification des risques est la collecte des donnes ncessaires pour alimenter les modles (Sardi, 2004). CreditManager est aliment par des donnes de march qui doivent en principe tre rgulirement mises jour et de manire automatique. En plus des donnes de march de la date courante, l'historique de donnes pour les 375 jours ouvrables prcdents est disponible dans le serveur. Ainsi, une modification de la date d'analyse entranera une prise en compte des donnes de la nouvelle date lors des calculs. Dans la version actuelle du logiciel les mises jour automatiques ne sont pas encore possibles, et les donnes de march stockes dans le serveur correspondent la priode comprise entre le 06 juillet 2006 et le 09 juillet 2007. Les donnes de march prises en entre par le logiciel sont : les indices MSCI pays/industries, les matrices de transition, la

13

Actuellement disponible dans une version test

57

structure par terme des spreads en fonction de la classe de risque, les taux de change ainsi que la structure par terme des taux d'intrt en fonction de la devise.
1. Les indices boursiers MSCI pays/industrie

Dans le modle CreditMetrics, la structure des corrlations entre les diffrents instruments du portefeuille est dduite de la structure des corrlations entre rendements des actifs des entreprises emprunteuses. Puisque ces dernires ne sont pas directement observables, le modle suppose quelles sont dcrites par les rendements des actions des metteurs, lesquels peuvent tre reprsents par des indices de march. Les indices de march utiliss par dfaut dans CreditManager sont les indices boursiers Morgan Stanley Capital International (MSCI), calculs comme leur nom l'indique par Morgan Stanley Capital International Inc. Les indices MSCI sont pondrs en fonction de la capitalisation boursire des principales valeurs les composant, sur la base du cours de clture de ces dernires. Lindice MSCI mondial reflte la valeur des principales actions de 23 pays conomiquement dvelopps dAmrique, Europe, Extrme Orient et Ocanie. Le MSCI marchs mergents mesure la performance des marchs boursiers de 26 pays dAfrique, dAmrique, dAsie de dEurope conomie dite mergente. Lindice MSCI pour lEurope, lAustralasie et lExtrme Orient contient les titres des mmes pays que lindice MSCI mondial moins le Canada et les Etats-Unis, et reflte la valeur des principales actions des bourses dEurope, dOcanie et dExtrme Orient. Ces indices gnraux MSCI peuvent tre dsagrgs pour donner des indices spcifiques un pays ou une rgion du monde, et dsagrgs par pays/rgion pour donner des indices spcifiques chaque secteur/industrie. Par exemple, l'indice MSCI FR reflte la valeur des principales actions cotes sur le march boursier franais, tandis que l'indice MSCI FR Bank reflte celle des actions des principales banques cotes sur le march financier franais. Dans le cas o la disponibilit de lhistorique dun indice est interrompue, tous les metteurs qui lui taient affects dans CreditManager sont automatiquement raffects l'indice gnrique jug le plus convenable. Par exemple, en cas d'indisponibilit de l'indice MSCI FR nergie, tous les metteurs correspondants seront par dfaut affects l'indice pays MSCI FR. Si un indice gnrique disparat totalement de la base, l'affectation attribue par dfaut dans CreditManager est l'indice gnrique MSCI USA. A cause des droits de redistribution, la valeur de ces indices ne peut pas tre affiche; CreditManager affiche uniquement une liste contenant le nom des indices disponibles, avec les dates de dbut et de fin de l'historique de

58

donnes. Actuellement, la srie s'tend du 30 mars 2005 au 04 juillet 2007. Sur la base de ces donnes historiques, ainsi que la sensibilit de chaque metteur un facteur, les corrlations entre titres du portefeuille sont dduites. Il est prvu que l'actualisation des indices MSCI dans CreditManager se fasse une frquence hebdomadaire.
2. Les matrices de transition

Les systmes de notation dfinis dans CreditManager permettent d'attribuer une note qui indique le risque de crdit inhrent chaque emprunteur. Il s'agit par dfaut des agences les plus importantes, Moody's et Standard and Poor's (S&P), mais l'utilisateur peut en dfinir d'autres: Fitch, systme de notation interne (annexe 6). L'volution de la situation financire des emprunteurs est mesure dans un systme de notation par le passage une note dfavorable (downgrade) et son amlioration par le passage une note favorable (upgrade). A partir des statistiques de changement de notation, ces agences de notation calculent des matrices de transition. Il s'agit des tables double entre qui mesurent la probabilit qu'un metteur ou instrument, appartenant une classe de notation initiale, passe dans une autre classe en cours de priode. Contrairement certains modles comme celui de KMV, le modle CreditMetrics ne calcule pas lui-mme les matrices de transition, mais ces dernires sont des paramtres exognes au modle. Dans CreditManager, une matrice de transition doit tre fournie pour chaque systme de notation. L'horizon de risque privilgi tant en gnral d'un an, les matrices un an sont fournies par dfaut; elles rendent compte des changements intervenus pour une note particulire entre le dbut et la fin de l'anne. Les matrices de transition un an Moody's et S&P sont construites par les agences de notation externe Moody's et Standard and Poor's. Leur frquence d'actualisation dans CreditManager est en principe d'un an, mais elle est subordonne la frquence de publication des agences de notation. L'estimation des probabilits de transition de la matrice de S&P est base sur un "static pools". Ces pools, constitus d'entreprises appartenant divers secteurs, sont forms le premier jour de chaque anne et sont suivis partir de ce point. Les membres du pool demeurent statiques, sauf dans les cas d'limination 14. Chaque anne, un nouveau pool est form, en intgrant les nouveaux metteurs. Les notations sont compares entre le premier jour et le dernier jour de l'anne et la matrice de transition est ainsi construite pour le pool par calcul des taux de transition. Pour chaque priode annuelle, le taux de transition exprime le rapport entre les metteurs dont la notation a chang en fin de priode
14

"Withdrawn ratings" en cas du remboursement intgral de la dette, ou alors en cas de fusion ou d'absence d'informations

59

et le nombre d'metteurs prsents au dbut de la priode. Il est calcul pour chaque notation initiale. Finalement, dans la matrice de transition un an fournie par S&P, la probabilit de transition est la moyenne des taux de transition annuels. Moody's utilise une approche dite par cohorte qui est similaire l'approche S&P mais dans laquelle il n'y a pas d'limination d'metteurs au cours du temps. Initialement, les matrices de transition Moody's prvoient donc une colonne "WR". Les probabilits de transitions sont galement obtenues en faisant une moyenne des taux annuels de transition. Puisque l'limination d'un emprunteur n'est pas directement lie une augmentation de son risque de dfaut, une matrice excluant les "WR" peut tre utilise sans crer de distorsion significative dans la description des transitions (Moody's, 1997). Une telle matrice est obtenue par rpartition entre les autres catgories de la probabilit associe la colonne "WR", au prorata des probabilits de transition associes chaque catgorie. Les matrices de transition S&P et Moodys actuellement disponibles dans CreditManager sont celles de 2005, et les donnes utilises pour les moyennes datent de 1981 (S&P) et 1980 (Mood'ys). Dans ces matrices de transition (annexe 6), l'chelle de notation comporte 8 chelons (Moody's8 et S&P8) ou 18 chelons (Moody's18 et S&P18). A partir de ces matrices un an, il est possible dobtenir par des calculs analytiques des matrices de transition pour des horizons diffrents de 1 an (tableau 3.1). Pour les horizons suprieurs 1 an, il suffit simplement de faire une multiplication matricielle. Ce rsultat est tabli en formulant d'une part une hypothse markovienne des matrices de transition (les probabilits de transition tablies sur des donnes passes sont utilisables pour anticiper les migrations futures) et de leur stabilit au cours du temps (caractre de stationnarit ou homognit dans le temps). Par exemple, pour obtenir la matrice de transition S&P 2005 deux ans, nous partons de la matrice de transition un an M , laquelle nous ajoutons une ligne "D" pour passer du format 7 8 au format 8 8 . La matrice deux ans s'obtient en levant cette matrice au carr; le format 7 8 s'obtient ensuite par suppression de la ligne "D". Quant aux matrices de transition pour des horizons infrieurs 1 an, elles peuvent sobtenir par plusieurs mthodes. La premire mthode implique le calcul de la "racine carre" de la matrice 1 an. Si nous sommes par exemple intresss par une matrice 6 mois G , lidal consisterait trouver G tel que G 2 = M , c'est--dire G = M 1 2 . Calculer G revient donc calculer la racine carre de la matrice M et donc de ses valeurs propres ainsi que les vecteurs propres associs. Nous savons que toute matrice carre M de taille n admet n valeurs propres (non ncessairement distincts) avec les vecteurs propres correspondants. Dans le cas o M est symtrique, les

60

valeurs propres sont relles. Alors, si nous appelions P la matrice des vecteurs propres et D la matrice diagonale des valeurs propres, nous pouvons crire M = PDP 1 . Il a t dmontr que certaines matrices non symtriques l'instar des matrices de transition peuvent avoir, sous certaines conditions, une dcomposition similaire (BCE, 2006). Nous pouvons donc dduire G = M 1 2 = PD1 2 P 1 . L'existence de M 1 2 est assure si les valeurs propres de M sont toutes positives. Bien que cela ne soit pas toujours garanti, cette condition est en gnral vrifie pour les matrices de transition car elles sont "diagonaly dominant"(BCE, 2006), c'est-dire qu' chaque ligne de la matrice, les plus grandes probabilits observes sont celles de la diagonale. Le principal problme de l'application de cette premire mthode aux matrices de transition est que la matrice P des vecteurs propres peut contenir des valeurs ngatives et ainsi conduire une matrice M 1 2 qui n'est pas une matrice de transition valide car contenant des valeurs ngatives. Plus prcisment si dans une matrice de transition sur une priode on a deux notations N1 et N 2 telles que la probabilit de transition vers N 2 partir de N1 est nulle, il a t dmontr que la racine carre de la matrice de transition dans ce cas n'est pas une matrice de transition valide (Kreinin et Sidelnikova, 2001). Malheureusement, telle est la structure des matrices de transition bases sur des observations empiriques, puisque la probabilit de dfaut un an pour une notation initiale AAA est nulle, alors qu'elle est non nulle pour des horizons suprieurs (BCE, 2006). Si la racine carre de la matrice n'existe pas ou alors si elle n'est pas une matrice de transition valide, la mthode prcdente ne peut pas tre utilise pour obtenir des matrices moins d'un an. Une deuxime mthode consiste faire des approximations. C'est cette mthode qui est applique dans CreditManager. Ainsi, pour calculer la matrice de transition G pour un horizon court reprsentant une fraction h de l'anne ( h = 1 2 si l'horizon est de 6 mois), on suppose l'existence d'une matrice de transition hypothtique I gale la matrice identit, c'est--dire que la probabilit de garder la mme notation dans 1 an est gale 1, tandis que la probabilit de changer de notation est nulle. Alors, la matrice l'horizon h est une moyenne pondre de la matrice 1 an M et de I , soit
G = h M + (1 h ) I . Actuellement,

l'horizon maximal dans CreditManager est de 4 ans. Les matrices 4 ans ainsi que celles 3 mois, 6 mois, 2 ans et 3 ans ont t fournies dans le logiciel.

61

Tableau 3.1. Matrices de transition S&P 2005 1 an, 2 ans et 6 mois (%) Notation initiale AAA AA A BBB BB B CCC Notation initiale AAA AA A BBB BB B CCC Notation initiale AAA AA A BBB BB B CCC 3. Notation finale (horizon 1 an) AAA AA A BBB BB B CCC D

91,42 0,61 0,05 0,02 0,04 0,00 0,00

7,92 90,68 1,99 0,17 0,05 0,06 0,00

0,51 7,91 91,43 4,08 0,27 0,22 0,32

0,09 0,61 5,86 89,94 5,79 0,35 0,48

0,06 0,05 0,43 4,55 83,61 6,21 1,45

0,00 0,11 0,16 0,79 8,06 82,49 12,63

0,00 0,02 0,03 0,18 0,99 4,76 54,71

0,00 0,01 0,04 0,27 1,20 5,91 30,41

Source: CreditManager

Notation finale (horizon 2 ans) AAA AA A BBB BB B CCC D

83,62 1,11 0,10 0,04 0,07 0,00 0,00

14,43 82,44 3,64 0,38 0,11 0,11 0,02

1,57 14,43 84,00 7,43 0,73 0,43 0,52

0,25 1,57 10,67 81,40 10,10 1,00 0,85

0,12 0,16 1,03 7,96 70,68 10,40 2,81

0,02 0,21 0,37 1,76 13,56 69,16 17,45

0,00 0,04 0,07 0,35 1,76 6,60 30,54

0,00 0,04 0,12 0,68 2,99 12,30 47,81

Source: CreditManager

Notation finale (horizon 6 mois) AAA AA A BBB BB B CCC D

95,71 0,30 0,02 0,01 0,02 0,00 0,00

3,96 95,34 0,99 0,08 0,02 0,03 0,00

0,26 3,95 95,72 2,04 0,13 0,11 0,16

0,05 0,30 2,93 94,97 2,90 0,18 0,24

0,03 0,02 0,22 2,27 91,80 3,11 0,72

0,00 0,05 0,08 0,39 4,03 91,25 6,32

0,00 0,01 0,02 0,09 0,49 2,38 77,35

0,00 0,00 0,02 0,14 0,60 2,95 15,21

Source: CreditManager

Les taux de change des diffrentes devises

Il s'agit des taux de change des devises par rapport au Dollar amricain cot l'incertain. Ils sont fournis par Reuters et sont actualises une frquence quotidienne (annexe 7).
4. La structure par terme des spreads de crdit et des taux sans risque

Le spread est une prime demande par le march pour prendre en charge les risques inhrents l'instrument de crdit (Gourrieroux et Tiomo, 2007). Il s'agit d'un cart de taux actuariel entre le crdit considr et un crdit sans risque. Par exemple, la cotation d'une obligation corporate peut se faire directement en spread par rapport au taux de rfrence. Ce spread varie suivant le risque de crdit de l'emprunteur, c'est--dire sa capacit honorer ses

62

engagements financiers, et par ricochet sa notation. A chaque date il est possible d'avoir dans CreditManager la structure par terme des spreads par classe de risque. Il en est de mme pour les taux de rfrence: les taux d'Etat (GOVT) et les taux LIBOR 15 (annexe 12). Les taux d'Etat sont ceux applicables aux emprunts faits par les gouvernements en leur propre devise. Par exemple les taux d'Etat US sont ceux auxquels l'Etat amricain emprunte en dollars, tandis que les taux d'Etat franais sont ceux auxquels l'Etat franais peut emprunter en Euros. On fait souvent l'hypothse que ces taux ne reprsentent pas de risque de dfaut, en supposant qu'un Etat sera toujours capable de rembourser un emprunt contract dans sa propre devise en "faisant tourner la planche billets". Les taux LIBOR sont les taux d'emprunts des banques au moins notes AA. Ces taux sont dtermins, pour chaque devise, par le jeu de l'offre et de la demande sur le march interbancaire. Ils ne correspondent cependant pas une absence totale de risque puisque la faillite d'une institution note AA n'est pas totalement exempte de tout risque: si nous considrons en effet la matrice de transition un an S&P 2005, la notation AA implique un risque de dgradation de 8,7% et un risque de dfaut de 0,01%. Les taux LIBOR sont donc plus levs que les taux d'Etat. Pourtant les traders sur les marchs drivs considrent le taux LIBOR comme meilleur indicateur de taux sans risque que les taux d'Etat (Hull, 2007b). Pour chaque classe de risque, la somme du spread et du taux zro-coupon donne le taux qui sera utilis pour l'actualisation des flux futurs afin de calculer la valeur de march des pertes (gains) inhrents aux dtriorations (amliorations) de notation. Les sources de donnes des courbes disponibles dans CreditManager sont Reuters et RiskMetrics Group pour les courbes spread, et Reuters pour les taux zro-coupon. L'actualisation des courbes spread dans CreditManager doit se faire une frquence hebdomadaire et celle des taux zro-coupon une frquence quotidienne. Les spreads fournis par Reuters sont disponibles pour les secteurs Banque, Finance, Transport, Industrie et Services. Quant ceux fournis par Risk Metrics Group, ils sont calculs partir de la base des donnes actuelles d'missions domestiques sur les marchs obligataires europen et amricain, particulirement les obligations de l'Eurobond 16 Index (EBI) et celles du Corporate Debt Index (CDI), d'o les courbes suivant pour chaque systme de notation: EBI-Financial, EBI-General, CDI-Financial, CDI-General et CDI-Industrial.
London Interbank Offer Rate Un Eurobond est une obligation mise par une association de banques, et qui est gnralement achete et vendue en dehors du pays dans la monnaie duquel elle est rdige (Vernimmem, 2005).

15 16

63

II.

COLLECTE DES DONNEES

Par "collecte des donnes", nous entendons non seulement la recherche des diffrentes informations ayant servi la construction du portefeuille fictif sur lequel se sont effectues les exercices de simulation, mais galement la recherche et la saisie des paramtres exognes au modle relatives aux metteurs/emprunteurs ainsi qu'au crdit qui leur est attach.
1. Construction du portefeuille

Le portefeuille fictif considr ici est constitu de deux types dinstruments. D'une part, les prts en blanc (c'est dire non assorties de srets) auprs des banques commerciales, oprations les plus risques du march interbancaire en gnral et de la Banque de France en particulier. D'autre part des obligations fictives rcupres partir du systme d'informations financires Bloomberg. Nous nous sommes limit aux obligations et prts en blanc par souci de simplification car leur paramtrage dans CreditManager ncessite quasiment les mmes informations. Les prts en blanc du portefeuille ont t slectionns partir d'un portefeuille rel (portefeuille de ngociation + activit clientle) de prts en blanc. En effet, ils ont t rcuprs partir des rapports journaliers du systme Finance Kit qui retrace les caractristiques de lensemble des oprations de la Direction des Oprations Montaires (DOM), notamment les prts en blanc:nom, code, rating, pays de lentit, maturit, taux dintrt du prt. Afin de pouvoir utiliser directement les donnes de march disponibles dans CreditManager (06 juillet 2006-09 juillet 2007), nous avons retenu les oprations du 01/06/07 qui constitue galement notre date danalyse. Parmi elles nous avons retenu, pour simplifier le nombre d'oprations, 36 oprations de prt en blanc aux banques commerciales, d'chance rsiduelle suprieure ou gale 3 mois. Par souci de confidentialit, nous taisons le nom de ces contreparties relles Le portefeuille de prts en blanc ainsi constitu reflte celui de la Banque de France puisqu'il respecte la plupart des rgles limitatives pour les activits de prt en blanc (non or) : dure maximale de la maturit 6 mois et rating minimal A. Eu gard la rgle limitative sur le rating minimal (au moins A), ce portefeuille de prts en blanc est cependant peu risqu car constitu dmetteurs ayant une forte capacit respecter leurs engagements financiers. Afin de diversifier la structure de notre portefeuille en matire de qualit du crdit, et galement afin que nos analyses de sensibilit aient une porte plus gnrale, nous avons complt ce portefeuille de prts en blancs par un portefeuille supplmentaire de 40 obligations coupon

64

fixe de moins bonne qualit rcupres par une simple recherche partir du systme dinformations financires Bloomberg: 10 obligations notes BBB+, 10 BB, 10 BB-, et 10 CCC. Les principales caractristiques desdites obligations (coupon, maturit, devise) proviennent galement de Bloomberg. Les valeurs faciales ont t dfinies de manire arbitraire, sur la base des montants de prts du portefeuille rel de prts en blanc. En supposant laversion pour le risque de la Banque, nous avons suppos que le montant allou aux instruments de moins bonne qualit sera en moyenne infrieure celui allou aux instruments de bonne qualit et avons affect chaque obligation une valeur faciale gale la moiti de celle dun prt de mme devise et de taux dintrt comparable. Ntant pas des banques, la plupart des metteurs de ces obligations ne font pas partie des secteurs normalement autoriss dans les activits de la Banque. Il s'agit des cinq institutions financires: AXA, American Achievement Group Holding Corporation (AAC GROUP HLDG), General Motors Acceptance Corporation International Finance BV (GMAC INTL FIN BV), Realogy Corporation (REALOGY CORP) et Turanalem Finance BV (TURANALEM FIN BV). Le groupe international AXA (France) est spcialis dans lassurance et les services financiers, notamment la gestion dactifs. GMAC INTL FIN BV est une filiale de General Motors Corporation (USA), et fournit des services financiers divers (assurance, immobilier, automobile) dans prs de 40 pays du monde. AAC GROUP HLDG une filiale de Fenway Partners Inc. (USA), socit prive dinvestissement. REALOGY CORP (USA) offre des services immobiliers divers : franchise, courtage, dmnagement. TURANALEM FIN BV est une filiale de JSC 17 Bank TuranAlem (Kazakhstan) qui fournit les services de banque universelle. Les obligations mises par ces institutions sont dites "fictives" car ne refltent pas les activits relles de la Banque, d'o le "portefeuille fictif" ainsi constitu de 76 crdits issus de 22 entits, soit 36 prts en blanc et 40 obligations (annexe 8).
2. Saisie des informations dans CreditManager

Les donnes saisir dans CreditManager par lutilisateur sont les informations exognes concernant les metteurs (obligors) et les crdits qui leur sont attachs (exposures). Il s'agit galement de dfinir les lments de base (monnaie de rfrence, mthode de calcul des corrlations) prendre en compte lors du calcul des paramtres endognes (output) du modle.

17

Joint Stock Company, cest dire socit par actions ou Socit Anonyme (SA).

65

2.1.

Dfinition des configurations de base

Il s'agit notamment de prciser (annexe 9.1)la monnaie de rfrence, la date d'analyse, la date des donnes de march utilises (pricing date), l'horizon de risque, la plage de donnes des indices MSCI utiliss dans le modle facteurs ainsi que la frquence de ces donnes, le nombre et la mthode de simulations, la mthode de calcul des corrlations, la prise en compte ou non des cots de transaction, la mthode de valorisation des instruments du portefeuille, les lments prendre en compte dans le calcul du capital conomique, ainsi que les systmes de notation par ordre de priorit. Les diffrents calculs dans CreditManager sont alors effectus sur la base de cette configuration de base (report settings). La monnaie de rfrence est celle qui sera retenue dans tous les rapports de rsultats issus de l'application. Elle peut tre slectionne parmi la liste disponible dans la dfinition des taux de change (annexe 7). Nous avons choisi la monnaie de lEurosystme, l'Euro qui est galement la devise principale des reportings du SMO. La date d'analyse est celle partir de laquelle sont effectues les analyses. La dfinition de la date des donnes de march consiste spcifier une date dont les donnes de march du jour seront utilises pour les analyses. Les valeurs actualises ( la date d'analyse) des titres seront alors calcules en utilisant ces donnes de march. Les valeurs d'horizon des instruments, ainsi que les statistiques de risque, sont galement calcules l'horizon de risque sur la base des corrlations et des taux forward implicites issus de ces donnes de march. Les donnes de march doivent tre celles de la date comprise dans la plage des donnes disponibles dans le serveur de CreditManager, c'est--dire actuellement entre le 06 juillet 2006 et le 09 juillet 2007. Idalement, la date d'analyse et celle des donnes de march doivent tre identiques. Par exemple, si nous tions intresss par l'valuation du risque sur les 3 derniers trimestres de l'anne 2003, la date d'analyse et celle des donnes de march seraient le 31 mars 2003. Les deux dates peuvent cependant tre distinctes. En effectuant les calculs pour deux dates d'analyse distinctes et en gardant les mmes donnes de march, il est possible de voir les effets du temps sur le portefeuille, si on isole l'effet des donnes de march. Notre date d'analyse est le 1er juin 2007, et les donnes de march utilises sont celles de cette date. L'horizon de risque est la priode ( partir de la date d'analyse) pour laquelle les mesures du risque sont calcules. Nous avons choisi l'horizon conventionnel d'un an. La prcision ainsi que le temps de calcul des mesures du risque augmentent avec le nombre, ainsi que la mthode de simulations. Par rapport la mthode de Monte Carlo Standard, les

66

mthodes de rduction de la variance l'instar de l'Importance Sampling (IS) permettent d'obtenir des estimateurs de meilleure prcision. Dans CreditManager, le nombre de simulations peut tre compris entre 10 et 100 000. Dans cette premire tape de nos travaux empiriques, nous appliquons la mthode standard (dcrit la fin du chapitre 2) et retenons 1000 simulations. En effet, la mthode de simulations de Monte Carlo utilise par CreditMetrics pour le calcul de la VaR de crdit est proche du calcul d'un quantile l'aide du bootstrap paramtrique. Or 1000 rchantillonnages sont en gnral suffisants pour obtenir les quantiles bootstrap (Efron et Tibshirani, 1993). CreditManager propose deux approches pour le calcul des corrlations. La premire approche consiste supposer une fonction de distribution jointe ainsi qu'une structure de corrlation ad
hoc. Adquate pour les portefeuilles concentrs autour d'un petit nombre de lignes, cette

mthodologie s'avre peu favorable la simulation simultane d'un grand nombre de lignes. La seconde approche est celle du modle facteurs que nous avons dcrit dans le chapitre prcdent, les facteurs tant les indices MSCI. Bien que les procdures menant au calcul des corrlations soient plus lourdes avec cette seconde approche, elle a lavantage dutiliser des informations de march (la valeur des indices MSCI) disponibles sans interruption sur une longue priode. C'est cette deuxime approche que nous avons utilis. Les analyses peuvent tre effectues en utilisant deux mthodes de valorisation des instruments: l'approche par la valeur de march (market value approach), l'approche par la valeur comptable (book value approach), ou une approche mixte. La premire approche est utilise lorsque les changements de notation sont pris en compte dans le modle. Dans la book value
approach, l'valuation des actifs se fait en mode dfaut/non dfaut, c'est--dire en supposant

qu' l'horizon, soit la valeur de la dette (notionnel/valeur faciale) est perue en absence de dfaut, soit une somme recouvre est perue en cas de dfaut, en appliquant un taux de recouvrement au montant rclam. Dans cette seconde approche, les valeurs futures correspondant chaque notation de l'horizon (hormi le dfaut) sont identiques et gales la valeur de la dette. L'approche mixte consiste utiliser la premire approche la date d'analyse et la seconde l'horizon de risque. Nous avons choisi l'approche prconise par CreditMetrics, c'est--dire la premire approche. La dfinition des systmes de notation par ordre de priorit permet d'indiquer les systmes qui seront prioritairement utiliss dans le cas o un metteur est not par plusieurs agences de notation. Les ordres de priorit que nous avons dfini sont: S&P, Moody's et Fitch. En effet, les metteurs du portefeuille de prts en blanc sont nots par les systmes S&P et

67

Moodys, alors que ceux

du portefeuille dobligations sont notes suivant la Bloomberg

Composite Rating dont les chelles de notation sont similaires celles de S&P. Les cots de

transaction sont supposs nuls.

2.2. Les paramtres exognes relatifs aux emprunteurs

L'metteur (obligor) est par dfinition l'entit juridique avec laquelle est conclu le contrat de prt, c'est--dire le nom sur lequel pse le risque de crdit. Dans le cadre des activits avec les banques commerciales, lmetteur sera le Groupe bancaire ou au cas chant lentit bancaire auquel se rattache lmission ou le prt. Les paramtres exognes relatifs un metteur sont essentiellement (annexe 9.2): le nom, le type, la notation, le R et/ou la taille des actifs, les indices MSCI attribus. Le nom est un identifiant dfini par l'utilisateur pour chaque metteur, par exemple "ABN Amro" ou "Groupe Crdit Agricole". Il doit tre unique pour chaque metteur. Le type de l'metteur est choisi entre les trois types: banque, corporate et souverain. Toutes les contreparties de prts en blanc de notre portefeuille sont du type banque; tous les metteurs d'obligations l'exception de TURANALEM FIN BV sont tous du type corporate. La notation est celle attribue chaque metteur par un systme de notation. Les notations attribues aux contreparties de prts en blanc sont celles attribues par la Banque selon le principe du second best. Les notations des metteurs d'obligations ont t automatiquement slectionnes sur Bloomberg grce leur code ISIN 18. En fonction de son (ses)secteur(s) d'activit, tout metteur peut tre affect un ou plusieurs indices, avec des poids correspondants. Par dfaut il s'agit des indices MSCI correspondant au(x)dit(s) secteur(s); toutefois, la possibilit est offerte aux utilisateurs de fournir leurs propres indices. La somme des poids des indices doit tre de 100%. Dans le cas contraire, CreditManager effectue les ajustements ncessaires. Pour le moment, nous avons affect chaque metteur un seul indice. Le Kazakhstan ne faisant pas partie des pays couverts par les indices MSCI, nous avons affect lentit TURANALEM FIN BV lindice dun pays mergent dEurope, lindice MSCI RU (Russie). Le R d'un metteur mesure son degr de corrlation avec les indices de march (MSCI) reprsentatifs des secteurs auxquels il a t affect. Il reprsente galement la proportion de variance des rendements des fonds propres de l'metteur explique par lesdits indices. Une interprtation intuitive du R pour un metteur affect un seul indice est le carr du

68

coefficient de corrlation entre le rendement de ses fonds propres et le rendement de march; il doit tre compris entre 0 et 1. Si les rendements des fonds propres correspondent parfaitement ceux du march, le R de l'metteur sera de 1. Si au contraire ces rendements nont aucune corrlation avec ceux du march, son R sera gal 0. Pour dterminer la corrlation entre deux metteurs, CreditManager considre le R de chaque metteur avec son secteur. R est li la volatilit spcifique de l'metteur par la relation R 2 = (1 2 ) , et
12

permet le calcul des corrlations entre metteurs. Pour avoir la valeur de R, il suffit que l'utilisateur indique la valeur des actifs de l'metteur, information provenant de ses donnes financires et rendues disponibles par des sources publiques telles que Bloomberg. Le R est automatiquement calcul partir d'un modle sous-jacent reliant le R d'une firme emprunteuse et la taille A de ses actifs, et estim pour la premire fois par RiskMetrics Group sur la base des prix journaliers de 741 titres cots au NYSE 19 entre le 1er janvier 1999 et le 29 aot 2002 : 1 log 1 = log( A) (3.1) R Les estimations obtenues taient alors = 12,5832 et = 0,5105 . Ces coefficients sont rgulirement mis jour en fonction de la disponibilit des donnes. Nous avons utilis la valeur en USD des actifs des entreprises en 2006, issue des donnes financires disponibles sur Bloomberg. Il convient cependant de prciser que ce modle est simplement utilis pour avoir une estimation scientifique de R lorsqu'il n'existe pas d'autre moyen de l'estimer; il ne constitue donc pas une rponse dfinitive. Le guide de l'utilisateur de CreditManager suggre de prendre R=50% lorsqu'on ne dispose pas dinformation sur la taille des actifs, ce qui revient supposer que le rendement de l'indice explique au moins 50% des rendements des actifs des metteurs.
2.3. Les paramtres exognes relatifs aux emprunts

Le paramtrage des obligations et des prts dans CreditManager requiert quasiment le mme type dinformations (annexe 9.3). Les principaux paramtres sont : le nom de l'mission (exposure name), le nom du portefeuille concern par la position, le nom de lmetteur (obligor), la devise de lopration, la valeur faciale, la date de maturit, le type de coupon (fixe/flottant), le taux de coupon et sa frquence de versement (annuel, semi-annuel, trimestriel, mensuel), la
18 19

International Securities Identification Numbers New York stock Exchange

69

courbe de spread laquelle lexposition est rattache ainsi que la courbe de base associe pour la valorisation, la moyenne et lcart type du taux de recouvrement. Dans le cas o aucun portefeuille na encore t cr au pralable pour affecter lexposition, lutilisateur doit le faire, par exemple, "portefeuille fictif". Pour toutes les oprations, nous avons retenu la courbe des taux d'Etat comme courbe de base (annexe 12). Nous analyserons plus tard la sensibilit du modle au taux de rfrence. Par ailleurs, une courbe spread par classe de risque est disponible pour chaque systme de notation utilis pour noter lmetteur associ lexposition. Actuellement, seules les courbes en Euro (EUR), Dollar Canadien (CAD) et Dollar US (USD) sont disponibles. Puisqu'il ne s'agit que d'un exercice fictif, nous avons associ les oprations en Euro ou en devises dun autre pays de lEurope hors zone Euro (GBP, NOK, PLN) la courbe EBI-Financial-EUR (annexe 10.1) ; les autres ont t associes la courbe USD-Financial (annexe 10.2). Il est important de prciser que cette affectation serait inadmissible dans un cadre rel puisque les spreads varient en fonction des devises. Plusieurs tudes permettent davoir moyenne et cart-type des taux de recouvrement suivant la sniorit, et sont fournies par CreditManager (annexe 13). Cependant, lutilisateur peut luimme fournir ses taux de recouvrement. En se basant sur les recommandations du Comit de Ble, nous lavons fix 55% en moyenne, avec un cart-type de 0%. En effet, le dispositif rvis (juin 2004) du Comit de Ble sur la Convergence Internationale de la mesure et des normes de fonds propres recommande que "Dans le cadre de lapproche fondation, les crances de
premier rang sur les entreprises, emprunteurs souverains et banques non assorties de srets reconnues recevront une PCD 20 de 45 %", ce qui correspond un taux de recouvrement de 55%. Si un taux de

recouvrement de 55% reflte bien la qualit du crdit du portefeuille de prts, il reflte moins celui du portefeuille d'obligations qui sont de moins bonne qualit. Cependant pour simplifier cet exercice qui nous le rappelons n'est qu'une simulation de scnarios, nous retenons 55% pour toutes les oprations.
III. ANALYSES DE SENSIBILITE

Dans cette partie, nous esquissons tout d'abord une brve description du portefeuille utilis. Ensuite, nous mesurons l'impact des certaines hypothses sur les paramtres du modle sur la mesure des pertes du portefeuille, plus particulirement la VaR de crdit 99%. Lhorizon de risque retenu est 1 an. Les donnes de march utilises sont celles de la date danalyse, le 1er
20

Perte en Cas de Dfaut

70

juin 2007. La matrice de transition utilise est celle de S&P 2005. La distribution des pertes est calcule sur la base de 1 000 simulations de Monte Carlo. Le niveau de confiance des intervalles de confiance est de 95%. Tous les calculs se sont effectus dans CreditManager.
1. Description du portefeuille

Le portefeuille fictif est constitu de 76 prts et obligations issus de 19 metteurs (annexe 14).La valeur de march du portefeuille est de 3 838 862 324 au total, soit 2 808 705 723 pour les prts en blanc et 1 030 156 601 pour les obligations. Prs de 9 oprations sur 10 (88,5%) sont exprimes en Dollar amricain (USD) et en Euro (EUR). Cependant, 7 dentre elles sont exprimes en dautres devises : AUD (1), GBP(4), NOPK (1) et PLN(1). Lchance des instruments de crdit va de quelques mois pour les prts en blanc 43 ans pour les obligations. La distribution des pertes du portefeuille de crdit peut tre dcrite par les statistiques suivantes (tableau 3.1) : le montant de pertes attendues qui est reprsent par la perte moyenne, lcart-type des pertes qui mesure la dispersion autour de la moyenne, la perte inattendue ou VaR de crdit qui est gal au montant de perte qui ne peut tre dpass que dans une faible fraction des cas (par exemple 1% des cas pour un VaR 99%), de mme que l'Expected Shortfall (ES), perte moyenne conditionnelle cette perte maximale Les banques utilisent en principe les provisions pour couvrir les pertes attendues et le capital conomique pour couvrir les pertes inattendues. Deux estimateurs de la perte attendue sont proposs dans CreditManager : lExpected Loss (EL) qui sobtient en faisant la diffrence entre la valeur actuelle (CV, Current Value) et la valeur moyenne attendue lhorizon compte tenu de toutes les transitions possibles y compris le dfaut (MHV, Mean Horizon Value), et lExpected Loss from
Horizon Value (ELHV) qui est la diffrence entre la valeur attendue lhorizon si la notation

restait inchange (BHV, Base Horizon Value) et la Mean Horizon Value. L'EL est un estimateur bias de l'ELHV. En effet, appelons pi la probabilit de transition vers ltat i , y compris le dfaut ( d ) et Vi la valeur lhorizon en cas de transition vers i . Alors, nous avons:
ELHV = BHV MHV

= pi ( BHV Vi ) car
i

p
i

=1

= p j ( BHV V j ) + pd ( BHV Vd )
jd

71

= perte due aux changements de notation + perte due au dfaut

Et :
EL = CV MHV

= pi (CV Vi )
i

= pi (CV + BHV Vi BHV )

i

= pi ( BHV Vi ) + pi (CV BHV )

i i

= ELHV + pi (CV BHV )

i

= ELHV + perte due l'actualisation des flux l'horizon

En raison de ce biais, c'est l'ELHV qui est souvent utilise. Ainsi, parmi les huit banques centrales nationales de lEurosystme 21 reprsentes lune des confrences tenues Francfort sur lutilisation des modles de VaR de crdit dans les banques centrales (octobre 2006), les quatre banques centrales qui utilisaient CreditMetrics (Belgique, Espagne et Finlande) avaient retenu cette statistique pour estimer les pertes attendues de leur portefeuille. Cependant cette statistique est beaucoup moins prudente pour estimer la perte moyenne attendue: elle est de 134 millions si on utilise l'EL et 3 fois moins si on utilise l'ELHV.
Tableau 3.2 : Mesures de risque par type dinstruments et pour un horizon dun an (en

million EUR)
Statistique EL ELHV Standard deviation Credit VaR 99% Credit VaR 99,9% Credit VaR 99,99% ES 99% ES 99,9% ES 99,99%
Source : nos estimations

Portefeuille 134 52 67 182 266 348 213 305 377

Obligations 60 52 67 182 266 334 210 300 369

Prts en blanc 74 0 2 0 24 127 11 109 109

21

Belgique, Allemagne, Espagne, Finlande, France, Italie, Portugal et Pays Bas.

72

Le montant de pertes attendues permet de dduire le montant des provisions requises en couverture de ces pertes. Ainsi en considrant la premire dfinition de la perte attendue (EL), nous pourrions dire que le portefeuille ncessite environ 134 millions EUR de provisions pour couvrir les pertes attendues. Avec la deuxime dfinition, nous navons que 52 millions. La diffrence entre les deux dfinitions est due au fait que dans lEL, les flux sont actualiss la date initiale (danalyse), alors que lactualisation dans lELHV se font lhorizon. En fonction du niveau de confiance retenu, le capital ncessaire pour couvrir les pertes inattendues varie entre 5% et 9% de la valeur de march du portefeuille. De mme, si nous retenons la 2e dfinition de la perte attendue, le montant de capital ncessaire pour couvrir les pertes attendues reprsente 3 63 fois le montant de provisions, en fonction du seuil de confiance choisi. Nous notons que la perte attendue est une mesure additive : en effet, la perte attendue du portefeuille est toujours gale la somme des pertes attendues des obligations et prts en blanc. Autrement dit, les pertes attendues ne subissent pas linfluence des corrlations entre actifs ; elles ne peuvent donc pas tre rduites par la diversification. A l'inverse, les corrlations semblent trs importantes pour les mesures de dispersion comme la VaR, l'ES et lcart-type car ces mesures ne sont pas additives. Dans ce cas, la contribution dun metteur la perte inattendue du portefeuille ne sera pas forcment gale la valeur individuelle de son cart-type ou de sa VaR. Il est donc possible de rduire la perte inattendue dun portefeuille par la diversification. Ainsi, lcart-type du portefeuille est infrieur la somme des carts-types des types dinstruments : on parle de sub-additivit. Cette proprit de sub-additivit ne sera pas toujours vrifie pour la VaR ; en particulier il sera parfois possible que la VaR du portefeuille soit suprieure de la somme, ce qui fait dire qu'elle n'est pas une mesure cohrente du risque au sens d'Artzner. La sub-additivit de la VaR est particulirement accentue pour les portefeuilles dont le rendement a une distribution discrte ou queue paisse, linstar des portefeuilles de crdit (BCE,2006). Il serait naturellement prfrable dutiliser une mesure du risque qui encourage la diversification, par exemple lExpected Shortfall (ES). Cette statistique mesure l'importance espre de la perte lorsque celle-ci est importante (Gourieroux et Tiomo, 2007), c'est--dire lorsquelle dpasse un certain seuil, par exemple 99%. A l'inverse de la VaRn cette mesure possde vrifie la sub-additivit, ce qui en fait une mesure cohrente du risque au sens d'Artzner et al. (1999). Malgr tout, la VaR reste pour le moment plus utilise dans les banques que lES car plus facile comprendre que lES (BCE, 2006).

73

2.

Sensibilit des pertes du portefeuille aux paramtres du modle

Nous avons fait varier diffrents paramtres fondamentaux du modle et examin l'impact sur les mesures du risque du portefeuille. Plus prcisment, nous avons examin la sensibilit du modle aux corrlations, la matrice ce transition ainsi que le taux d'intrt de rfrence.
2.1. Hypothse d'indpendance des risques

Dans le modle de base, les corrlations sont dduites d'un modle facteurs bas sur l'affectation des metteurs certains indices de march. Ici, nous estimons les pertes du portefeuille en supposant que les risques ne sont pas corrls, en d'autres termes que leur volatilit est constitue 100% de la composante spcifique 2 . Puisque R 2 et 2 sont lis par la relation R 2 = (1 2 ) , il nous suffit pour cela de supposer R 2 = 0 pour tous les
12

metteurs. Comme l'on pouvait s'y attendre, les pertes attendues ne sont pas affectes par les hypothses sur les corrlations (tableau 3.2). En effet, la perte attendue calcule sous hypothse d'indpendance est la mme que celle calcule sous le modle de base (c'est en dire en prenant en compte les corrlations). L'impact sur les mesures de dispersion (VaR de crdit, ES et cart-type), et donc sur le capital conomique requis est plus important. Puisque l'hypothse d'indpendance nglige le risque de corrlation, ces mesures sont moins importantes avec l'hypothse d'indpendance. Pour obtenir les intervalles de confiance de la moyenne et de l'cart-type nous procdons par les mthodes classiques. En effet, les mthodes de Monte Carlo permettent de d'appliquer la loi des grands nombres ainsi que le thorme central limite. Ainsi, les intervalles de confiance I1 et I 2 de la moyenne m et de l'cart-type d'une variable alatoire X au niveau de confiance (1 ) sont respectivement:
n I1 = X n n u 2 ; X n + n u 2 et I 2 = n n 1 + u1 2 n 2n

2n 1 + u1 2

n sont respectivement la moyenne et l'cart-type empiriques estims partir d'un O X n et

chantillon de taille n , u est le quantile d'ordre de la loi normale standard. Les intervalles de confiance de la VaR sont calculs par CreditManager suivant une mthodologie prsente dans le document technique de CreditMetrics.

74

Tableau 3.3 : Comparaison des mesures du risque avec et sans hypothse d'indpendance (en

million EUR)
Statistique EL ELHV Standard deviation Credit VaR 99% Credit VaR 99,9% Credit VaR 99,99% ES 99% ES 99,9% ES 99,99%
Source : nos estimations

Prise en compte des corrlations 1363% 528% 674% 1823% 26618% 3484% 213 306 383

Hypothse dindpendance (R=0) 1343% 528% 634% 13010% 16210% 2621% 167 262 262

La prise en compte des corrlations dans le modle ( R 0 ) permet donc de mettre en vidence le risque de concentration du portefeuille. Le risque de concentration du portefeuille est celui encouru si trop de crdits sont accords un mme emprunteur ou un groupe d'emprunteurs ayant des profils proches, c'est--dire corrls. La diffrence entre les pertes estimes en prenant en compte les corrlations et celles estimes sous hypothse d'indpendance traduisent donc la contribution de la composante systmatique du risque sur le risque de concentration du portefeuille. En admettant que la corrlation entre indices est en gnral positive (Bucay & Rosen, 1999), l'effet de diversification sera d'autant moins lev, et le risque de concentration d'autant plus important que le R 2 sera important car il s'agit d'une composante systmatique qui n'est pas diversifiable. Nous concluons donc qu'en mettant en vidence le risque de concentration, les corrlations, ont un grand impact sur la perte inattendue du portefeuille, particulirement la VaR de crdit, et donc sur le capital conomique. L'hypothse d'indpendance conduirait une sous-estimation du capital requis pour couvrir les pertes inattendues. Il reste que la corrlation des risques est la partie du modle dont l'estimation est la moins aise, car ces corrlations ne sont pas directement observables et doivent tre infres partir de corrlations observes (rendements d'indices ou d'actions). Cette hypothse reste une hypothse forte car nous avons obtenu la structure suivante de corrlation pour pour les metteurs d'obligation:

75

Tableau 3.4: Corrlations (%) entre metteurs d'obligations AAC AXA GMAC REALOGY TURANALEM
Source : nos estimations

AAC 1,00 4,13 5,47 3,72 3,1

AXA

GMAC

REALOGY

TURANALEM

1,00 57,92 39,53 39

1,00 61,52 19,14

1,00 12,2

1,00

2.2.

Matrice de transition

Jusqu'ici, nous avons utilis la matrice de transition S&P 2005. Essayons de mesurer l'impact de l'utilisation des matrices de transition des autres agences de notation Moody's et Fitch. Que ce soit pour les pertes attendues ou pour les pertes inattendues, les rsultats estims avec les matrices de transition des trois systmes de notation sont relativement similaires (tableau 3.5). Cette similitude est loin d'tre surprenante puisque les matrices de transition publies par les diffrentes agences de notation sont issues d'estimations historiques, et en plus la notation des metteurs par ces agences se base sur des critres comparables (Bucay & Rosen, 1999). Par exemple, S&P privilgie la capacit de l'emprunteur respecter ses engagements financiers, tandis que Moody's privilgie sa situation financire (Sardi, 2004).
Tableau 3.5: Comparaison des mesures du risque calcules avec diffrentes matrices de

transition: S&P, Moody's et Fitch (en million EUR)

Statistique EL ELHV Standard deviation Credit VaR 99% Credit VaR 99,9% Credit VaR 99,99% ES 99% ES 99,9% ES 99,99%
Source : nos estimations

S&P 1363% 528% 674% 1823% 26618% 3484% 213 306 383

Moodys 1303% 479% 644% 1870% 24140% 36719% 212 301 379

Fitch 1393% 558% 694% 1856% 32011% 4023% 244 352 411

2.3.

Les taux dintrt de refrence

Additionn au spread, un taux dintrt de rfrence permet de dterminer les taux de march ncessaires pour le calcul de la valeur de march des instruments. De faon gnrale, les facteurs de risque de march et plus particulirement les taux d'intrt peuvent influencer le risque de crdit de deux manires. Premirement, les taux de march

76

ont une influence directe sur la valeur de march des instruments du portefeuille. L'influence peut tre de moindre importance pour les instruments taux flottant ou les prts car ntant pas en gnral valus en valeur de march ; elle est modre pour les portefeuilles d'obligations, mais trs importante pour les produits drivs l'instar des swaps (Aziz & Charupat, 1998). En second lieu, la modification des conditions de march est susceptible de modifier certains paramtres de crdit l'instar de la probabilit de dfaut, les corrlations ainsi que les taux de recouvrement (Bucay & Rosen, 1999). Dans CreditManager les taux LIBOR et dEtat sont les deux rfrences proposes. Nous avons donc estim les pertes en prenant tour tour lun et lautre comme rfrence. Les paramtres de risque sont du mme ordre de grandeur (tableau 3.6). Autrement dit, le choix du taux de rfrence na pas de relle influence sur les mesures de risques calculs par le modle.
Tableau 3.6: Impact des taux d'intrt de rfrence (en EUR) Statistique EL ELHV Standard deviation Credit VaR 99% Credit VaR 99,9% Credit VaR 99,99% ES 99% ES 99,9% ES 99,99%
Source : nos estimations

GOVT 1363% 528% 674% 1823% 26618% 3484% 213 306 383

LIBOR 1353% 518% 674% 1813% 26610 3444% 213 305 383

3.

Impact des facteurs de risque sur les pertes du portefeuille

Dans cette partie, il s'agit de mettre en exergue l'influence des facteurs de risque traditionnellement identifis par la littrature sur la VaR de crdit. Nous prenons un niveua de confiance de 99%. Plusieurs facteurs de risques, ou paramtres de risque, et caractristiques de perte sont souvent attachs un crdit ou un portefeuille de crdit (Sardi, 2004):

Le rating initial de lmetteur/emprunteur, c'est--dire la classification du crdit dans une catgorie, un grade ou une note lissue dun processus dvaluation du crdit ;

Lvolution de la situation financire de lemprunteur qui se traduit dans un systme de notation par la transition, ou la migration, une catgorie infrieure (downgrade) ou suprieure (upgrade) ;

77

La probabilit de dfaut ; Lencours lors du dfaut ; La perte encourue en cas de dfaut ; Lchance du crdit ;

Il s'agit de vrifier si ces paramtres restent des facteurs de risque lorsque le risque de crdit est mesur par une VaR, c'est--dire sils ont un impact sur la distribution des pertes du portefeuille.
3.1. La notation initiale de lmetteur

La note attribue par une agence de notation est lexpression de la capacit de lmetteur respecter ses obligations financires. Ces notes sont rgulirement revues pour donner lieu des mises jour qui traduisent lamlioration de la qualit du crdit (upgrade) ou une dtrioration (downgrade). Pour mesurer l'impact de la notation initiale des metteurs sur VaR d'un portefeuille, nous imaginons deux scnarii. Dans un premier temps, nous supposons que la notation initiale de tous les metteurs dobligation augmente de deux crans (notches) : autrement dit, AAC et REALOGY passent de CCC BB, AXA passe de BBB+ AA+, GMAC passe de BB- A-et TURANALEM passe de BB A. Nous observons que la VaR du portefeuille dobligations passe de 182 millions EUR 59 millions EUR, soit diminution de 68%. En second lieu, nous supposons que la notation initiale des emprunteurs de cash diminue de deux crans. Nous observons une augmentation de la perte potentielle, qui passe d'une valeur nulle 61 EUR. Nous concluons donc que la VaR diminue lorsque la situation financire (le rating) samliore, et augmente lorsque la situation financire se dgrade (figure 3.2).

78

Figure 3.2 : Impact de la notation initiale

200 182

150 VaR99% (Million EUR)

100

VaR initiale VaR en cas de modification de la notation initiale

59 50

61

0 Portefeuille d'obligations Portefeuilles

0 Portefeuille de prts en blanc

3.2.

Lchance du crdit

La maturit de la crance est un facteur important de rduction du risque. Par exemple, si le risque de lemprunteur augmente, plusieurs option sont envisageables en cas dchance courte, notamment la suspension du prt, le renforcement des garanties ou laugmentation des taux. La dimension maturit a dailleurs t introduite dans lapproche interne avance de Ble II pour lestimation du risque de crdit. Nous considrons dans un premier temps un portefeuille constitu des 10 obligations AXA SA. Lanne de maturit pour ces obligations est 2049. Nous imaginons diffrents scnarii avec des chances de courte terme: 2009, 2012, 2015 puis 2018. Nous constatons que la VaR de crdit diminue avec l'chance, et ce dautant plus que cette chance devient courte. En effet, elle diminue de 21 millions EUR pour une maturit de 2049 10 millions (2018), 8 millions (2015), 6 millions (2012) et 1 million (2009). En second lieu, nous imaginons deux scenarii pour le portefeuille de prts en blanc. Dans le portefeuille initial, les chances des diffrentes oprations de prts en blanc est nous le rappelons, d'au plus 6 mois, et les contreparties sont tous de la catgorie investissement. D'une part, nous supposons des chances plus longues: 2 ans, 4 ans et 6 ans. Pour ces crdits de long terme te de bonne qualit, la VaR de crdit augmente avec l'chance, passant de 0

79

pour quelques mois, 4 million (2 ans), 8 millions (4ans) et 10 millions (6 ans). D'autre part, nous imaginons un autre scnario o leurs chances initiales sont maintenues quelques mois, mais leurs notations en leur sont de la catgorie spculative, de moins bonne qualit. Autrement dit, les contreparties appartenant initialement la classe de risque AA sont affectes la classe BB, et celles initialement notes A sont notes B. Malgr lchance rduite quelque mois, la VaR de crdit du portefeuille de la catgorie spculative reste largement suprieure la VaR de long terme du portefeuille de la catgorie dinvestissement, soit 170 millions EUR. Nous concluons donc que la VaR de crdit sur une crance court terme est en gnral moins importante que celle dune crance long terme sur deux emprunteurs de mme qualit. Cependant, une crance long terme sur un emprunteur de bonne qualit est moins risque quune crance courte terme sur un emprunteur de mauvaise qualit.
3.3. Le taux de recouvrement

Le taux de recouvrement aprs le dfaut est une information importante pour apprcier les risques dun emprunteur. En effet, il mesure la proportion du principal (et ventuellement les intrts courus) qui pourrait tre recouvre en cas de dfaut de lemprunteur. Il dpend entre autres de la sniorit de la dette, et permet de dterminer le taux de perte en cas de dfaut. Ainsi, limpact du taux de perte en cas de dfaut se dduit de celle du taux de recouvrement. Pour mettre en vidence limpact du taux de recouvrement sur la VaR de crdit, nous avons examin plusieurs scnarios, en faisant varier le taux de recouvrement entre 0% et 100%, et supposant pour simplifier que ces taux sont constants pour tous les types dmetteur. Les taux de recouvrement utiliss pour les diffrents scnarii sont issus des tudes rpertories dans l'annexe 13. Nous avons les rsultats attendus (figure 3.3) savoir une diminution du risque avec le taux de recouvrement. La VaR de crdit passe en effet de 182 millions pour un taux de recouvrement de 55%, 338 millions pour un taux de recouvrement nul et 58 million pur un taux de 100%.

80

Figure 3.3 : Impact du taux de recouvrement

400

350

300

250 VaR99%

200

150

100

50

0 0 15 21 28 35 55 63 65 71 100 Taux de recouvrement (%)

81

CHAPITRE 4: APPLICATION SUR LE PORTEFUILLE DES PRETS EN BLANC AUX BANQUES COMMERCIALES DE LA BANQUE DE FRANCE

Jusqu' prsent il a t question de cerner la thorie sous-jacente au risque de crdit ainsi que les modles de risque, plus particulirement le modle CreditMetrics. A travers un exercice de simulation, nous avons galement tudi la sensibilit de ce modle divers paramtres. Puisque les limites en VaR de crdit sont appeles suppler celles en Equivalent Risque de Credit (ERC) actuellement dtermines la Banque, ces exercices de simulation ont galement consist examiner la sensibilit de cette mesure (la VaR de crdit) aux diffrents facteurs de risque traditionnellement identifis par la littrature. Il s'agit maintenant d'utiliser toutes les connaissances acquises dans le cadre de ces travaux thoriques et empiriques pour valuer le risque de crdit du portefeuille de la Banque de France. Nous nous intressons principalement la VaR de crdit: la notion de "risque" dsignera donc trs souvent la VaR de crdit. Nous nous restreignons ici au secteur des banques commerciales, plus prcisment aux oprations de prts en blanc (c'est--dire non assorties de srets) qui constituent les oprations les plus risques de la Banque. Nous commenons tout d'abord par une prsentation des estimations du risque du portefeuille. Ensuite, nous proposons une mthodologie pour le calcul d'une limite en VaR. Nous passons enfin en revue quelques hypothses du modle qui peuvent constituer un risque de modle.
I. EVALUATION DU RISQUE DE CREDIT DU PORTEFEUILLE

Nous avons appliqu l'approche CreditMetrics pour l'valuation du risque de crdit feuille de prts en blancs de la Banque. L'horizon de risque retenu est un an. Un horizon d'un an peut tre considr comme pertinent car il correspond galement au rythme de production des tats financiers, lhorizon de gestion pour la Banque si elle doit cder des actifs et recourir aux marchs (Banque de France, 2005). Le portefeuille est constitu d'oprations de prts en blanc au 1er juin 2007, et les donnes de marchs utilises sont galement celles de cette date. Les mesures de risque sont alors calcules sous hypothse de composition fixe du portefeuille. Le systme de notations utilis est celui de S&P 17 catgories. La devise de rfrence est celle de l'Eurosystme, l'Euro (EUR). Nous donnons tout d'abord un aperu du portefeuille, en prcisant les principales conventions retenues pour nos calculs. Les

82

principales mesures statistiques du risque, telles que calcules dans le logiciel CreditManager, seront ensuite prsents en dtail.
1. Description du portefeuille utilis

Dans le cadre de son activit clientle la Banque accorde des prts aux banques commerciales, notamment pour leur refinancement. Selon l'approche en ERC actuellement utilise pour le suivi du risque de crdit de la Banque, les prts en blanc constituent les instruments les plus risques des oprations avec les banques commerciales. En effet le 28 fvrier 2008, les consommations de limites (en ERC) des prts en blanc consentis aux banques commerciales reprsentaient plus de 10 milliards d'Euros contre moins de 2 milliards en moyenne pour les autres instruments autoriss du secteur (SMO, 2008). Le portefeuille initial est le mme partir duquel ont t slectionnes les oprations du portefeuille fictif utilis dans le chapitre prcdent: le fichier des oprations journalires issues du systme Finance Kit. Initialement, il tait constitu de 143 oprations. Nous avons exclu les contreparties autres que les banques commerciales, la Banque d'Angleterre qui est une banque centrale et la Banque des Rglements Internationaux qui est un organisme supranational. Nous avons ensuite regroup les oprations ayant les mmes caractristiques (contrepartie, devise, maturit, taux d'intrt), pour finalement arriver un portefeuille de 125 oprations de prts en blanc (annexe 15) accords 24 entits bancaires (Obligors dans CreditManager). Par souci de confidentialit, ces contreparties seront dsignes par des lettres. Lors de la saisie des donnes du portefeuille rel, il nous a donc suffit d'ajouter 89 oprations aux 36 dj saisies lors de l'exercice de simulations. Pour rester cohrent avec le type d'institutions financires autoris par la Banque (institutions financires bancaires) nous avons affect chaque contrepartie l'indice MSCI Bank de son pays d'origine (annexe 16). A l'inverse des titres comme les obligations, les prts en blanc n'ont pas vocation tre ou pouvoir tre changes tout moment sur un march financier. Elles sont destines rester dans le bilan de la banque jusqu' leur extinction. Leur valorisation en valeur de march (mark-to-market) a donc moins de sens et moins d'intrt pratique. Pour cette raison, nous avons opt pour une valorisation en book value (valeur nette comptable). Suivant cette approche, la valeur de l'engagement l'horizon est non plus la valeur de march du titre sousjacent comme dans l'approche mark-to-market, mais l'encours maximal susceptible d'tre perdu en cas de dfaillance de la contrepartie: le nominal plus les intrts. Dans ce cadre, deux scnarii sont envisageables l'horizon: soit la contrepartie fait dfaut et la banque peut

83

rcuprer une fraction (taux de recouvrement) de cette exposition, soit elle ne fait pas dfaut et le crdit garde sa valeur. Cette approche peut donc s'assimiler un modle deux tats (dfaut/non dfaut). Les valeurs futures des diffrents crdits ne sont donc pas affectes par les mouvements de la courbe des taux. Du fait de cette absence de l'influence de la courbe des taux, les deux estimateurs proposs par CreditManager pour estimer la perte moyenne (EL et ELHV) sont gaux. Si en terme d'interprtation l'approche prsente un intrt certain dans le cas des prts, il va s'en dire qu'elle l'est moins pour les oprations de march car leur valeur future et donc les pertes potentielles y affrentes subissent l'influence des taux de march. La valeur totale de l'exposition du portefeuille est de 9 340 953 771 EUR. Prs de 7 contreparties sur 10, reprsentant 73 % de l'exposition totale, sont notes AA- ou AA. De mme prs de la moiti, qui reprsente en outre 58% de l'encours total, est d'origine Franaise ou Britannique. Par ailleurs, prs de 9 oprations sur 10 sont libells en EUR (5 sur 10) ou en USD (4 sur 10). Cependant, en terme d'exposition, les oprations en EUR ont plus de poids: 49% contre 10% seulement pour les oprations en USD. De plus, 11 oprations sont galement libells en GBP (9) et en AUD (2), mais reprsentent une fraction ngligeable de l'exposition totale (9%).
Figure 4.1: Rpartition de l'ensemble des oprations et de l'exposition totale selon la devise
50% 42% 40% Poids (%) 49%

40%

30%

Nombre d'oprations Exposition

20%

10% 10% 7%

10%

2% 0% USD EUR Devise GBP

0%

AUD

Cette composition du portefeuille nous suggre a priori un risque de corrlation qui serait non seulement d une concentration dans le secteur bancaire, mais galement une concentration en devises et en rating.

84

2.

Principales mesures du risque de crdit du portefeuille

Sur la base de 10 000 simulations de Monte Carlo, nous avons estim les caractristiques de la distribution des pertes futures du portefeuille: la perte moyenne attendue, l'cart-type, la VaR et l'Expected Shorfall (ES). Le niveau de confiance retenu pour les quantiles est de 99,99%. Pour avoir des estimateurs ayant une meilleure prcision, nous avons choisi la mthode de simulation avec Importance Sampling. En gnral le niveau de confiance est choisi en fonction de laversion au risque de la banque et de sa notation cible. Cependant, compte tenu d'une part de l'volution de la VaR et l'ES du portefeuille tudi en fonction du seuil de confiance choisi (figure 4.2), et d'autre part des rgles d'extrme prudence qui doivent guider les oprations d'une banque centrale, nous n'avons pas retenu le seuil standard de 99,97% souvent prconis pour les grandes banques. En effet, Une VaR significative est observe partir du seuil 99,90%. Cependant entre 99,90% et 99,98%, la VaR ne possde pas la proprit de sous-additivit: la somme des VaR individuelles des contreparties est infrieure la VaR du portefeuille. Compte tenu de la prudence exige par la BRI par rapport la prise de risque des banques centrales, un niveau de confiance de 99,99% ne nous semble pas illusoire. Notons cependant une instabilit des deux mesures de la queue de distribution au-del d'un seuil de 99,90% (figure 4.2). En effet une modification marginale du niveau de confiance conduit des variations consquentes: pour l'ES et la VaR, la valeur passe du pratiquement du simple au double lorsqu'on modifie le niveau de confiance de 99,90% 99,99%.

85

Figure 4.2: VaR en fonction du niveau de confiance

Millions 900 800 700 600 500 VaR/ES 400 300 200 100 0 50,00 -100 Niveau de confiance (%) 56,00 62,00 68,00 74,00 80,00 83,00 85,00 88,00 91,00 94,00 97,00 99,00 99,99 ES VaR

La perte attendue du portefeuille est estime 340 830 EUR. La perte non anticipe, dans le scnario le plus pessimiste au seuil de confiance choisi 99,99% (c'est--dire suprieure la perte attendue dans 1 cas sur 10 000) est de 361 684 191 EUR, soit 3,9% de l'exposition totale du portefeuille. De mme, la perte moyenne attendue au dl de cette VaR (ES) reprsente 5,3% de l'exposition. L'utilisation de l'cart-type de la distribution pour estimer les pertes exceptionnelles du portefeuille aurait gravement sous-estim cette dernire car la VaR de crdit reprsente prs de 43 fois l'cart-type, ce qui est justifi par la nature asymtrique et leptokurtique de la distribution des pertes du portefeuille (figure 4.3). D'aprs la figure 2.5, cette dernire peut se dduire de celle des valeurs du portefeuille (en considrant les pertes comme des gains ngatifs).

86

Figure 4.3: Distribution des valeurs futures du portefeuille

densit

0.0e+00 8.0e+09

5.0e-09

1.0e-08

1.5e-08

2.0e-08

8.4e+09

8.8e+09

9.2e+09

Valeur du portefeuille (EUR)

La moiti des contreparties, parmi lesquelles les banques suspendues N, R et O, prsentent un risque nul (annexe 17). Par ailleurs, ces contreparties risque nul sont celles qui possdent les meilleures notations dans le portefeuille: cinq sont notes AA+ (N, P, R, U et Y) et sept sont notes AA (M, O, Q, S, V, W et X)
Tableau 4.1: Principales caractristiques de la distribution des pertes Mesure du risque Moyenne Ecart-type VaR ES
Source: nos calculs

Valeur (EUR)

340 830 8 374 131 361 343 361 494 129 891

% de l'exposition totale 0,0 0,1 3,9 5,3

Pour avoir une lecture plus fine du risque, nous pouvons utiliser des mesures supplmentaires. En premier lieu, la contribution de chaque contrepartie au risque du portefeuille (tableau 4.2). Cette mesure dite incrmentale peut tre calcule pour les diffrentes mesures de dispersion de la perte: VaR, ES et cart-type. Considrons un

87

portefeuille de taille N et un actif i du portefeuille dont le poids dans le portefeuille est xi . La contribution Ci de l'actif i la VaR du portefeuille ou VaR incrmentale correspond la part de la VaR associe cet actif, c'est--dire la perte attendue sur l'actif conditionnellement une perte sur le portefeuille gale sa VaR:
Ci = (VaR ) xi (4.1) xi

D'aprs le thorme d'Euler, la contribution est une mesure additive (car la VaR est une mesure de risque homogne). La contribution de l'actif l'cart-type ou l'ES se calcule de faon analogue. La contribution d'une contrepartie au risque du portefeuille peut se calculer soit en valeur absolue pour avoir une ide sur la concentration du risque, mais galement en pourcentage du montant de l'exposition pour analyser la contribution de chaque actif par rapport au montant de son exposition.
Tableau 4.2: Les 12 contreparties qui contribuent au risque (VaR, cart-type et ES) Valeur (million EUR) Contribution au risque du portefeuille (%) EcartVaR ES type 20,14 25,70 0,30 17,62 25,79 0,27 16,52 22,01 0,44 12,82 20,42 0,31 7,95 11,26 0,19 6,87 9,96 0,17 5,52 9,09 0,12 5,52 7,40 0,22 5,07 9,06 0,12 4,02 4,47 0,21 2,74 3,64 0,08 2,35 2,25 0,11

Contrepartie A B C D E F G H I J K L

rating

AAAAA+ A+ AAAAAAAAAAAAAAAA-

523 265 399 136 416 400 180 420 180 325 106 306

Les banques A, B, C et D enregistrent les contributions les plus leves la VaR du portefeuille. A l'exception de la banque D qui arrive en 4e position en termes de contribution au risque, les autres banques suspendues (G et J) ont une contribution faible au risque du portefeuille. Par ailleurs, nous notons que le risque est concentr entre les contreparties les moins bien notes (AA- et A+). La banque A reprsente en outre le niveau d'encours le plus lev, d'o une contribution qui reflte le niveau d'exposition. Cependant, la contribution de la banque B semble disproportionne par rapport au montant de son exposition. En effet elle possde la mme notation que les banques J et L, mais un encours infrieur. Pourtant, sa

88

contribution la VaR du portefeuille vaut 4 7 fois moins que celle des deux autres banques.
A priori, la contribution leve de la banque B ne serait donc pas lie au montant de ses

encours. Pour mieux comprendre, nous mesurons le risque par une approche marginale (figure 4.4). La VaR marginale d'un actif i correspond la sensibilit de la VaR du portefeuille au montant xi investit dans cet actif :
Cm = (VaR ) (4.2) xi

Dans le domaine des risques de march, cette mesure s'interprte de la mme faon que le cfficient bta du CAPM. La VaR marginale correspond l'effet induit sur la VaR d'une nouvelle transaction ou de son dnouement. Cette mesure rpond la question suivante: "quelle est la diffrence entre la VaR calcule avec et sans cette transaction?". Elle se mesure donc par la diffrence entre le risque du portefeuille avec et sans la contrepartie. Cette mesure est intressante pour mieux connatre l'impact d'une nouvelle position sur le risque du portefeuille. Elle peut galement se calculer en valeur absolue ou en pourcentage du montant de l'exposition.
Figure 4.4: VaR marginale (%) et valeur moyenne de l'exposition
14 13

R 12 i 11 s q 10 u e 9 M a r g i n a l %
8 7 6 5 4 3 2 1 0 0

B C G I A

K J

FE

RV

SOW
300

H U

Q
600

P
900 1200

M
1500

Valeur de l'Exposition(Million EUR)

Nous observons que les quatre contreparties ayant les plus grandes contributions au risque enregistrent galement des VaR marginales leves, probablement en raison d'une corrlation

89

plus leve avec le portefeuille. En effet, la VaR marginale des ces quatre contreparties est en moyenne de 12%, ce qui signifie que le risque du portefeuille augmenterait de 12 000 EUR si jamais l'encours de ces contreparties tait augment de 1million EUR en moyenne. Ces contreparties peuvent tre considres comme "atypiques" car elles sont la fois caractrises par un risque marginal lev, et un encours lev. La mesure du risque par une approche marginale permet de comprendre que le risque associ la banque A est non seulement li la grande valeur de son encours, mais galement une forte corrlation avec le portefeuille. Quant la banque B, le risque est principalement li sa grande corrlation au portefeuille. Pour que le portefeuille soit suffisamment diversifi et le risque rduit, les contreparties ayant un risque marginal lev doivent avoir des encours moins importants. Une mthode de rduction du risque peut galement consister les couvrir par des srets ou les swaper contre des contreparties comme les banques M, P, X ou Q dont le risque marginal est nul. En effet pour des derniers, le risque du portefeuille reste inchang mme si on augmente leur encours. Nous envisageons galement une mesure du risque suivant une optique risque/performance. L'indicateur de performance pour une contrepartie est la diffrence entre la valeur du crdit et la perte ventuelle due au dfaut, exprim en pourcentage de l'exposition. Si n'y a pas dfaut de la contrepartie, la Banque enregistre un gain conscutif au cumul des spreads perus. Au cas contraire, ce gain se rsume aux pertes inhrentes au dfaut, nettes de rcuprations ventuelles. L'indicateur de risque est la contribution la VaR, galement exprime en pourcentage de l'exposition. Nous introduisons donc un repre dans lequel chaque emprunteur est repr par deux caractristiques: sa performance et son risque (figure 4.5). Pour liminer tout biais sur la performance nous nous restreignons aux oprations exprimes dans la mme devise (EUR). Ainsi, parmi les contreparties les plus risques, la banque A ne figure pas parmi celles rpertories car ses oprations dans le portefeuille sont essentiellement en USD. La figure permet clairement de distinguer trois groupes. Le premier groupe est constitu de trois parmi les quatre premiers contributeurs au risque: B, C et D. Ces contreparties prsentent un risque lev pour un niveau de performance faible. Le deuxime groupe est constitu de cinq banques risque marginal nul (M, P, R, V et X): elles prsentent des performances moyennes pour un niveau de risque faible. Le troisime groupe est possde des caractristiques, c'est--dire des performances moyennes et un risque modr.

90

Figure 4.5: Analyse performance / risque

5. 8 5. 7

P e r f o r m a n c e

5. 6 5. 5 5. 4 5. 3 5. 2 5. 1 5. 0

KJ X V M R H

( % 4. 9 ) 4. 8
4. 7 4. 6

10

11

12

13

14

15

16

17

18

Risque (%)

Comme pour un portefeuille d'actions, la diversification exerce un effet positif dans un portefeuille de crdit. La diversification provient de la corrlation imparfaite entre les facteurs de risque, du fait de la consolidation des risques suivant divers critres: entits, pays, devises ou notations... En effet, si le portefeuille est suffisamment diversifi, le gestionnaire peut esprer que les situations dfavorables ne seront pas simultanment observes pour les diffrentes composantes. De mme, plus le portefeuille est large et diversifi, plus le risque idiosynchratique de chaque crance verra son effet sur la distribution des pertes du portefeuille diminuer. La VaR permet de mesurer cet "effet de portefeuille" qui reprsente une conomie de risque, donc de fonds propres. La perte moyenne attendue n'est donc pas concerne par cet effet car comme nous l'avons vu au chapitre prcdent, elle ne subit pas l'influence des corrlations. Nous avons calcul cet effet suivant quatre critres: les contreparties, le pays d'origine des contreparties ainsi que leur notations, de mme que la devise utilise dans les oprations. L'effet de diversification est alors obtenu en calculant l'conomie de risque due la diversification du portefeuille, estime par la diffrence entre la VaR du portefeuille en cas de corrlation parfaite de ses composantes (somme des VaR individuelles) et la VaR estime du portefuille. L'effet de portefeuille peut galement tre exprim en pourcentage de la somme des VaR individuelles. Comme l'on pouvait s'y attendre, le plus grand bnfice de la diversification provient de la consolidation des des risques des diffrentes entits et pays. En effet, le portefeuille en tire

91

respectivement 78% et 68% d'conomie de risque. Cet effet est bien plus faible lorsque les risques sont consolids par devise (30%) ou par rating (26%).
Tableau 4.3 : Mesure de la diversification Groupe Somme des risques individuels
1 610 889 228 1 135 080 805 516 589 732 489 302 951

Risque du portefeuille
361 343 361 361 343 361 361 343 361 361 343 361

Effet de diversification
1 249 545 867 773 737 444 155 246 371 127 959 590

Economie de risque (%)

78 68 30 26

Contrepartie Pays Devise Rating

Les simulations de Monte Carlo (MC) permettent d'estimer les pertes du portefeuille partir d'un nombre fini d'observations. Par consquent, les estimations ne sont pas trs prcises. De plus, cette prcision varie en fonction du nombre n de simulations mis en uvre et de l'approche de simulation. En effet, la prcision d'un estimateur MC est une fonction croissante de
n (Bucay & Rosen, 1999). Par ailleurs, par rapport une approche standard

les approche de rduction de la variance l'instar de l'Importance Sampling (IS) propose par CreditManager, augmente davantage la prcision des estimateurs MC. L'ide sous-jacente l'IS ou Echantillonnage par Importance est que certaines valeurs prises par une variable alatoire dans une simulation ont plus d'impact que d'autres sur l'estimateur recherch. Si ces valeurs importantes se ralisent plus souvent, la variance de l'estimateur peut tre rduite. La mthodologie de l'IS consiste donc choisir une distribution qui "encourage" ces valeurs importantes. Pour liminer tout biais inhrent cette distribution, les diffrentes simulations sont pondres afin d' obtenir un estimateur IS sans biais. Le poids affect chaque simulation est la densit de Radon-Nikodym de la vraie distribution par rapport la distribution biaise. Si cette distribution baise est bien choisie, l'IS peut conduire de notables conomies en temps de calcul. En appliquant l'IS, nous constatons que L'estimation de la perte moyenne est la mme quelque soit le nombre de simulations, ce qui n'est pas le cas pour les paramtres de dispersion comme la VaR. Lorsque nous doublons le nombre de simulations de 10 000 20 000, la valeur estime de la VaR varie en effet de moins de 1% , donc demeure dans l'intervalle de confiance 95% des valeurs calcules avec 10 000 simulations. Ceci prouve que 10 000 simulations suffisent pour faire les estimations.

92

Tableau 4.4: Estimations et prcisions des mesures du risque en fonction de la mthode de

simulation et du nombre de simulations (EUR)

Nombre de simulations 5000 10000 20000 30000 II. Sans Importance Sampling Moyenne Ecart-type VaR99,99% 7 411 504 249 485 887 340 83060% 1% 0% 7 371 182 249 485 887 340 83042% 1% 2% 8 700 451 359 160 107 340 83035% 1% 3% 8 832 628 249 485 887 340 83029% 1% 33% Avec Importance Sampling Moyenne Ecart-type VaR99,99% 8 855 121 374 597 387 340 83072% 2% 2% 8 374 131 361 343 361 340 83048% 1% 4% 8 700 451 359 160 107 340 83035% 1% 3% 8 859 115 374 597 387 340 83029% 1% 0%

PROPOSITION D'UNE METHODOLOGIE DE DETERMINATION DE LA LIMITE EN VAR

A l'heure actuelle, la gestion du risque de crdit sur les diffrents portefeuilles de la Direction des Oprations montaires (DOM) repose essentiellement sur la dfinition des critres d'ligibilit ainsi que la mise en place des limites de risque de crdit, fixes en autorisation d'encours suivant une approche par Equivalent Risque de Crdit (ERC). Cependant, ces limites sont fixes ex ante et il n'est pas possible, en dehors du suivi de la consommation des limites de crdit, de mesurer par un indicateur synthtique l'exposition relle du portefeuille au risque. Puisque le risque est la perte potentielle et non l'exposition, le systme actuel de fixation de limites envisage de suppler les limites sectorielles en ERC par une limite sectorielle en VaR, pour permettre un encadrement du crdit plus proche de la ralit. Nous proposons donc une mthodologie de calcul de cette limite en VaR de crdit. Pour bien cerner le contexte et l'enjeu, il importe tout d'abord de rappeler le cadre actuel de fixation des limites de crdit.
1. Le systme actuel de fixation des limites pour les prts en blanc

Actuellement, les limites de risque sont suivies en "Equivalent Risque de Crdit" (ERC). Concrtement, il s'agit de d'encadrer le crdit au niveau individuel pour chaque entit juridique ou groupe bancaire, en incluant toutes les activits autorises pour la contrepartie, puis au niveau global par activit.

93

Figure 4.6: Description de la fixation des limites de crdit en partant de la limite individuelle

de BNP Paribas

Le calcul de l'ERC dpend de l'instrument utilis. Pour les produits drivs ainsi que les pensions livres, la mthode de Ble est applique: l'ERC est la somme du cot de remplacement (valeur de march positive de l'instrument) et d'une majoration ("add on") correspondant l'exposition potentielle future lie aux variations de march, et exprime en pourcentage du nominal. L'ERC pour les produits drivs correspond un montant de prt de risque de crdit similaire. Pour les titres, l'ERC est gale l'exposition brute. Plus prcisment:

Pour les titres en portefeuille d'investissement, l'ERC est gale la valeur nominale (ces titres doivent en principe tre dtenus jusqu' chance);

Pour les titres en portefeuille de ngociation, l'ERC est la valeur de march (il n'ya pas de "add on" car ces portefeuilles sont trs liquides);

Pour les prts en blanc, l'ERC est gale la valeur nominale plus les intrts, c'est-dire la valeur maximale qui peut tre perdue en cas de dfaillance.

Pour les prts en blanc, la mesure de l'ERC est ensuite complte par un coefficient de pondration qui est fonction de la dure de l'opration. Comme le risque de crdit crot avec la maturit des oprations et que le risque de dfaut sur 15 jours des contreparties de

94

la Banque de France est trs faible (SMO,2007), l'ERC des prts en Blanc est affecte des coefficients suivants:
Tableau 4.5: Equivalent Risque de Crdit des prts en Blanc ERC en % du mominal (+ intrts courus) Dures rsiduelle de l'opration

50% 100% 150%

<15 jours Compris entre 15 jours et 3 mois Compris entre 3 mois et 6 mois (maturit maximale)

Par exemple, le montant de prts en blanc pour une limite individuelle de 500 millions EUR serait:
Figure 4.7: Exemple de montants de prts pour une limite individuelle de 500 millions EUR

La limite globale en ERC du portefeuille de la Banque est de 95 GEUR 22, calcul partir d'un encours nominal de 120 GEUR. Les limites sectorielles sont obtenues par rpartition de la limite globale de 95 GEUR en fonction du rating. La limite sectorielle des banques commerciales est de 20 GEUR, dont une limite globale de 13 GEUR pour les seuls prts en blanc. La limite individuelle par contreparties est enfin obtenue en divisant la limite sectorielle par une pondration qui dpend de plusieurs paramtres:

La notation, c'est--dire la probabilit de dfaut; Pour prendre en compte la diversification, l'encours sur une contrepartie doit tre infrieur 25% de ses fonds propres;

22

1 GEUR=1 milliard

95

La limite d'un groupe bancaire ne doit pas excder 20% de ses fonds propres; Pour les banques franaises, le montant de la limite est doubl en raison d'une meilleure apprhension du risque (SMO, 2007).

2.

Dtermination d'une limite en VaR de crdit

Dun point de vue mthodologique, les modles de VaR de crdit sont aussi indirectement utiliss pour la fixation des limites de crdit. A la Banque Centrale de Finlande par exemple, le systme de limite est dfini de sorte que la VaR de crdit du portefeuille global ne dpasse pas un seuil fix au pralable. De mme, la Banque de Belgique utilise la VaR de crdit pour dterminer les contraintes de risque, en particulier lors de lintroduction de nouveaux instruments. Nous proposons ici une mthodologie de calcul de la VaR pour la Banque de France. En effet, la VaR que nous avons prcdemment trouve est calcule sous hypothse de composition fixe du portefeuille. Elle ne prend donc en compte que les conditions du march valides au moment de son calcul, le 1er juin 2007. Pour en avoir une valeur maximale, c'est--dire une "limite" que le portefeuille ne devrait pas excder dans des conditions normales, il faut adopter une approche plus prudente. Nous prconisons donc la dmarche suivante. A partir du portefeuille rel, nous imaginons un portefeuille fictif dans lequel un seul prt est accord chaque contrepartie (annexe 18). Nous optons pour des oprations en EUR. Dans ce portefeuille fictif, toutes les caractristiques sont "satures", c'est--dire que :

La maturit de chaque opration est gale la maturit maximale autorise pour les

prts en blanc, c'est dire 6 mois. La date de maturit de toutes les oprations est donc le 31/12/07. Le taux dintrt retenu pour lopration est alors le taux 6 mois, obtenu partir des oprations de la contrepartie dans le portefeuille rel. Si une contrepartie n'a pas doprations 6 mois en EUR dans le portefeuille rel, nous lui associons un taux 6 mois dune contrepartie de rating similaire.

L'encours de chaque opration est gale au nominal d'un prt correspondant sa

limite maximale en ERC, sachant que pour un prt 6 mois nous avons:
Limite max en ERC = 150% nominal nominal = Limite max en ERC 150%

Les contreparties sont ainsi satures en partant de la contrepartie de moins bon rating celle ayant le plus bon rating, et nous nous arrtons ds que l'encours total du portefeuille constitu est gal au nominal correspondant un quivalent risque de crdit de 13 GEUR, soit :

96

13 150% 9 GEUR . En mettant en uvre 10 000 simulations de Monte Carlo avec

Importance Sampling, nous trouvons que le seuil de confiance partir duquel la mesure du risque de ce portefeuille devient significative est 99,9%. Cependant, cette mesure est alors de l'ordre de 127 MEUR 23; elle ne saurait reprsenter une limite car elle reprsente une perte exceptionnelle maximale gale 64% de moins que la valeur de la perte exceptionnelle du portefeuille rel. Au seuil 99,99%, nous obtenons cependant une estimation de 767 224 796 EUR, soit prs du double de la VaR du portefeuille rel. Cette estimation nous parat assez prudente pour reprsenter une limite en VaR de crdit pour le portefeuille considr.
Figure 4.8: Evolution de la limite en VaR en fonction du seuil de confiance
1200

Millions VaR/ES

1000

800

600 VaR ES 400

200

54

58

62

66

50

70

74

78

83 84 ,13

86

90

88

92

94

96 97 ,7 3

-200 Niveau de confiance (%)

Bien que cette mthodologie soit restreinte aux prts en blanc, elle reprsente un support mthodologique intressant pour l'extrapolation sur l'ensemble du portefeuille de la Banque. A l'instar du suivi journalier des "consommations de limites" en ERC, le suivi de la consommation de la limite en VaR pourrait se faire par une comparaison rgulire, par exemple mensuelle, de la VaR du portefeuille avec la limite en VaR. Bien entendu, la mise en uvre d'une telle procdure devra tre facilite par une automatisation, l'instar de ce qui est actuellement fait dans le systme Finance Kit pour le suivi des limites en ERC.

23

1MEUR=1million EUR

99 99 ,9

81

97

III.

LE RISQUE DE MODELE

La mthodologie CreditMetrics offre plusieurs avantages. En effet, elle permet de faire une extension de la notion de risque de dfaut. Gnralement attribu au seul risque de dfaillance (Gupton, Finger & Bhatia, 1997), il est tendu au risque de migration, le dfaut ntant quune transition possible. Ceci permet une valuation plus prudente du risque. De mme, le modle est simple mettre en uvre, permettant dobtenir une distribution des pertes en mode markto-market, ce qui correspond la vision dun gestionnaire crdit (Sardi, 2004). Il permet

galement de faire des simulations et de multiples tests. En plus, il prend en compte les risques de concentration, ce qui en fait un modle trs proche des exigences du comit de Ble. Cependant des tudes montrent que certaines hypothses sous-jacentes sont ncessairement simplificatrices de la ralit, ce qui constitue un risque de modle non ngligeable.
1. La stabilit des matrices de transition dans le temps et dans l'espace

Tout comme CreditRisk+, le modle CreditMetrics prsente linconvnient dtre bas sur le pass. Il suppose que le futur va reproduire le pass (stationnarit) et, la mthodologie retenue par les agences de notation tant d'estimer les probabilits de transition par une simple moyenne historique des probabilits de transition, il est peu ractif aux variations du march. Dune part, un tel systme bas sur le pass nest pas prospectif : il ne peut pas prendre en compte les chocs potentiels pouvant affecter les probabilits de transitions (Gourieroux & Tiomo, 2007). D'autre part, les taux de dfaut voluent en permanence, alors que les notations ne sont modifies que de temps en temps, avec retard. D'autre part, lanalyse des transitions au niveau agrg des classes de risque ne reflte quimparfaitement les spcificits dune entreprise en particulier. Ces hypothses de stabilit de la matrice de transition dans le temps et dans l'espace semblent contraignantes. En effet, dans leurs tudes, Nicckell et al (2000) montrent que la distribution des changements de notation varie en fonction du temps et du type dmetteur. Les auteurs procdent un examen de la stabilit des matrices de transition dans le temps, selon le type d'emprunteur et la position dans le cycle conjoncturel, sur la base d'un chantillon de 6 534 emprunteurs considrs entre dcembre 1970 et dcembre 1997. Un premier travail est effectu sur l'ensemble de la priode, en calculant une matrice de transition inconditionnelle (indpendante du cycle conomique). Les rsultats montrent une volatilit croissante des migrations pour les faibles ratings: la volatilit des ratings augmente lorsque la qualit du

98

crdit dcline. Cela traduit que la matrice de transition inconditionnelle n'est pas stable dans le temps, c'est--dire que la dynamique des actifs par classe de risque varie au cours du temps. En second lieu, les auteurs mnent une analyse par type d'emprunteur et par localisation gographique. Les conclusions sont en faveur de matrices de transition par grands secteurs conomiques et par grandes zones gographiques. La volatilit des transitions de rating semble en effet de plus forte amplitude pour la banque que pour l'industrie et l'inverse, des mouvements forte amplitude des ratings sont plus frquents dans l'industrie que dans la banque. Ignorer ces dpendances pourrait conduire une mauvaise estimation du risque de crdit. C'est sans doute pour cette raison que les banques prfrent parfois utiliser leurs propres donnes pour se rapprocher de leur portefeuille rel (Gourieroux & Tiomo, 2007). Dans le modle de KMV, la probabilit de dfaut est spcifique chaque entreprise et peut tre mise en correspondance (mapping) sur nimporte quel systme de notation interne ou externe pour en tirer le rating quivalent de lemprunteur. Une hypothse sous-jacente l'utilisation des matrices de transition est que le pass des ratings est susceptible d'apporter des informations sur leur volution. Autrement dit, les probabilits de transition tablies sur des donnes passes sont utilisables pour anticiper les migrations futures (caractre markovien des matrices de transition). Dans ce cas il est possible de considrer qu'une matrice de transition deux ans A2 rsulte du produit A1 A1 de la matrice 1 an par elle-mme. Cependant il peut tre vrifi, en comparant les probabilits de transition d'une vritable matrice deux ans celles de son estimation obtenue en procdant produit matriciel de la matrice 1 an, que les rsultats sont satisfaisants pour les meilleures classes de rating mais pas pour les classes moins bonnes (De Servigny et al., 2006). D'autre part, il peut galement tre vrifi qu'au fur et mesure qu'on tend l'horizon, l'erreur d'approximation commise en procdant des produits matriciels successifs s'accrot (De Servigny et al., 2006). Ces rsultats relativisent donc l'hypothse selon laquelle les matrices de transition pourraient tre approximes par des chanes de Markov.
2. Faiblesses thoriques lies l'utilisation du modle de Merton

Pour infrer les corrlations entre emprunteurs, CreditMetrics se base sur le modle structurel de Merton (1974). De Servigny et al (2006) ont relev plusieurs limites inhrentes ce modle structurel. Le modle de Merton permet d'obtenir un spread thorique de crdit qui traduit l'aversion au risque des investisseurs. Ce spread augmente avec le levier financier de la firme, et augmente galement lorsque la volatilit de la valeur de la firme s'accrot. Dans le modle, les
spreads de crdit augmentent avec le temps pour des titres de bonne qualit. A l'inverse,

99

concernant les titres de faible qualit de crdit, le potentiel de redressement conduit anticiper des spreads dcroissant avec le temps. Cependant, les spreads de crdit court terme dcoulant du modle prsentent un caractre particulirement irraliste court terme: l'inverse de ce qui est observ dans la ralit, ils sont voisins de zro. Jarrow et Van Deventer (1998) ont en effet test le modle de Merton en comparant le spread thorique d'une entreprise cote son spread effectif; ils obtiennent des rsultats contrasts. Le modle prsente en outre les faiblesses suivantes (De Servigny et
al , 2006) :

L'hypothse d'une structure de march parfait, des dettes ne faisant dfaut qu' l'chance, et des difficults de mise en uvre lies la dfinition d'un seuil de dfaut ( K ) pertinent;

L'valuation de l'immatriel par exemple les divers engagements hors bilan, ne s'observe pas;

Tout comme la valeur de march des diffrentes dettes (en particulier les dettes bancaires), la valeur de march de la firme est une donne difficile identifier avec certitude (valeur de march de la firme=valeur de march des actions+valeur de march de la dette);

Aucune spcification des priorits lies aux sniorits de diffrentes dettes n'est apporte. Schwartz et Torous (1992) ont prolong le modle de Merton en tudiant le cas des prts amortis d'un gage (collatral), Bizer et De Marzo (1992) en l'appliquant des prteurs classs selon leur priorit pour l'acquisition de la valeur nette en cas de dfaut.

3.

Estimation des corrlations

L'utilisation des corrlations de entre actifs comme approximation des corrlations de qualit de crdit repose sur deux hypothses fortes: la distribution normale multivarie des rendements et l'identit entre corrlation des actions et corrlation des actifs. Compte tenu du caractre fondamentalement asymtrique, leptokurtique, queue paisse de la distribution de perte d'un portefeuille de crdit, le principe sous-jacent entre dpendance et corrlation semble difficile justifier, car le choix d'un environnement normal multivari parat notamment peu adapt l'valuation de la performance d'un portefeuille de crdit en phase de dgradation, en raison des facteurs exognes significativement dfavorables (De Servigny et
100

al, 2006). De manire gnrale, on peut faire des remarques suivantes propos des

corrlations:

Une corrlation n'est qu'une mesure scalaire de dpendance, elle ne peut pas tout dire propos de la structure relle de dpendance des risques;

Les valeurs possibles des corrlations dpendent de la distribution marginale des risques;

Une corrlation zro n'est pas synonyme d'une indpendance; Des risques parfaitement dpendants de manire positive peuvent ne pas avoir une corrlation de 1. Cette situation peut s'observer dans le cas de dpendances non linaires. Soient deux variables X 1 et X 2 . Supposons que X 1 peut prendre trois valeurs quiprobables -1, 0 et 1. Si X 1 = 1 ou si X 1 = 1 alors X 2 = 1 , sinon X 2 = 0 . l'observation de X 1 donne des informations sur les valeurs probables de X 2 ; de mme, la connaissance de X 2 entrane une modification de la loi de probabilit de

X 1 . Ainsi, les deux variables sont parfaitement dpendantes: elles sont lies entre elles
par la relation X 2 = X 12 . Pourtant, le coefficient de corrlation linaire entre les deux est nul.

Les corrlations ne sont pas invariantes des risques: log ( X ) et log (Y ) n'ont pas en gnral la mme corrlation que X et Y .

Par ailleurs, lutilisation des corrlations des valeurs des fonds propres comme approximation des corrlations des valeurs des actifs dans le calcul des corrlations de dfaut a fait l'objet de critiques et les tests empiriques semblent remettre en cause cette pratique (Gourieroux & Tiomo, 2007). Ainsi par exemple, dans leur tude, Zen et Zhang (2002) comparent les corrlations des fonds propres et des actifs pour diffrents secteurs et pour des firmes issues de classes de risque diffrentes. Ils montrent que pour certains secteurs et pour les firmes mal notes, c'est-a-dire pour les plus risques, les corrlations des actifs sont suprieures aux corrlations des fonds propres. En utilisant ces dernires, CreditMetrics tend donc sousestimer les corrlations de risques, ce qui introduit un biais dans lestimation.

101

4.

Observations d'ordre gnral

CreditMetrics prsente le mme type de limitations que le modle KMV : mthode peu efficace d'estimation en plusieurs tapes des paramtres, et surtout corrlations d'actifs mesures en dollar sans possibilit simple de changer l'unit montaire (Gourierous & Tiomo, 2007). Contrairement l'approche analytique de CreditRisk+, la mthode est coteuse en donnes. En effet, les matrices de transition tenant compte des corrlations sont calcules partir des probabilits de transition date date par classe de risque. Outre les probabilits individuelles de transition des titres du portefeuille, lestimation de la valeur future du portefeuille doit tenir compte des corrlations des diffrents titres pris deux deux, ce qui ncessite normment de donnes dans le cas d'un nombre significatif de titres dans le portefeuille. De mme le recours aux mthodes de Monte Carlo pose des problmes de prcision lis aux simulations. Comme la plupart des modles existants, CreditMetrics analyse le risque de crdit en

ngligeant le risque de march, puisque les valeurs futures sont calcules sur la base des courbes de taux forward dterministes. Autrement dit, les pertes potentielles du portefeuille de crdit sont supposes uniquement lies aux changements de notation, et sont indpendant du risque de march, c'est--dire des ventuelles modifications des taux. Or le risque de march et le risque de crdit sont lis et ne peuvent donc pas tre analyses lune indpendamment de lautre (Jarrow & Turnbull , 2000). En effet, Une variation de la valeur de march des actifs dun metteur engendre un risque de march et a une influence sur sa probabilit de dfaut, do un risque de crdit. De mme, une variation de sa probabilit de dfaut engendre un risque de crdit et a une influence sur la valeur de march de ses actifs, do un risque de march. Les accords de Ble exigent la mise en place de procdures de backtesting des modles de VaR de march, pour tester les performances des estimations de la VaR sur donnes passes. Le modle est alors valid si ces tests ex post fournissent des rsultats probants sur les 250 derniers jours. Cependant, alors que les informations sont produites au jour le jour pour les modles de risque de march, lhorizon de prvision, et donc de production dinformations, est plus longue pour les modles de risque de crdit, soit une seule prvision par an. Il faudrait donc attendre pour les modles de risque de crdit, prs de 250 ans pour accumuler lquivalent en informations de 250 jours pour les modles de risque de march. Autrement dit, appliquer le backtesting aux modles de risque de crdit signifie une longue

102

attente avant leur validation. Pour palier cette difficult, Lopez et saidenberg (2000) proposent une observation par panels. De faon gnrale, toute mthodologie dvaluation de risque comporte des limites intrinsques qui sont imputables aux donnes utilises, lexistence dvnements rares non prsents dans les chantillons dtudes, aux problmes relatifs la valorisation des actifs (valeur de march ou cot historique), aux risques de modle lis aux hypothses ncessairement simplificatrices de la ralit (Banque de France, 2005). La contrainte rglementaire de Ble II met en exergue ces lacunes, en demandant aux banques dans le cadre du pilier 2 de mettre en oeuvre des exercices de stress test, complmentaires ces analyses de risque.

103

CONCLUSION

Cette tude a t enrichissante plus d'un titre. D'une part, nous avons eu le privilge de contribuer la mise en uvre d'un nouvel outil (CreditMetrics) pour l'analyse du risque de crdit d'une banque. D'autre part nous nous sommes imprgne du contexte de la gestion du risque de crdit dans un tablissement bancaire particulier, la banque d'mission. Nous n'avons sans doute pas explor tous les aspects de l'valuation du risque de crdit dans les portefeuilles de la Banque de France. Nanmoins notre tude met en vidence l'avantage d'une approche de portefeuille pour apprcier le risque de crdit de la Banque, ce qui vient complter l'approche en Equivalent Risque de Crdit jusqu'ici utilise. En effet, le risque est la perte potentielle et non l'encours. L'approche de portefeuille permet ainsi un encadrement du crdit plus proche de la ralit, avec une prise en compte convenable de la diversification du portefeuille ainsi que du risque de concentration. Notre tude met en vidence des proprits intressantes du modle CreditMetrics. Le modle runit en effet la plupart des critres exigs par le Comit de Ble pour un modle de portefeuille: prise en compte des risques de concentration, de dgradation et de dfaut, contrairement certains modles comme CreditRisk+. De mme l'approche en VaR sousjacente au modle permet une estimation probabiliste de l'exposition de la Banque au risque de crdit. Ainsi, la perte moyenne attendue sur le portefeuille analys est d'environ 341 millions d'Euros. Au seuil 99,99%, le niveau de perte probable mais non anticipe (VaR de crdit) vaut environ 4% de l'encours total. L'approche permet galement de dterminer un nouveau systme de fixation des limites en VaR, pour laquelle nous avons propos une mthodologie. L'Expected Shortfall est souvent prsent comme meilleure mesure de risque que la VaR, car cette dernire ne vrifie pas la proprit de sub-additivit. Cependant la VaR reste une mesure plus attractive car plus facile comprendre et tester ex post. De plus il a t dmontr que la proprit de sub-additivit est toujours vrifie lorsque la VaR est calcul pour un portefeuille suffisamment diversifi (Xiao, 2000). Cependant, nos analyses se sont limites un portefeuille de prts en blanc, et il serait opportun de mettre en uvre le modle sur le reste des instruments ligibles (obligations, swaps, future). De plus les donnes utilises pour les estimations ne sont pas actualises et ne refltent probablement pas la situation actuelle du march. L'utilisation d'un modle de

104

risque de crdit qui permet de prendre en compte l'effet positif des corrlations imparfaites (effet diversification) constitue certes une grande avance par rapport l'analyse traditionnelle. Cependant le modle CreditMetrics fait l'hypothse forte d'une quivalence entre corrlation et dpendance, ce qui semble difficile vrifier dans le contexte non gaussien des portefeuilles de crdits. Procder une gestion active du portefeuille de crdit sur cette seule base introduirait un biais dans les rsultats, li au risque de modle. C'est sans soute la raison pour la quelle les banques ayant adopt des systmes d'analyse du portefeuille fonds sur cette hypothse n'aient pas souvent automatis les modalits de gestion du portefeuille bties partir des modles (De Servigny et al, 2006). La mise en uvre de cette gestion active des portefeuilles de crdit serait d'ailleurs un domaine d'investigation important. En raison mme de sa dfinition, la VaR est une mesure trs instable pour des niveaux de confiance levs: au del de 99,9% une modification marginale du niveau de confiance conduit une variation consquente. Il est donc important de garder cette limitation l'esprit lorsque cet indicateur est utilis. De mme, le problme des simulations de Monte Carlo rside dans le fait que les dfauts les plus importants sont galement les plus rares. Obtenir une convergence au niveau de la queue de distribution est difficile, en particulier si l'on vise des intervalles de confiance aussi leves que 99,99%. Dans ces conditions, le recours la thorie des valeurs extrmes pet constituer un apport significatif pour mieux apprhender les caractristiques de la queue de distribution. Appliquer le backtesting aux modles de risque de crdit signifie une longue attente avant leur validation. Dans ce cadre, l'approche par panel propos par Lopez et Saidenberg (2000) constitue une mthode considrer. Enfin la version test actuelle du logiciel CreditManager, dans le quel est implment le modle, devrait tre amliore. Nous pensons d'une part la ncessit d'activer certaines fonctionnalits notamment celles graphiques. D'autre part, il est impratif d'assurer l'exhaustivit des donnes de march qui alimentent le logiciel, notamment les courbes spreads par classe de risque qui ne sont actuellement fournies que pour quatre devises: USD, EUR et CAD. La convivialit de l'environnement de travail ainsi que l'oprationnalit du logiciel s'en trouveront coup sr amliores. Enfin, l'anonymat complet des contreparties n'a pas permis une interprtation concrte des rsultats. Ces remarques noccultent aucunement la qualit du modle, du logiciel ou de notre tude mais invitent plutt relativiser les rsultats obtenus en attendant une progression, une amlioration du cadre technique et/ou oprationnel, et un enrichissement des concepts.

105

BIBLIOGRAPHIE
I. Articles et ouvrages lus 1. Artzner P., Delbaen F., Eber J-M and Heath D. (1999), Coherent Measures of

Risk. Mathematical Finance 9, pp 203-228.

2. Bessis, J. (1998), Risque de crdit et gestion de portefeuille de prts bancaires. Les Echos,

22 mai 1998, pp. 3.

3. Bucay N. and Rosen D. (1999), Credit Risk of an International Bond Portfolio: a Case

Study. Algo Research Quartely 2(1): 9-29.

4. Crouhy M (2000), La gestion du risque de crdit et la statbilit du systme financier

international. Les Confrences Grard-Parizeau le 4 avril 2000, srie HEC.

5. Crouhy M., Galai D. and Mark R. (2000), A comparative analysis of current credit

risk models. Journal of Banking & Finance 24 (2000) 59-117.

6.

De Servigny A., Mtayer B., Zelenko I. (2006), Le risque de crdit. Dunod 3e

dition.
7. Efron B., Tibshirani R.J. (1993), An Introduction to the bootstrap. New York: Chapman

and Hall, 436 pages.

8. European Central Bank (2006), Task Force on Credit VaR Methodologies: the use of

credit VaR in central Banks. Draft, restricted.

9. Gordy M. B. (2000), A comparative anatomy of credit risk models. Journal of Banking

and Finance 24, 119-149.

10. Gourrieroux C. et Tiomo A. (2007), Risque de crdit : une approche avance.

Economica.
11. Gupton G., Finger C., Bhatia M.(1997), CreditMetricsTM-Technical document. JP

Morgan & CO. Incorporated, New York April.

12. Hull J. (2007a), Gestion des risques et institutions financires. Pearson Education

France.

106

13. Hull J. (2007b), Options, futures et autres produits drivs. Pearson Education France

6e dition.
14. Jose A. Lopez and Marc R. Saindenberg (2000), Evaluating credit risk models.

Journal of banking and finance 24, 151-165.

15. JP morgan (1999), How much credit?. London, May 19. 16. Kern M. and Bern R. (2001), Comparative Analysis of Alternative Credit Risk Models-

an Application on German Middle Market Loan Portfolios. Center for Financial Studies

Working Paper N 2001/03.

17. Merton R. C. (1974), On the pricing of corporate debt: the risk structure of interest rates.

Journal of finance, Vol. 29 N2.

18. Moody's Investor Service (1997), Moody's Rating Migration and Credit Quality

Correlation, 1920-1996. Special comment.

19. RiskMetrics Group(2003),Credit Manager User Guide . 20. Roncalli T. (2001), Introduction la Gestion des Risques. Cours ENSAI de 3me

anne.
21. Sardi A. (2004), Ble II. Editions AFGES, pp 127-140. 22. Thomas Wilson (1998), portfolio Credit risk. FRBNY Economic Policy Review. 23. Tiesset M., Troussard P. (2005), Capital conomique et capital rglementaire. Banque

de France, revue de la stabilit financire N7.

24. UBS CDO Reseach (2004), Default correlation: from definition to proposed solutions.
25. Xiao J. Y., (2001), Economic Capital Allocation for Credit Risk. Riskmetrics Journal, 2,

2, 29-48.
II. Auteurs cits dans les articles et ouvrages lus 1. Altman E. and Duen Li Kao (1992), Rating Drift in High Yield Bonds. The Journal

of Fixed Income. Cits par Gupton G., Finger C., Bhatia M.(1997).
2.

Aziz J. and Charupat (1998), Calculating credit exposure and credit loss: a case study.

Algo Research Quarterly, 1 (1): 31-46. Cits par Bucay N. and Rosen D. (1999).

107

3. Chan Y., Greenbaum S.I., Thakor A.V. (1992), Is Fairly Priced Deposit Insurance

Possible ?. Journal of finance, 47, 227-46. Cit par Roncalli T. (2001)

4. Kreinin A. and Sidelnikova M. (2001), Regularization Algorithms for Transition

Matrices. Algo Research Quarterly, 4 (1/2) pp. 23-40. Cits par European Central

Bank (2006).
III. Notes du service du Middle Office 1. Comit des risques n42 du 19 mars 2008 : relev de dcisions oprationnelles. 2. Logiciel de VaR de crdit : cahier des charges. 3. Revue annuelle 2007 des limites de risque de crdit des portefeuilles de la Banque,

hors emplois de fonds propres et caisse de rserve des employs.

4. Service du Middle Office: risques de march et de crdit, performances. DGO-

SMO 21 mars 2005

108

ANNEXES

109

ANNEXE1 : Le Service du Middle Office au sein de la Direction Gnrale des Oprations de la Banque de France
Conseil Gnral

Gouvernement de la Banque

Audit

Direction Gnrale des Oprations

Direction des Oprations de March (Front Office) Service du Middle Office Comit dInvestissement Service du Suivi Du Risque Oprationnel Back-Office

Source: DGO-SMO-21 mars 2005

110

ANNEXE 2: Dfinition des symboles de notation des metteurs selon S&P et Moody's S&P AAA Moody's Aaa Dfinition S&P: Capacit extrmement forte respecter ses engagements financiers. Moody's: Scurit financire exceptionnelle. Mme en cas de changement de la situation financire, sa position restera fondamentalement forte. S&P: Capacit trs forte respecter ses engagements financiers. Il diffre faiblement de la notation prcdente. Moody's: Excellente scurit financire. Il est moins bien not que Aaa car le risque long terme apparat suprieur. Ces deux notes caractrisent des metteurs haut grade. S&P: Capacit forte respecter ses engagements financiers. Plus susceptible d'tre affect par des changements de circonstances et les conditions conomiques que les prcdentes notes. Moody's: Bonne scurit financire. Des lments actuels peuvent suggrer une possibilit de dgradation future. S&P: Capacit adaquate respecter ses engagements financiers. Des changements dfavorables de circonstances ou de conditions conomiques vont vraisemblablement affaiblir sa capacit respecter ses engagements financiers. Moody's: Scurit financire adquate. Mais certains lments protecteurs peuvent manquer ou tre incertains sur une longue priode. Ces notes sont considres "spculatives" alors que les prcdentes considres "investissement". S&P: De grandes incertitudes et risques face aux mauvaises conditions conomiques et financires peuvent mener une capacit inadquate de respecter ses engagements financiers. Moins vulnrable sur le court terme que les notations plus basses. Moody's: Scurit financire incertaine. Souvent la capacit de cet metteur respecter ses engagements financiers sur une longue priode est faible. S&P: Capacit de respecter ses engagements financiers sur le court terme. Des conditions d'activit, financires ou conomiques, dfavorables, vont vraisemblablement dtriorer sa capacit ou sa volont de respecter ses engagements financiers. Moody's: Scurit financire pauvre. L'assurance du respect de ses engagements financiers sur une longue priode est faible. S&P: Actuellement vulnrable. Sa capacit de respecter ses engagements financiers dpend de conditions d'activit, financires et conomiques, favorables. Moody's: Scurit financire trs pauvre. Ils peuvent tre en dfaut ou des lments de risques prsents peuvent empcher le respect des remboursements prvus. S&P: En dfaut sur une ou plusieurs de ses obligations financires.

AA

Aa

BBB

Baa

BB C

Ba C

BB

Ba

CCC

Caa

Source: Antoine Sardi (2004)

111

ANNEXE 3: Tableau rcapitulatif des principaux modles de risque de crdit

Elments de comparaison Donnes de march Donnes de dfaillance Matrices de transition

CreditMetrics CreditPortfolioView PortfolioManager CreditRisk+

Donnes utilises

Oui Non Oui Stables sur le cycle conomique et entre types de contreparties Corrlations entre rendements des actions, de distribution normale multivarie Stochastique (loi Bta)

Non Oui Non Dpendent des facteurs macroconomiques (matrices de transition lies au cycle de conomique) Provient de la dpendance des emprunteurs un ensemble de facteurs macro-conomiques communs Stochastique

Oui Oui (calibrage sur donnes Moody's) Non

Non Oui non

Hypothses sur les inputs du modle

Probabilits de transition

Stables

Corrlations

Corrlations entre rendements des actifs, de distribution normale multivarie Stochastique (loi Bta) Pertes en cas de dfaut Dfaut Non Facteurs gnraux, rgionaux et sectoriels Oui Vraisemblablement non Oui Non Simulations Probit Oui Oui

Taux de recouvrement

LGD (constant) Pertes en cas de dfaut Dfaut Non Taux de dfaut

Hypothses sur le risque de crdit Dfinition du risque Evnements de crdit Prise en compte du risque de taux d'intrt Facteurs de risque

Valeur de Valeur de march march ou simplement dfaut Dgradation Dgradation de la de la qualit du qualit du crdit/dfaut crdit/dfaut Non Facteurs gnraux, rgionaux et sectoriels Non Non Oui Non Simulations Probit Oui Non Non Facteurs macroconomiques
Types de facteurs introduits

Facteurs financiers observables Facteurs macroconomiques observables Facteurs statiques inobservables Facteurs dynamiques inobservables Approche numrique Modlisation conomtrique Valeur du portefeuille Dfaillance individuelle

Non Oui Oui Oui

Mthodologie sous-jacente

Non Secteurs Non Non Analytique Logit Actuarielle Oui

Simulations Logit
Prvisions

Actuarielle Oui

112

ANNEXE 4: Estimation des paramtres d'un modle probit par la mthode du maximum de vraisemblance

Soit estimer les paramtres w d'un modle explicatif d'une variable dpendante qualitative
Y

par un ensemble de variables exognes X . Dans le cadre de la formalisation

conomtrique du modle CreditMetrics, Y pourrait tre une variables dichotomique ( Y = 0 ou 1 ) correspondant l'vnement de dfaut D (modle deux tats) ou une variable qualitative
M

modalits

ordonnes

correspondant

l'vnement

de

crdit

(gnralisation); X

correspondrait l'ensemble des facteurs de risque exognes. On

dispose d'un chantillon i.i.d. (Y1 , X 1 ), L , (Yn , X n ) Dans le cas des modles probit dichotomiques la vraisemblance de l'chantillon s'crit:
Ln (w) =

( X w)
i i =1

Yi

(1 ( X i w))1Yi

La log-vraisemblance log (Ln ) est:

ln (w) =

Y log (( X w)) + (1 Y ) log (1 ( X w))

i i i i i =1

Dans le cas d'un modle polytomique ordonn (seuils k connus) cette vraisemblance s'crit:
k X i w k 1 X i w L n ( w) =

Et la log -vraisemblance:
ln (w) =

log
i =1

k X i w k 1 X iw

Un estimateur du maximum de vraisemblance (EMV) est alors dfinit par :

arg max Ln (b) w
b k

En gnral, on maximise plutt la log-vraisemblance qui a une forme plus simple

113

ANNEXE 5:Architecture du modle CreditMetrics

Source: CreditMetrics Technical document (1997)

114

ANNEXE 6: Matrices de transition 1 an Mood'ys, S&P et Fitch actuellement disponibles dans CreditManager 1. Moodys 8 Aaa Aaa Aa A Baa Ba B Caa Aa A Baa Ba B Caa Default

89,72 0,68 0,05 0,04 0,01 0,01 0,00

9,18 90,40 2,51 0,25 0,03 0,05 0,00

1,06 8,50 90,99 5,80 0,59 0,21 0,02

0,00 0,32 5,59 87,40 6,00 0,56 0,90

0,04 0,09 0,63 5,06 82,44 6,44 2,40

0,00 0,01 0,20 1,08 8,82 81,52 7,57

0,00 0,00 0,02 0,16 0,74 4,47 61,69

0,00 0,00 0,01 0,21 1,37 6,74 27,42

Source: CreditManager

2. Moodys 18

Source: CreditManager

115

3. S&P 8 AAA AAA AA A BBB BB B CCC AA A BBB BB B CCC Default

91,42 0,61 0,05 0,02 0,04 0,00 0,00

7,92 90,68 1,99 0,17 0,05 0,06 0,00

0,51 7,91 91,43 4,08 0,27 0,22 0,32

0,09 0,61 5,86 89,94 5,79 0,35 0,48

0,06 0,05 0,43 4,55 83,61 6,21 1,45

0,00 0,11 0,16 0,79 8,06 82,49 12,63

0,00 0,02 0,03 0,18 0,99 4,76 54,71

0,00 0,01 0,04 0,27 1,20 5,91 30,41

Source: CreditManager

4. S&P 18

Source: CreditManager

116

5. FITCH

Source: CreditManager

117

ANNEXE 7: Taux de change des devises par rapport au Dollar amricain ( l'incertain) au 01/06/2007
Currency Code Spot Argentine Peso ARS 0.325 Australian Dollar AUD 0.831 Austrian Schilling ATS 0.098 Bahraini Dinar BHD 2.652 Belgian Franc BEF 0.033 British Pound GBP 1.979 Canadian Dollar CAD 0.940 Chinese Yuan CNY 0.131 Cypress Pound CYP 2.301 Czech Koruna CZK 0.047 Danish Kroner DKK 0.180 Deutsche Mark DEM 0.686 Dutch Guilder NLG 0.609 Estonian Kroon EEK 0.086 Euro EUR 1.342 Finnish Mark FIM 0.226 French Franc FRF 0.205 Greek Drachma GRD 0.004 Hong Kong Dollar HKD 0.128 Hungarian Florent HUF 0.005 Indian Rupee INR 0.025 Indonesian Rupiah IDR 0.000 Irish Pound IEP 1.704 Italian Lira ITL 0.001 Japanese Yen JPY 0.008 Korean Won KRW 0.001 Kuwaiti Dinar KWD 3.468 Latvian Lat LVL 1.927 Lithuanian Litas LTL 0.389 Macau Pataca MOP 0.124 Malaysian Ringit MYR 0.294 Maltese Lira MTL 3.126 Mexican Peso MXN 0.093 New Zealand Dollar NZD 0.743 Norwegian Kroner NOK 0.166 Philippine Peso PHP 0.022 Polish Zloty PLN 0.353 Portuguese Escudo PTE 0.007 Russian Ruble RUB 0.039 Saudi Arabian Riyal SAR 0.267 Singapore Dollar SGD 0.653 Slovakia Koruna SKK 0.040 South African Rand ZAR 0.141 Spanish Peseta ESP 0.008 Swedish Krona SEK 0.144 Swiss Franc CHF 0.812 Taiwan Dollar TWD 0.030 Thailand Baht THB 0.030 U.S. Dollar USD 1.000
Source: CreditManager

118

ANNEXE 8: Oprations du portefeuille fictif

1. Prts en blanc
Counterparty A A A A B B C C D D D E E E H H H H J M M M M M M M N P P Q R U X X X X Rating AAAAAAAAAAAACurrency EUR EUR EUR EUR EUR EUR USD EUR EUR EUR EUR EUR EUR EUR USD EUR EUR EUR USD USD USD EUR EUR EUR EUR EUR USD USD USD USD EUR USD USD EUR EUR EUR Maturity Date 21/09/2007 26/09/2007 26/10/2007 28/11/2007 27/09/2007 30/11/2007 05/11/2007 30/11/2007 11/09/2007 26/10/2007 26/10/2007 05/10/2007 18/10/2007 30/11/2007 22/10/2007 27/09/2007 26/10/2007 26/11/2007 13/11/2007 10/09/2007 22/10/2007 17/09/2007 24/09/2007 07/11/2007 24/09/2007 30/11/2007 12/10/2007 04/09/2007 13/11/2007 04/09/2007 14/09/2007 10/09/2007 22/10/2007 25/10/2007 05/12/2007 21/09/2007 Book Value 150 000 000,00 100 000 000,00 70 000 000,00 5 000 000,00 170 000 000,00 85 000 000,00 100 000 000,00 100 000 000,00 21 111 964,00 110 000 000,00 130 000 000,00 13 180 406,87 10 100 000,00 90 000 000,00 200 000 000,00 30 000 000,00 16 000 000,00 2 000 000,00 359 000 000,00 180 000 000,00 190 000 000,00 100 000 000,00 23 000 000,00 12 200 000,00 100 000 000,00 225 000 000,00 65 000 000,00 25 000 257,00 155 000 000,00 100 000 000,00 100 000 000,00 100 000 000,00 35 000 000,00 5 000 000,00 3 000 000,00 50 000 000,00 Deal Rate 3,98 3,985 4,09 4,2 3,985 4,22 5,3 4,215 4,055 4,09 4,09 4,15 4,065 4,215 5,305 3,98 4,08 4,19 5,32 5,3 5,305 3,97 3,985 4,12 3,985 4,215 5,32 5,3 5,315 5,31 3,975 5,305 5,305 4,08 4,22 3,98

A+ A+ A+ A+ A+
AAAAAA-

AAAAAAAAAAAA AA AA AA AA AA AA

AA+
AA+ AA+

AA
AA+

AA+ AA AA AA AA

119

2. Obligations
Contrepartie AXA SA AXA SA AXA SA AXA SA AXA SA AXA SA AXA SA AXA SA AXA SA AXA SA TURANALEM FIN BV TURANALEM FIN BV TURANALEM FIN BV TURANALEM FIN BV TURANALEM FIN BV TURANALEM FIN BV TURANALEM FIN BV TURANALEM FIN BV TURANALEM FIN BV TURANALEM FIN BV GMAC INTL FIN BV GMAC INTL FIN BV GMAC INTL FIN BV GMAC INTL FIN BV GMAC INTL FIN BV GMAC INTL FIN BV GMAC INTL FIN BV GMAC INTL FIN BV GMAC INTL FIN BV GMAC INTL FIN BV AAC GROUP HLDG AAC GROUP HLDG AAC GROUP HLDG REALOGY CORP REALOGY CORP REALOGY CORP REALOGY CORP REALOGY CORP REALOGY CORP REALOGY CORP Source: Bloomberg Bloomberg Composite Rating BBB+ BBB+ BBB+ BBB+ BBB+ BBB+ BBB+ BBB+ BBB+ BBB+ BB BB BB BB BB BB BB BB BB BB BBBBBBBBBBBBBBBBBBBBCCC CCC CCC CCC CCC CCC CCC CCC CCC CCC maturit 29/07/2049 29/07/2049 29/10/2049 29/10/2049 29/04/2049 29/12/2049 29/12/2049 29/12/2049 29/12/2049 29/12/2049 21/12/2009 02/06/2010 02/06/2010 31/03/2011 27/09/2011 25/04/2013 25/04/2013 24/03/2014 24/03/2014 10/02/2015 15/04/2008 15/04/2008 15/07/2008 15/07/2008 15/07/2008 13/08/2008 15/08/2008 15/08/2008 15/08/2008 15/08/2008 01/10/2012 01/10/2012 01/10/2012 15/04/2015 15/04/2015 15/04/2014 15/04/2014 15/04/2014 15/04/2014 15/04/2014 valeur faciale 10 423 084,52 7 917 099,17 30 000 000,00 6 541 784,65 7 872 762,23 55 000 000,00 2 500 000,00 1 500 000,00 35 000 000,00 50 000 000,00 40 000 000,00 56 000,00 100 000 000,00 40 000 000,00 40 000 000,00 80 000 000,00 37 500 000,00 88 500,00 35 825,00 55 000 000,00 25 000 000,00 7 500 000,00 4 076 709,74 30 000 000,00 6 541 784,65 35 000 000,00 7 872 762,23 55 000 000,00 2 500 000,00 1 500 000,00 30 000 000,00 60 000 000,00 22 500 000,00 60 000 000,00 40 000 000,00 37 500 000,00 62 500 000,00 37 500 000,00 40 000 000,00 30 000 000,00 monnaie transaction EUR EUR GBP GBP GBP USD USD USD AUD USD GBP USD USD PLN EUR USD USD USD USD USD EUR EUR EUR EUR EUR NOK EUR EUR EUR EUR USD USD USD USD USD USD USD USD USD USD Coupon 5,777 6,6666 6,6862 6,211 6,772 6,379 6,379 6,463 7,5 6,463 7,125 7,875 7,875 6,3 6,25 7,75 7,75 8 8 8,5 4,5 4,85 4,4 4,5 4,6 6,5 3,55 3,65 3,7 3,7 12,75 12,75 14,75 12,375 12,375 10,5 10,5 10,5 10,5 11

120

ANNEXE 9: Saisie des donnes dans CreditManager 1. Configurations de base

2.

Les informations sur les metteurs (obligors)

3. Les informations sur les prts en blanc

121

4. Les informations sur les obligations

122

ANNEXE 10: Structure par terme des spreads au 01/06/07 1. S&P18 EBI-Financial-EUR Credit Rating AAA AA+ AA AAA+ A ABBB+ BBB BBBBB+ BB BBB+ B BCCC 6Month 1Year 2Year 3Year 5Year 7Year 10Year

0,1194% 0,1465% 0,1581% 0,1589% 0,1607% 0,1624% 0,2034% 0,2855% 0,3677% 0,4132% 0,5273% 0,5959% 0,6696% 0,8173% 0,9655% 1,1787% 1,3929%

0,1083% 0,1272% 0,1353% 0,1472% 0,1711% 0,1949% 0,2359% 0,3179% 0,4001% 0,4457% 0,5597% 0,6283% 0,7020% 0,8497% 0,9979% 1,2112% 1,4253%

0,0550% 0,0980% 0,1165% 0,1338% 0,1685% 0,2032% 0,2441% 0,3262% 0,4084% 0,4540% 0,5680% 0,6366% 0,7103% 0,8580% 1,0062% 1,2195% 1,4336%

0,0893% 0,1466% 0,1713% 0,1881% 0,2219% 0,2557% 0,2967% 0,3788% 0,4610% 0,5065% 0,6206% 0,6891% 0,7629% 0,9106% 1,0587% 1,2720% 1,4861%

0,1432% 0,2017% 0,2269% 0,2418% 0,2716% 0,3015% 0,3425% 0,4245% 0,5067% 0,5523% 0,6664% 0,7349% 0,8086% 0,9564% 1,1045% 1,3178% 1,5319%

0,1926% 0,2430% 0,2646% 0,2782% 0,3053% 0,3325% 0,3734% 0,4555% 0,5377% 0,5833% 0,6973% 0,7659% 0,8396% 0,9873% 1,1355% 1,3488% 1,5629%

0,2864% 0,3231% 0,3389% 0,3508% 0,3746% 0,3985% 0,4394% 0,5215% 0,6037% 0,6493% 0,7633% 0,8319% 0,9056% 1,0533% 1,2015% 1,4147% 1,6289%

Source : CreditManager

2. S&P18 USD-Financial Credit 6Month 2Year 3Year Rating AAA 0,12% 0,16% 0,20% AA+ 0,34% 0,36% 0,37% AA 0,36% 0,38% 0,40% AA0,38% 0,44% 0,46% A+ 0,46% 0,74% 0,77% A 0,61% 0,78% 0,80% A0,64% 0,80% 0,84% BBB+ 0,81% 0,94% 0,95% BBB 0,86% 0,97% 1,01% BBB0,91% 0,99% 1,05% BB+ 1,80% 2,00% 2,10% BB 1,90% 2,10% 2,20% BB2,00% 2,20% 2,30% B+ 2,95% 3,15% 3,25% B 3,05% 3,25% 3,35% B3,15% 3,35% 3,45% CCC 3,70% 3,80% 3,90%
Source : CreditManager

5Year

7Year

10Year

15Year 20Year

30Year

0,33% 0,53% 0,60% 0,71% 0,84% 0,90% 0,93% 1,07% 1,19% 1,28% 2,40% 2,50% 2,60% 3,50% 3,60% 3,70% 4,55%

0,56% 0,73% 0,77% 0,83% 0,93% 0,95% 1,03% 1,24% 1,32% 1,46% 2,60% 2,70% 2,80% 3,85% 3,95% 4,05% 5,05%

0,74% 0,86% 0,90% 0,93% 1,13% 1,15% 1,22% 1,45% 1,53% 1,70% 2,80% 2,90% 3,00% 4,10% 4,20% 4,30% 5,60%

0,81% 0,94% 0,99% 1,02% 1,21% 1,22% 1,29% 1,53% 1,61% 1,76% 3,03% 3,13% 3,23% 4,33% 4,43% 4,53% 5,85%

0,85% 0,98% 1,04% 1,08% 1,25% 1,26% 1,32% 1,59% 1,65% 1,79% 3,15% 3,25% 3,35% 4,45% 4,55% 4,65% 5,95%

0,90% 1,04% 1,13% 1,16% 1,31% 1,32% 1,37% 1,66% 1,71% 1,82% 3,30% 3,40% 3,50% 4,60% 4,70% 4,80% 6,00%

123

ANNEXE 11: Structure par terme des taux LIBOR et des taux d'tat (GOVT) en AUD, EUR, PLN, NOK, GPB et USD au 01/06/07
Currency AUD AUD EUR EUR GBP GBP NOK NOK PLN PLN USD USD Rate Type 6Month 1Year Govt 6,46% 6,24% Libor 6,35% 6,55% Govt 4,12% 4,28% Libor 4,26% 4,47% Govt 5,86% Libor 5,96% 6,16% Govt 4,77% 4,94% Libor 4,88% 5,24% Govt 4,30% 4,50% Libor 4,52% Govt 4,98% Libor 5,40% 5,45%

2Year 6,28% 6,61% 4,44% 4,67% 5,78% 6,14% 5,02% 5,63% 4,60% 5,10% 4,98% 5,39%

3Year 6,23% 6,65% 4,45% 4,68% 5,73% 6,12% 5,10% 5,67% 4,91% 5,21% 4,94% 5,38%

5Year 6,18% 6,67% 4,46% 4,68% 5,56% 5,99% 5,14% 5,64% 5,14% 5,29% 4,93% 5,42%

7Year 10Year 15Year 20Year 30Year 6,14% 6,04% 6,03% 6,62% 6,56% 4,47% 4,46% 4,54% 4,61% 4,58% 4,69% 4,73% 4,80% 4,82% 4,80% 5,42% 5,29% 5,18% 4,89% 4,67% 5,86% 5,68% 5,46% 5,27% 4,99% 5,12% 5,08% 5,63% 5,62%

5,31% 4,94% 5,46%

5,32% 4,96% 5,53%

4,98% 5,62%

5,01% 5,67%

5,06% 5,67%

Source : CreditManager

124

ANNEXE 12: Structure par terme des taux LIBOR et des taux d'tat (GOVT) en AUD, EUR, PLN, NOK, GPB et USD au 01/06/07
Currency AUD AUD EUR EUR GBP GBP NOK NOK PLN PLN USD USD Rate Type 6Month 1Year Govt 6,46% 6,24% Libor 6,35% 6,55% Govt 4,12% 4,28% Libor 4,26% 4,47% Govt 5,86% Libor 5,96% 6,16% Govt 4,77% 4,94% Libor 4,88% 5,24% Govt 4,30% 4,50% Libor 4,52% Govt 4,98% Libor 5,40% 5,45%

2Year 6,28% 6,61% 4,44% 4,67% 5,78% 6,14% 5,02% 5,63% 4,60% 5,10% 4,98% 5,39%

3Year 6,23% 6,65% 4,45% 4,68% 5,73% 6,12% 5,10% 5,67% 4,91% 5,21% 4,94% 5,38%

5Year 6,18% 6,67% 4,46% 4,68% 5,56% 5,99% 5,14% 5,64% 5,14% 5,29% 4,93% 5,42%

7Year 10Year 15Year 20Year 30Year 6,14% 6,04% 6,03% 6,62% 6,56% 4,47% 4,46% 4,54% 4,61% 4,58% 4,69% 4,73% 4,80% 4,82% 4,80% 5,42% 5,29% 5,18% 4,89% 4,67% 5,86% 5,68% 5,46% 5,27% 4,99% 5,12% 5,08% 5,63% 5,62%

5,31% 4,94% 5,46%

5,32% 4,96% 5,53%

4,98% 5,62%

5,01% 5,67%

5,06% 5,67%

Source : CreditManager

125

ANNEXE 13: Rsultats des tudes sur le taux de recouvrement et prsentes dans CreditManager Name Recovery Rate (%) Recovery Rate Standard Deviation 23 26.6 25 22 18 26 26 25 20 9

Altman & Kishore [97] Senior Secured Altman & Kishore [97] Senior Unsecured Altman & Kishore [97] Senior Subordinated Altman & Kishore [97] Subordinated Altman & Kishore [97] Junior Subordinated Carty & Leiberman [97] Senior Secured Carty & Leiberman [97] Senior Unsecured Carty & Leiberman [97] Senior Subordinated Carty & Leiberman [97] Subordinated Carty & Leiberman [97] Junior Subordinated
Loans, Commitments Name

58 47.7 35 32 21 63 48 38 28 15

Recovery Rate (%)

Asarnow & Edwards [95] Carty & Leiberman [97]

65 71

Recovery Rate Standard Deviation 38 21

Credit Default Swaps, MDI's, Letters of Credit, Receivable Name Recovery Recovery Rate (%) Rate Standard Deviation Carty & Leiberman [97] 48 26 Altman & Kishore [97] 48 27

126

ANNEXE 14: Entits du portefeuille fictif

Nom entit AAC GROUP HLDG AXA SA B C D E F GMAC INTL FIN BV H J M N P Q R REALOGY CORP TURANALEM FIN BV U X Rating Taille des actifs en 2006 ( millions) 727555 EUR 214313 EUR 823284,2 EUR 523990 EUR 162212 EUR 177862 EUR 287439 USD 1255956 CHF 1261296 EUR 871432 GBP 14403343 EUR (0,9831) 1126230 EUR 256754 GBP 6668 USD 566743 EUR 458633 EUR

CCC BBB+ AAA+ A+ AAAABBAAAAAA AA+ AA+ AA AA+ CCC BB AA+ AA

127

ANNEXE 15: Entits du portefeuille rel

Counterparty A A B B C C C C C D D E E E E E E E E E E E F F F F F G G G H H H H H H H H H H H I I J J J J K L L L M M M M Currency USD USD EUR EUR USD EUR EUR EUR EUR EUR EUR USD USD EUR EUR EUR EUR EUR EUR EUR EUR EUR EUR EUR EUR EUR EUR USD USD USD USD USD EUR EUR EUR EUR EUR EUR EUR EUR EUR USD USD USD USD EUR EUR EUR USD USD GBP USD USD AUD USD Maturity Date 25/07/2007 06/08/2007 27/09/2007 30/11/2007 05/11/2007 27/06/2007 05/07/2007 30/08/2007 30/11/2007 11/09/2007 26/10/2007 27/06/2007 29/06/2007 20/06/2007 05/07/2007 19/07/2007 06/08/2007 13/08/2007 27/08/2007 05/10/2007 18/10/2007 30/11/2007 05/07/2007 21/09/2007 26/09/2007 26/10/2007 28/11/2007 19/06/2007 27/06/2007 14/08/2007 27/06/2007 22/10/2007 29/06/2007 06/07/2007 17/07/2007 25/07/2007 09/08/2007 20/08/2007 27/09/2007 26/10/2007 26/11/2007 05/07/2007 21/08/2007 20/08/2007 13/11/2007 02/08/2007 10/08/2007 25/07/2007 04/06/2007 30/08/2007 05/06/2007 12/07/2007 09/08/2007 15/08/2007 10/09/2007 Face value 35 000 000.00 620 000 000.00 170 000 000.00 85 000 000.00 100 000 000.00 151 000 000.00 40 000 000.00 15 862 059.49 100 000 000.00 21 111 964.00 240 000 000.00 310 057.30 400 000.00 100 000 000.00 15 000 000.00 100 000 000.00 5 000 000.00 56 000 000.00 10 000 000.00 13 180 406.87 10 100 000.00 90 000 000.00 60 000 000.00 150 000 000.00 100 000 000.00 70 000 000.00 5 000 000.00 60 000 000.00 120 000 000.00 45 000 000.00 112 000.00 200 000 000.00 7 342 352.17 10 457 584.17 50 000 000.00 98 000 000.00 15 863 069.34 21 039 062.00 30 000 000.00 16 000 000.00 2 000 000.00 155 000 000.00 70 000 000.00 291 636.00 359 000 000.00 21 095 023.18 15 809 109.00 102 000 000.00 55 869 750.00 190 000 000.00 70 000 000.00 137 246.47 661 943.00 222 909.00 180 000 000.00 Deal Rate 5.3 5.295 3.985 4.22 5.3 3.8 3.83 4.075 4.215 4.055 4.09 5.3 5.3 3.77 3.83 3.855 3.875 3.91 3.94 4.15 4.065 4.215 3.83 3.98 3.985 4.09 4.2 5.3 5.3 5.35 5.27 5.305 3.88 3.915 3.845 3.87 4.01 3.995 3.98 4.08 4.19 5.31 5.34 5.33 5.32 4 4.02 3.865 5.275 5.3 5.56 5.32 5.34 6.34 5.3 Book value 36855000 652829000 176774500 88587000 105300000 156738000 41532000 16508438.4 104215000 21968054.1 249816000 326490.337 421200 103770000 15574500 103855000 5193750 58189600 10394000 13727393.8 10510565 93793500 62298000 155970000 103985000 72863000 5210000 63180000 126360000 47407500 117902.4 210610000 7627235.43 10866998.6 51922500 101792600 16499178.4 21879572.5 31194000 16652800 2083800 163230500 73738000 307180.199 378098800 21938824.1 16444635.2 105942300 58816879.3 200070000 73892000 144547.982 697290.756 237041.431 189540000

128

M M M M M M M M M M M M M N N O P P P P P P P P P P P P Q Q Q Q Q Q Q Q R S S U U V V V W W W X X X X X X X X X X X X

USD EUR EUR EUR EUR EUR USD EUR EUR EUR EUR EUR EUR USD USD GBP AUD USD USD USD USD USD GBP GBP GBP GBP GBP EUR USD USD USD USD USD USD USD USD EUR USD GBP USD USD USD EUR EUR USD USD GBP USD USD USD USD USD EUR EUR EUR EUR EUR EUR EUR

22/10/2007 07/08/2007 27/08/2007 17/09/2007 24/09/2007 07/11/2007 13/08/2007 20/07/2007 02/08/2007 13/08/2007 16/08/2007 24/09/2007 30/11/2007 11/07/2007 12/10/2007 20/06/2007 16/07/2007 28/08/2007 04/09/2007 24/08/2007 30/08/2007 13/11/2007 20/06/2007 20/06/2007 28/06/2007 02/07/2007 21/08/2007 20/06/2007 18/06/2007 27/06/2007 19/07/2007 19/07/2007 01/08/2007 06/08/2007 13/08/2007 04/09/2007 14/09/2007 07/06/2007 20/06/2007 07/06/2007 10/09/2007 21/08/2007 21/08/2007 24/08/2007 13/08/2007 13/08/2007 17/07/2007 20/06/2007 07/08/2007 15/06/2007 24/07/2007 22/10/2007 15/06/2007 29/06/2007 05/07/2007 18/07/2007 18/07/2007 13/08/2007 25/10/2007

190 000 000.00 100 000 000.00 90 000 000.00 100 000 000.00 23 000 000.00 12 200 000.00 239 881.00 14 780 313.00 300 000 000.00 150 000 000.00 20 776 759.00 100 000 000.00 225 000 000.00 36 164.09 65 000 000.00 150 000 000.00 237 963.01 135 644.00 25 000 257.00 135 000 000.00 200 000 000.00 155 000 000.00 79 000 000.00 49 000 000.00 15 000 000.00 10 000 000.00 205 000 000.00 7 290 615.00 120 000 000.00 80 000 000.00 75 000 000.00 125 000 000.00 75 000 000.00 80 000 000.00 110 000 000.00 100 000 000.00 100 000 000.00 220 000 000.00 30 000 000.00 435 000 000.00 100 000 000.00 53 788.00 100 000 000.00 21 186 133.65 160 000 000.00 75 000 000.00 50 000 000.00 177 000.00 71 650.00 110 000 000.00 200 000 000.00 35 000 000.00 15 000 000.00 8 153 419.47 60 000 000.00 13 083 569.30 15 745 524.45 110 000 000.00 5 000 000.00

5.305 3.88 3.9425 3.97 3.985 4.12 5.3 3.95 3.89 3.91 3.985 3.985 4.215 5.305 5.32 5.52 6.4 5.32 5.3 5.3 5.3 5.315 5.52 5.52 5.52 5.54 5.68 3.86 5.32 5.3 5.3 5.34 5.345 5.3 5.35 5.31 3.975 5.29 5.52 5.29 5.305 5.29 3.92 4.05 5.345 5.35 5.52 5.31 5.32 5.33 5.345 5.305 3.865 3.87 3.83 3.945 3.91 3.91 4.08

200079500 103880000 93548250 103970000 23916550 12702640 252594.693 15364135.4 311670000 155865000 21604712.8 103985000 234483750 38082.595 68458000 158280000 253192.643 142860.261 26325270.6 142155000 210600000 163238250 83360800 51704800 15828000 10554000 216644000 7572032.74 126384000 84240000 78975000 131675000 79008750 84240000 115885000 105310000 103975000 231638000 31656000 458011500 105305000 56633.3852 103920000 22044172.1 168552000 79012500 52760000 186398.7 75461.78 115863000 210690000 36856750 15579750 8468956.8 62298000 13599716.1 16361174.5 114301000 5204000

129

X X X X X X Y Y Y Y Y

EUR USD EUR EUR EUR EUR USD USD USD USD USD

05/12/2007 18/06/2007 27/07/2007 14/08/2007 27/08/2007 21/09/2007 01/06/2007 04/06/2007 07/06/2007 15/06/2007 02/08/2007

3 000 000.00 110 000 000.00 20 846 169.03 15 834 198.34 80 000 000.00 50 000 000.00 100 000 000.00 100 000 000.00 270 000 000.00 100 000 000.00 50 000 000.00

4.22 5.32 4.01 4.035 3.94 3.98 5.33 5.28 5.29 5.325 5.345

3126600 115852000 21682100.4 16473108.2 83152000 51990000 105330000 105280000 284283000 105325000 52672500

130

ANNEXE 16: Caractristiques des metteurs (groupes bancaires) du portefeuille rel

Emetteur A B C D E F G H I J K L M N O P Q R S U V W X Y rating AAAAA+ A+ AAAAAAAAAAAAAAAAAA AA+ AA AA+ AA AA+ AA AA+ AA AA AA AA+ Pays France France Italie Allemagne Irlande Irlande Irlande France Belgique Suisse Grande Bretagne Danemark France Grande Bretagne Grande Bretagne France Allemagne Grande Bretagne Espagne Belgique Grande Bretagne Pays-Bas France Allemagne Secteur Banque Banque Banque Banque Banque Banque Banque Banque Banque Banque Banque Banque Banque Banque Banque Banque Banque Banque Banque Banque Banque Banque Banque Banque Taille des actifs en 2006 (millions USD) 1 261 978,0 282 657,4 1 085 830,0 6 910 895,5 196 909,1 209 079,9 270 537,9 1 202 450,0 134 159,2 484 551,1 1 663 523,0 1 705 305,0 2 610 383,4 1 899 668,0 1 485 382,9 1 950 612,0 543 276,4 747 477,3 1 860 758,0 1 617 376,0 604 891,1 190 621,9 Indice MSCI MSCI FR Banks MSCI FR Banks MSCI IT Banks MSCI DE Banks MSCI IE Banks MSCI IE Banks MSCI IE Banks MSCI FR Banks MSCI BE Banks MSCI CH Financial sectors MSCI GB Banks MSCI DK Banks MSCI FR Banks MSCI GB Banks MSCI GB Banks MSCI FR Banks MSCI DE Banks MSCI GB Banks MSCI ES Banks MSCI BE Banks MSCI GB Banks MSCI NL Banks MSCI FR Banks MSCI DE Banks R 0,9385 0,8701 0,9335 0,9749 0,8460 0,8502 0,8674 0,5000 0,9369 0,5000 0,8164 0,9001 0,9467 0,8598 0,9579 0,9503 0,9435 0,9509 0,9056 0,9196 0,9497 0,9459 0,9106 0,9436

131

ANNEXE 17: Mesure du risque par contrepartie Contrepartie A H E C J L F B I D K G S R P M Q U V W Y O X N Ensemble VaR (99,99%) Standard Deviation Of Horizon Value 2 856 389 2 439 724 2 084 945 3 259 668 2 150 168 1 511 862 1 909 020 1 640 115 892 549 1 253 058 569 300 836 266 2 0 4 6 5 5 1 2 3 1 4 0 8 374 131 Expected Loss

249 787 876 198 952 157 195 643 241 188 293 515 155 160 484 146 284 547 134 500 653 125 086 640 85 846 911 64 327 535 49 835 031 17 170 638 0 0 0 0 0 0 0 0 0 0 0 0 361 343 361

38 840 34 422 31 696 70 863 32 274 21 122 27 347 24 860 12 491 27 938 7 269 11 707 0 0 0 0 0 0 0 0 0 0 0 0 340 830

132

ANNEXE 18: Portefeuille fictif utilis pour la dtermination de la limite en VaR

Nom Entit A B C D F F G H I J K L M O Q R S V W X Y Limite en ERC 1 170 000 000 1 170 000 000 325 000 000 325 000 000 390 000 000 390 000 000 390 000 000 1 170 000 000 390 000 000 325 000 000 390 000 000 390 000 000 1 560 000 000 747 500 000 520 000 000 747 500 000 520 000 000 520 000 000 520 000 000 1 430 000 000 325 000 000 Devise Maturit Nominal Taux

EUR EUR EUR EUR EUR EUR EUR EUR EUR EUR EUR EUR EUR EUR EUR EUR EUR EUR EUR EUR EUR

31/12/2007 31/12/2007 31/12/2007 31/12/2007 31/12/2007 31/12/2007 31/12/2007 31/12/2007 31/12/2007 31/12/2007 31/12/2007 31/12/2007 31/12/2007 31/12/2007 31/12/2007 31/12/2007 31/12/2007 31/12/2007 31/12/2007 31/12/2007 31/12/2007

780 000 000 780 000 000 216 666 667 216 666 667 260 000 000 260 000 000 260 000 000 780 000 000 260 000 000 216 666 667 260 000 000 260 000 000 1 040 000 000 498 333 333 346 666 667 216 666 667 346 666 667 346 666 667 346 666 667 953 333 333 216 666 667

4,22 4,22 4,215 4,09 4,09 3,94 4,22 4,19 4,22 4,22 3,865 4,22 4,215 3,92 4,215 3,975 4,215 3,92 3,92 3,98 3,975

133