Vous êtes sur la page 1sur 58

1

Gestion des risques et risque de cr edit


Vivien BRUNEL

This version: January 28, 2009

Chapter 1

Les risques dans la banque


1.1 Activit es dune banque

On distingue essentiellement deux types de banques : les banques commerciales et les banques dinvestissement. Les banques commerciales travaillent avec leurs clients, particuliers, professionnels, PME et grandes entreprises dont elles collectent les d ep ots et ` a qui elles accordent des pr ets. Les banques commerciales sont s epar ees en g en eral en deux cat egories, selon le type de client` ele : la banque de d etail est en charge des particuliers et PME, la banque daaires est en charge des grandes entreprises. Dautre part, les banques dinvestissement travaillent sur les march es nanciers quelles interm edient et sont en charge des emissions en primaire de titres sur les march es pour le compte de leur clients, les fusions-acquisitions, le trading de produits d eriv es... Il existe une sp ecicit e aux Etats-Unis depuis la crise de 1929. Adopt e` a lapog ee de la crise en 1933, le Glass-Steagall Act visait ` a interdire la r ep etition de ce qui, ` a l epoque, etait per cu dans lopinion comme lune des causes de la bulle boursi` ere : la sp eculation sur les actions par les banques de d etail. Cette loi a donc s epar e les banques commerciales des banques dinvestissement, mais est peu ` a peu tomb ee en d esu etude pour dispara tre en 1999 suite ` a la cr eation de Citigroup. Citigroup est un exemple de banque dite universelle, comme il en existe beaucoup en Europe. Les banques universelles rassemblent au sein dun m eme groupe des activit es de banque commerciale, de banque de r eseau, mais aussi de gestion dactifs, de services nanciers aux investisseurs, de services nanciers sp ecialis es (cr edits ` a la consommation, assurance...). Pour bien comprendre la nature des risques de la banque, et la fa con dont elle va les g erer, il faut conna tre ses interlocuteurs. Ceux-ci sont de trois types : Cr eanciers : lactivit e de base de la banque est de pr eter de largent ` a ses clients an quils puissent nancer leur activit e ou leurs projets. Les cr eanciers de la banque sont donc des particuliers, des entreprises, ou des etats. March es nanciers : lacc` es privil egi e de la banque aux march es est dautant plus important que 3

CHAPTER 1. LES RISQUES DANS LA BANQUE cela permet ` a la banque de g erer une partie des risques engendr es par son activit e de nancement. R egulateur, autorit e de tutelle : lactivit e bancaire est tr` es r eglement ee, dune part en France par lAMF (Autorit e des March es Financiers), dautre part par la commission bancaire qui impose aux banques de mettre des fonds propres en couverture du risque quelle prennent.

Il existe donc un paradoxe au niveau des banques : si une r eglementation intervient sur le niveau de risque des banques, les d eposants sont plus conants et la banque y trouve son int er et.

1.2

D enition des risques, typologie des risques

Le risque est li e` a la notion dincertitude (variabilit e des gains ou pertes) mais egalement au fait quil a des cons equences n egatives : on parle rarement du risque de gagner ! Ces deux aspects de la notion de risque sont contenus dans les mesures de risque habituellement utilis ees. La variabilit e des gains est mesur ee par la volatilit e, alors que les cons equences n egatives dun risque sont mesur ees par la VaR (Value at Risk). De fa con g en erale, un risque est un ev enement qui peut aecter la chronique des ux ` a recevoir par un etablissement nancier (son compte de r esultat, sa valeur actuelle nette, ses etats nanciers). On distingue toutefois les risques portant sur un d ebiteur sp ecique des risques du syst` eme tout entier, portant sur lensemble des banques. On parle respectivement de risque sp ecique et de risque syst emique, ce dernier etant une perturbation qui aecte gravement le fonctionnement du syst` eme, cest-` a-dire ses acteurs (banques, institutions nanci` eres), ses m ecanismes de fonctionnement (syst` emes de compensation, de r` eglement,...) et ses m ecanismes r eglementaires. Ce risque syst emique est susceptible dengendrer des faillites en cha ne au sein du syst` eme bancaire. Les risques portant sur les banques sont de deux types : il y a les risques nanciers et les risques non nanciers. Les risques nanciers sont les risques li es aux variations de prix des actifs nanciers (actions, obligations, taux de change). On distingue : Risque de liquidit e : Il sagit du risque le plus important pour un etablissement bancaire qui se mat erialise en g en eral par une course au guichet des epargnants pour retirer leur epargne suite ` a une rumeur de non solvabilit e par exemple. Risque de cr edit : cest le risque historique de la banque dont les m etiers de base sont le pr et et le nancement. Une banque qui pr ete ` a un etat risqu e ou ` a une entreprise risqu ee prend le risque de ne pas r ecup erer lint egralit e du principal de son pr et. Ce risque est li e` a la qualit e de signature de lemprunteur. Le risque de cr edit se subdivise en 4 cat egories : le risque de d efaut du client, le risque de d egradation de la qualit e de sa signature (risque de transition de rating), le risque de march e sur la qualit e de sa signature (ou risque de spread) et le risque de contrepartie sur les contrats d eriv es avec une contrepartie risqu ee. Risque de taux dint er et : la hausse de la volatilit e des taux dint er ets survenue ` a partir des ann ees 70 a permis lessor de la gestion actif-passif. Les d ep ots collect es (qui sont des engagements ` a court

1.3. MESURE ET CONTROLE DU RISQUE

terme de la banque vis-` a-vis des d eposants) sont plac es ` a moyen et long termes, faisant courir ` a la banque un risque de taux dint er et important compte tenu des sommes mises en jeu. Risque de change : un etablissement international a des activit es dans di erents pays et publie un bilan dans une seule devise. Son r esultat est donc sujet aux uctuations des taux de change. Risque de march e : outre que les banques sont des investisseurs pour compte propre, leurs activit es dinterm ediation sur les march es nanciers engendrent des risques li es aux uctuations des march es (taux dint er ets, taux de change, cr edit, actions mati` eres premi` eres). Options cach ees : ce risque est surtout important en banque commerciale. Un des exemples les plus courants est celui li e` a loption de remboursement anticip e d etenue par de nombreux particuliers qui sendettent aupr` es des banques pour acqu erir leur r esidence principale. En eet, lorsquun client rembourse de fa con anticip ee son cr edit, la banque doit renoncer ` a toucher les ux dint er ets qui etaient pr evus dans le futur, ce qui constitue un manque ` a gagner. Par ailleurs, des produits d epargne tr` es courants tels que le PEL par exemple contiennent de nombreuses options de taux dint er et, qui ne seront en g en eral pas exerc ees de fa con optimale, ce qui rend leur couverture dautant plus dicile ` a calibrer. Les risques non nanciers comprennent entre autres : Risque de marges (ou de volume) : de nombreuses activit es bancaires ont des revenus proportionnels au volume dactivit e. Cest par exemple le cas des asset managers (r emun eration proportionnelle aux encours g er es). Dans ce cas, si les lev ees dencours sont faibles, les r emun erations futures seront faibles. Risques r eglementaires et l egaux. Risque op erationnel : fraude, bug informatique, incendie des locaux... Les grands sinistres bancaires sont souvent dus au risque op erationnel (Barings, SG). Selon le document consultatif du comit e de B ale, les risques op erationnels se d enissent comme les risques de pertes directes ou indirectes r esultant de linadaptation ou de la d efaillance de proc edures, de personnes ou de systemes ou r esultant d ev enements ext erieurs (the risk of direct or indirect loss resulting from inadequate or failed internal processes, people and systems or from external events). Cette d enition a et e critiqu ee, car il est relativement dicile de calculer certaines pertes indirectes.

1.3

Mesure et contr ole du risque

La mesure et le contr ole des risques sont r ealis es ` a plusieurs niveaux dans la banque et sont en g en eral organis es par le d epartement des risques et la direction nanci` ere (pour ce qui concerne le risque de taux et de change). Pour le risque de cr edit, les d ecisions doctroi de cr edit sont prises selon une intervention des di erents niveaux hi erarchiques au sein de la direction des risques, et selon limportance du dossier.

CHAPTER 1. LES RISQUES DANS LA BANQUE

Pour les risques de march e, des equipes sont d etach ees sur place dans les salles de march e, dans les soci et es de gestion, au contact des equipes commerciales, de structuration et de trading. Au niveau global de la banque, la gestion des risques est pilot ee via une allocation optimale des fonds propres. Cette allocation prend en compte le couple rentabilit e / risque de chaque transaction origin ee par la banque. Une r eglementation bancaire, n egoci ee ` a un niveau supranational et adapt ee dans chaque pays par les autorit es de tutelle, impose un niveau minimal de fonds propres (fonds propres r eglementaires) pour les banques.

Chapter 2

La gestion du risque de cr edit


2.1 Mod elisation dun pr et bancaire

La banque, en tant quinterm ediaire nancier, est au cur du syst` eme de nancement de l economie ; tout le monde fait appel ` a sa banque pour acc eder au march e de la dette : particuliers, professionnels, entreprises, collectivit es, etats, tous demandent ` a leur banque de nancer leur eet de levier an dobtenir aujourdhui des fonds pour acqu erir un bien ou un actif quil nont pas les moyens de nancer par leurs seuls fonds propres. Ce qui rend un portefeuille bancaire particuli` erement risqu e est que le portage des pr ets sur le bilan de la banque est associ e` a une grande incertitude sur les remboursements futurs. Cette incertitude vient avant tout du risque intrins` eque de chaque client et de chaque pr et qui ont une maturit e g en eralement tr` es longue. Les banques ont d evelopp e des m ethodes danalyse du risque de leurs clients (d etermination de la probabilit e de d efaut), des pr ets individuels (determination du recouvrement et de lexposition au moment du d efaut) et de leur portefeuille de cr edit (mod elisation des d ependances des d efauts). La mod elisation du rendement dun pr et est beaucoup plus complexe que celui dautres types de classes dactifs ` a cause de lasym etrie de sa loi de distribution. La valeur dun pr et est limit ee ` a la hausse contrairement ` a celle des actions. En eet, si la situation dune soci et e sam eliore, la banque nen prote pas car la soci et e peut se renancer ` a un taux plus attractif. A linverse, si la situation de lentreprise se d egrade, la banque en subit pleinement les cons equences car la marge que lui r emun` ere le pr et octroy e ne change pas. Cette asym etrie est caract eristique du risque de cr edit et on la retrouve au niveau de la loi des pertes du portefeuille de la banque. Dans le sc enario extr eme o` u la soci et e nest plus en mesure de rembourser sa dette, la banque ne r ecup erera quune fraction du montant pr et e. Il est donc essentiel pour la banque de conna tre, sur chaque pr et, le montant dExposition Au D efaut (Exposure at Default en anglais ou EAD), quon peut d enir comme la perte maximale que peut faire la banque sur ce pr et en cas de d efaut imm ediat. Suite au d efaut la perte support ee nalement est inf erieure ` a lEAD car la banque obtient un recouvrement R non nul sur le pr et. La mod elisation de la perte sur un pr et passe donc par lestimation de la perte en cas de d efaut (Loss Given Default LGD = 1 R). Ces informations sur lamplitude des pertes en cas de d efaut concernant le pr et doivent etre compl et ees par une information sur la fr equence des d efauts dici 7

CHAPTER 2. LA GESTION DU RISQUE DE CREDIT

la maturit e du pr et. Cette information est contenue dans la probabilit e de d efaut (Probability of Default ou P D) ou, da fa con plus pr ecise, de la structure par terme des probabilit es de d efaut de lemprunteur. Le produit entre la perte en cas de d efaut et lexposition au d efaut sappelle la s ev erit e de la perte, qui est egalement une variable al eatoire. Vue daujourdhui, la perte L ` a venir est donc une variable al eatoire egale au produit de la s ev erit e de la perte et de la variable indicatrice du d efaut : L = EAD.LGD.ID = SEV.ID o` u ID est la variable indicatrice du d efaut et SEV la variable al eatoire de s ev erit e de la perte. Les trois param` etres de risque caract eristiques dun pr et (EAD, LGD et P D) servent ` a estimer le risque attendu (perte moyenne ou Expected Loss (EL)) et le risque non attendu (Unexpected Loss (U L)) qui correspond ` a l ecart-type (ou la variance) de la perte. Nous calculons la perte moyenne sur le pr et : EL = E (L) = P D.LGD.EAD, et la variance de la perte est : var(L) = var(SEV ).P D + E (SEV )2 .P D.(1 P D) Il existe plusieurs types de pr ets que lon classe suivant leurs caract eristiques contractuelles. On distingue principalement les pr ets ` a terme (term loans ) des pr ets revolving. Les pr ets ` a terme sont des pr ets o` u le montant pr et e est octroy e` a la date initale, et les ech eances de remboursement sont d enies contractuellement. On parle de pr ets amortissables. Un pr et in ne ou bullet a une seule ech eance, ` a maturit e du pr et. Il existe dautres prols damortissement classiques tels que le prol lin eaire ou le prol damortissement ` a annuit es constantes, Principal + Int er ets constant (P+I constant). Prenons lexemple dun pr et P+I constant et appelons x la mensualit e pay ee par lemprunteur, T la maturit e du cr edit, rM le taux dint er et pay e par lemprunteur sur son capital restant d u, Kt le capital restant d u` a la date t. Supposons que lemprunteur paie ses int er ets ` a fr equence r eguli` ere (tous les mois par exemple). A la date de paiement de la mensualit e t + , lemprunteur paie un montant dint er ets egal ` a rM Kt et rembourse un montant de principal egal ` a x rM Kt . Donc la variation du capital restant d u entre les dates t et t + est : Kt+ Kt = rM Kt x Sachant que le capital restant d u initial est egal au montant emprunt e initialement M (K0 = M ), le capital restant d u est solution dune suite arithm etico-g eom etrique dont la solution est obtenue par r ecurrence : Kt = x 1 (1 + rM )t/ + (1 + rM )t/ M rM

La mensualit e x est x ee par la condition KT = 0, ce qui donne : x=M (1 + rM )t/ rM (1 + rM )t/ 1

BANCAIRE 2.1. MODELISATION DUN PRET

1200

1000

800 Intrts Principal

600

400

200

0 0 20 40 60 80 100 120

Figure 2.1: Evolution des ux dint er et et de principal sur un pr et amortissable P+I constant.

Le graphique ci-dessous donne l evolution des ux dint er ets et de principal ` a chaque mensualit e. Le pr et a un montant nominal de 100 000 EUR, un taux dint er et rM = 5%, une maturit e T = 10 ans. Les mensualit es xes s el` event ` a 1060 EUR. Certains pr ets class es dans la cat egorie des term loans ne sont pas tir es ` a la date initiale mais font lobjet de tirages ech eanc es pendant la dur ee de vie du pr et. Ces pr ets sont sp eciques de certains types de nancement de projet ou de nancements exports car les besoins de nancement sont etal es dans le temps. Nous reviendrons sur ces types de pr ets dans le chapitre 4. Les pr ets revolving orent une possibilit e suppl ementaire ` a lemprunteur qui peut ` a loisir tirer sur sa ligne de cr edit dans la limite dune enveloppe d enie contractuellement. On distingue donc la partie tir ee (outstanding ) du cr edit de la partie non tir ee. Lenveloppe de cr edit disponible est appel ee engagement (commitment en anglais) de la banque. Le montant tir e est le montant que la banque est susceptible de perdre si lemprunteur fait faillite imm ediatement. Prenons lexemple dun emprunteur qui tire un montant de 10 MEUR sur une capacit e de cr edit totale de 100 MEUR. Pour autant, le risque de la banque ne se limite pas au montant tir e de 10 MEUR, car le client peut tirer les 90 MEUR suppl ementaires autoris es et faire d efaut ensuite. La partie non tir ee dun pr et (ou le montant dengagement total) est donc un el ement de risque important ` a prendre en compte dans le calcul de lEAD. Si on peut raisonnablement mod eliser la partie tir ee comme un pr et ` a terme, le tirage de la partie non tir e de la part de lemprunteur est optionnel et n ecessite donc une mod elisation sp ecique. Il faut noter quil existe une corr elation entre le niveau de tirage dun pr et de type revolving et la situation nanci` ere de lemprunteur, car un emprunteur en d etresse va utiliser son enveloppe de cr edit pour tenter dam eliorer sa situation. La mod elisation du risque de cr edit sur les pr ets bancaires passe egalement par lanalyse des options attach ees au pr et, appel ees covenants. Ces options sont soit au b en ece de la banque soit ` a celui de lemprunteur. Parmis les exemples de covenants classiques, on peut mentionner la possibilit e de modication du niveau de tirage maximum sur un pr et revolving, une am elioration de la seniorit e de lemprunt, une augmentation du niveau de collat eral, un repricing du pr et. La prise en compte du caract` ere option-

10

CHAPTER 2. LA GESTION DU RISQUE DE CREDIT

nel de ces covenants et de loption de tirage sur le pr et conduit ` a estimer lEAD. La modication des covenants peut entrainer dans certaines structurations le d eclenchement dun ev enement de d efaut, dont nous reparlerons au chapitre 2 qui concerne les swaps de d efaut (CDS). Le niveau de LGD est quant-` a lui conditionn e au niveau de priorit e de remboursement du pr et en cas de liquidation de lemprunteur et du montant de collat eral dont b en ecie le pr et. Ainsi, un pr et est soit senior soit subordonn e selon le niveau o` u il se situe dans la structure de capital, et il sera soit secured soit unsecured selon quil est ou nest pas collat eralis e (cest-` a-dire quil existe un actif nanti au b en ece du pr eteur pour le cas o` u un d efaut surviendrait). Apr` es le d efaut, et au moment de la liquidation et du remboursement des cr eanciers, le pr et unsecured est rembours e en fonction de son niveau de seniorit e, cest-` a-dire une fois que les pr ets qui lui sont plus senior ont et e compl` etement rembours es. Le remboursement seectue ` a partir des fonds d egag es lors de la liquidation de lactif de la soci et e. Pour chaque niveau de seniorit e il existe des statistiques de LGD unsecured fournies par les agences de rating. Le tableau ci-dessous donne les statistiques de Moodys sur di erents instruments de dette pour di erents niveaux de s eniorit e et de protection : Instrument Pr ets bancaires Senior secured Senior unsecured Obligations Senior secured Senior unsecured Senior subordinated Junior subordinated Action pr ef erentielles Recouvrement 76% 80% 39.7% 76% 76% 29.2% 12.0% 1.1%

Les pr ets secured b en ecient dun rehaussement de leur qualit e de cr edit gr ace ` a la pr esence dun collat eral. Certains pr ets ont un collat eral cash, dont lavantage est d etre tr` es liquide et connu ` a lavance, mais plus g en eralement, le collat eral est un actif qui a une valeur de cession (al eatoire) ` a la date de d efaut, par exemple la valeur dune avion dans le cas dun nancement a eronautique. Au moment du d efaut, la cession du collat eral pour une valeur C permet de rembourser tout ou partie du pr et. Si le pr et nest pas totalement rembours e le montant r esiduel du pr et b en ecie du recouvrement unsecured (nous noterons la LGD unsecured LGDu ). On en d eduit donc la formule g en erale de la s ev erit e pour un pr et secured : SEV = LGDu (EAD C )+

Si le pr et est egalement garanti, la s ev erit e de la perte r eelle sera inf erieure ` a la s ev erit e unsecured car le recouvrement obtenu sera sup erieur. Le garanties sont apport ees par des etablissements tiers, di erents du pr eteur et de lemprunteur. Lorsque lemprunteur fait d efaut, le collat eral est vendu puis le garant d edommage le pr eteur, au maximum ` a hauteur du montant maximum dappel en garantie. Dans lexemple dun pr et en d efaut de 100 MEUR, si on a un collat eral qui vaut 40 MEUR et que le garant peut etre appel e` a hauteur de 30 MEUR, lexposition r esiduelle unsecured de la banque sur lemprunteur

BANCAIRE 2.1. MODELISATION DUN PRET

11

s el` eve ` a 100-40-30 = 30 MEUR. La formule g en erale en tenant compte de lappel en garantie G s ecrit : SEV = LGDu (EAD C G)+ La di erence entre une garantie et un collat eral est que la garantie ne peut etre appel ee que si le garant est encore en vie lorsque le d efaut de lemprunteur survient. La formule de la perte moyenne dun pr et in ne (bullet) sur une p eriode de temps est donc :

EL

= E LGDu (EAD C G.1{Garant en vie} )+ 1{Emprunteur en d efaut} = LGDu (EAD C )+ .P D(E, G) + LGDu (EAD C G)+ .(P D P D(E, G))

o` u P D(E, G) est la probabilit e de d efaut jointe de lemprunteur et du garant et P D est la probabilit e de d efaut de lemprunteur. La perte moyenne dans ce cas ne d epend plus seulement de la probabilit e de d efaut de lemprunteur, mais egalement de la probabilit e de d efaut jointe de lemprunteur et du garant. Il faut egalement garder ` a lesprit que le collat eral peut avoir une valeur corr el ee ` a la situation macro economique, et donc au d efaut. Il faut donc prendre en compte dans le mod` ele la possibilit e de d efaut jointe entre emprunteur et garant, et nous voyons que si nous voulons calculer une perte moyenne sur un pr et amortissable un peu complexe faisant intervenir un ou plusieurs garants, hors cas simples, les calculs analytiques deviennent tout de suite impraticables et n ecessitent lutilisation de m ethodes num eriques de type Monte-Carlo. De plus, le calcul de la perte moyenne sur un pr et complexe fait intervenir les probabilit es de d efaut ` a di erents horizons. On peut calculer la structure par terme des probabilit es de d efaut ` a partir des matrices de transition donn ees par les agences de rating. Si on consid` ere un pr et amortissable simple, lEAD est une fonction d eterministe du temps que nous notons EADt . En appelant la date al eatoire de d efaut et en supposant une LGD xe et connue, la variable al eatoire de perte est : L=
i

LGD.EADti .1{ti < t+1}

100

80

60

40

20

0 0

ti

t i +1

Figure 2.2: Exemple de prol damortissement pour le calcul de lEAD.

12

CHAPTER 2. LA GESTION DU RISQUE DE CREDIT On en d eduit la perte moyenne et la variance de la perte : EL =


t

LGD.EADt .P [t < t + 1]
t 2 EADt .P [t < t + 1] EL2

var(L) = LGD2

2.2

Loi des pertes sur un portefeuille

La mod elisation des pertes sur un portefeuille de cr edit repose sur la connaissance des param` etres de risque sur chaque ligne du portefeuille et sur les d ependances des pertes. Dans certains cas, toutefois, il est possible de donner des propri et es sur la loi des pertes de cr edit dun portefeuille. Une premi` ere propri et e de cette loi des pertes de cr edit vient du fait que la loi des pertes dun portefeuille est ` a support compact (en loccurrence lintervalle [0,1]). Cela contraint de mani` ere consid erable la loi des pertes. Par exemple, si on suppose que la loi des pertes a une esp erance , il est clair que l ecart type de ces pertes est major e (il est au moins major e par 1). En eet : E L2 =
0 1 1

dx x2 f (x)
0

dx x f (x) =

Par cons equent, la variance des pertes dune portefeuille de cr edit est major ee par (1 ), qui est la variance correspondant ` a un portefeuille de cr edit des pertes qui suivent une loi de Bernoulli. De m eme, tous les moments de la loi des pertes sont contraints, et on comprend quil y a deux types de lois qui vont jouer un r ole important : dune part la loi de Dirac centr ee sur , et dautre part la loi de Bernoulli avec une masse de Dirac de poids 1 en 0 (pas de perte sur le portefeuille) et une masse de Dirac de poids en 1 (perte de 100% sur le portefeuille). Entre ces deux cas extr emes, la mod elisation du portefeuille de cr edit permet de calibrer des mesures quantitatives du risque de cr edit. Il existe un cas dans lequel la loi statistique des pertes sur le portefeuille se calcule exactement. Consid erons un portefeuille de cr edit de n lignes equipond er ees. Sur un horizon de temps dune p eriode (un an par exemple), nous mod elisons le d efaut de la ligne i ` a laide dune variable cach ee Ri normale centr ee r eduite ; l ev enement de d efaut est mod elis e par une variable de Bernoulli : Li = 1{Ri <si } La valeur de si est le seuil de d eclanchement du d efaut. La probabilit e de d efaut associ ee ` a la ligne i est donc par d enition N (si ). Dans un cas r ealiste, les d efauts sont corr el es, et une mani` ere de mod eliser cela consiste ` a introduire la d ependance sur les variables d etat Ri . Nous consid erons un portefeuille homog` ene, dans lequel toutes les lignes on la m eme probabilit e de d efaut (si = s pour tout i), et toutes les corr elations de d efaut deux ` a deux sont egales ` a corr(Ri , Rj ) = . Si nous introduisons une variable normale centr ee r eduite F et n autres variables normales centr ees r eduites pouvons poser : Ri = F + 1
i

toutes ind ependantes, nous

Alors, toutes les variables d etat Ri sont des variables normales centr ees r eduites et ont des corr elations deux ` a deux toutes egales ` a .

2.2. LOI DES PERTES SUR UN PORTEFEUILLE

13

Linterpr etation economique du facteur F est quil sagit dun facteur de risque syst emique, commun ` a toutes les lignes du portefeuille. Les facteurs
i

sont les facteurs sp eciques ` a chaque ligne. Le param` etre

de corr elation apparait comme un fecteur de sensibilit e` a la conjoncture economique. La perte totale en pourcentage sur le portefeuille s ecrit (taux de recouvrement choisi nul) : Ln = 1 n
n n

1{Ri <si } =
i=1 i=1

1{

s F i < 1

En conditionnant sur le facteur syst emique F , la perte sur le portefeuille s ecrit comme une somme de variables al eatoires iid. On peut donc appliquer la loi des grands nombres : s F s F F =N lim Ln = L = P i < n 1 1 On conna t donc la loi statistique des pertes dans ce cas particulier : 1 N 1 (x) P (L x) = N La densit e des pertes s ecrit : f (x, s, ) = 1 1 exp 2 1 N 1 (x) s
2

1 N 1 (x) 2

On en d eduit lesp erance et la variance des pertes : E (L) =


dF n(F ) N

s F 1

= N (s)

var(L) = N2 (s, s, ) N (s)2 D emontrons le premier r esultat. Ce type dint egrale se calcule en ecrivant la fonction de r epartition de la loi normale comme une int egrale de la densit e de la loi normale :

s F 1

dF n(F ) N

s F 1

= =

dF n(F ) dF n(F )

n(y ) dy
z F 1 dz 1

On a obtenu la derni` ere egalit e en faisant le changement de variable y = deux int egrales et on calcule lint egrale gaussienne sur la variable F : E (L) = =
s dz 1 s F z 1

z F 1

; on intervertit alors les

df n(z ) n

dz n(z )

= N (s) Le calcul de E (L2 ) seectue de m eme, en utilisant toujours le m eme changement de variable. Le graphe cidessous repr esente la volatilit e des pertes sur le portefeuille de cr edit en fonction du niveau de corr elation. Pour tout < 50%, la loi des pertes du portefeuille est unimodale et le mode vaut : 1 Lm = N s 1 2

14
0.35 0.3 0.25 0.2

CHAPTER 2. LA GESTION DU RISQUE DE CREDIT

0.15 0.1 0.05 0 0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100%

Figure 2.3: Impact de la volatilit e des pertes de cr edit en fonction du niveau de corr elation

Lien entre corr elation dactifs et volatilit e des pertes Dans le mod` ele ` a une p eriode que nous venons de d ecrire, lorsque la corr elation dactifs est nulle, tous les d efauts sont ind ependants, et la loi des pertes est un pic de Dirac centr e sur la perte moyenne du portefeuille car le portefeuille contient une innit e de lignes. Dans lautre cas extr eme, = 1, et tous les actifs ont le m eme comportement : soit aucun ne fait d efaut, soit ils font tous d efaut. La loi des pertes du portefeuille dans ce cas est compos ee de deux masses de Dirac centr ees sur 0 et 1. Entre ces deux situations il y a toutes les valeurs de la corr elation entre 0 et 1, qui engendrent une loi tout dabord fortement piqu ee sur 0 puis qui s elargit au fur et ` a mesure que la corr elation augmente. Lorsque la corr elation d epasse le niveau de 50%, la densit e des pertes passe dune fonction unimodale ` a une distribution bimodale, les deux modes etant localiss en 0 et 1. On en d eduit la fonction de densit e de probabilit e de la perte sur le portefeuille (cf exercice). Celle ci comporte plusieurs modes qui correspondent ` a une corr elation faible entre les actifs (et correspondra dans la majeure partie des cas ` a la r ealit e), une corr elation elev ee et enn une corr elation interm ediaire :
3 rho=20% rho=50% rho=75%
12 10 8 6
rho =15% rho =20% rho =25% rho =30%

Densit des pertes sur un portefeuille granulaire


14

Densit de proba

2.5 2 1.5 1 0.5 0 0% 20% 40% 60%

4 2

80%

100%

0 0% 5% 10% 15% 20%

Perte

Densit / Rpartition des pertes Loi de Vasicek (LGD=100%)


18 16 14 12 10 8 6 4 2 0 4 ,40% 8 ,80% 1 ,76% 6 ,16% 2 ,64% 7 ,04% 3 ,52% 7 ,92% 0,88% 5,28% 9,68% 0% 11 ,44% 10 ,56% 1,2 Proabilit Cumule 1 0,8 0,6 0,4 0,2 0
16% 14% 12% 10% 8% 6% 4% 2% 0% 0

Probabilit d'enforcement en fonction de la corrlation pour diffrentes valeurs du seuil


Perte > 1% Perte > 1.5% Perte > 2% Perte > 2.5%

Probabilit d'enforcement

De nsit

Perte > 3% Perte > 3.5% Perte > 4% Perte > 4.5% Perte > 5%

Niveau de Perte

Densit (LGD=1 00%) Rpartition (LGD=1 00%) Perte Moyenne

10

20

30

40

50 Corrlation (%)

60

70

80

90

100

Diversication en rating Il est instructif de regarder ` a la lumi` ere du mod` ele de Vasicek le cas dun portefeuille granulaire que

2.2. LOI DES PERTES SUR UN PORTEFEUILLE

15

ne serait pas homog` ene en rating. En particulier, on peut mod eliser linhomog en eit e du portefeuille en consid erant que le seuil de d efaut si pour chaque ligne du portefeuille est lui-m eme une variable al eatoire centr ee sur s0 et de variance 2 . Nous posons alors si = s0 + i , o` u les variables i sont des variables normales centr ees r eduites ind ependantes entre elles, ind ependantes du facteur syst emique F et des variables sp eciques
i

. La condition du d efaut pour chaque ligne du portefeuille s ecrit alors : F + 1


i

< s0 + i

Il vient alors pour la variable de perte sur lensemble du portefeuille : L=N s0 F

1 + 2

Calcul du s et

Figure 2.4: Impact de la volatilit e du seuil de d efaut sur la distribution des pertes du portefeuille Pour un taux de d efaut moyen de 10% sur le portefeuille, on constate que la variance des pertes diminue avec le param` etre dinhomog en eit e du portefeuille. En eet, lajout dun al ea suppl ementaire dans le probl` eme vient diversier un peu plus le portefeuille. Pour le dire autrement, un portefeuille h et erog` ene en rating contient moins dincertitude quant-au nombre de efauts sur un horizon donn e quun portefeuille homog` ene en rating. En eet, un portefeuille h et erog` ene, en grossissant le trait, est compos e de ligne de bons ratings qui ont peu de chance de faire d efaut et de lignes mal not ees qui ont une bonne chance de faire d efaut. Cet eet serait att enu e si les seuils, tout en restant al eatoires, etaient corr el es au facteur syst emique F . Corr elations dactifs, corr elations de d efauts En mati` ere de risque de cr edit, on distingue les corr elations dactifs, les corr elations de d efaut et les corr elations de pertes et les corr elations de temps de d efaut. Chaque type de grandeur fait r ef erence un type de mod elisation du risque de d efaut. Les corr elations dactifs font r ef erence aux mod` eles structurels, alors que les corr elations de temps de d efaut font r ef erence au param` etre de corr elation de la copules

16

CHAPTER 2. LA GESTION DU RISQUE DE CREDIT

gaussienne dans les mod` eles intensit e. Il est toutefois possible dans une mod elisation donn ee du risque de d efaut de faire le lien entre les di erents types de corr elations. Par exemple, dans le mod` ele structurel, on ecrit la corr elation des d efauts de la fa con suivante : D = E 1{R1 s1 } .1{R2 s2 } E 1{R1 s1 } .E 1{R2 s2 } P D1 (1 P D1 ) P D2 (1 P D2 )

On en d eduit le lien entre la corr elation dactifs et la corr elation des d efauts dans le mod` ele de Merton : D = N2 (s1 , s2 , ) N (s1 ).N (s2 ) N (s1 )(1 N (s1 )) N (s2 )(1 N (s2 ))

La fonction N2 (s1 , s2 , ) est une fonction croissnte de la corr elation, donc la corr elation de d efaut est egalement croissante en fonction de la corr elation dactifs. Or lim1 N2 (s1 , s2 , ) = min(N (s1 ), N (s2 )). La corr elation de d efaut est maximale lorsque les probabilit es de d efaut sont egales, et dans ce cas, on peut avoir une corr elation de d efaut egale 1. Si les probabilit es marginales de d efaut sont di erentes, toutes les valeurs des corr elations de d efaut ne sont pas atteignables.

Chapter 3

La mod elisation du d efaut


3.1
3.1.1

Le rating
Pr esentation

Le rating re` ete la qualit e de cr edit (credit worthiness en anglais) dun emetteur dinstrument de dette. Les agences de notation utlisent linformation tant quantitative que qualitative sur les emmetteurs. La proc edure de notation est en g en eral plus fond ee sur des crit` eres qualitatifs, le jugement et lexp erience de lanalyste en charge du dossier, plus que sur une mod elisation math ematique du risque de d efaut. Lapproche quantitative est plut ot r eserv ee ` a la notation des produits structur es de cr edit. Les crit` eres qualitatifs et quantitatifs de notation des agences sont disponibles sur leur site internet. Le march e de la dette est tr` es important aux Etats-Unis et au Canada, ce qui explique la tr` es large couverture des agences de notation sur les entreprises et les collectivit es nord-am ericaines. En Europe les agences de notation notent beaucoup moins d emetteurs car le march e obligataire est beaucoup plus restreint et se limite aux grandes entreprises. Cest la raison pour laquelle les banques ont investi, plus quailleurs, dans l elaboration de mod` eles internes. Les principaux crit` eres quantitatifs pour noter un emetteur sont (liste non exhaustive) : Cash-ows et revenus futurs Passif ` a court, moyen et long terme La structure de capital et notamment le levier nancier La situation de la soci et e et du pays de r esidence Activit e de lentreprise et son positionnement dans le march e Qualit e du management En g en eral les banques evaluent la qualit e de cr edit de leurs clients gr ace ` a des mod` eles statistiques et des analystes anent ensuite, ` a fr equence r eguli` ere, la notation sur la base de la relation que la banque 17

18 a avec son client.

CHAPTER 3. LA MODELISATION DU DEFAUT

Les quatre organismes de notation externes les plus connus sont Standard and Poors, KMV Moodys, FitchRatings et DBRS (agence canadienne qui couvre le march e nord-am ericain) qui ont d eni chacun une m ethodologie et une echelle de notation propres, mais equivalentes entre elles. Les agences de rating utilisent une echelle de notation ` a 7 graduations (quon appelle les grades pleins) eux m emes subdivis es en sous grades. Les echelles de rating (en grades pleins) sont les suivantes :

S&P Investment Grade AAA AA A BBB BB B CCC D

Moody's Aaa Aa A Baa Ba B Caa D

Fitch AAA AA A BBB BB B CCC D

Default

Figure 3.1: Echelles de ratings pour les trois agences de notation S&P, Moodys et Fitch. La cat egorie dite Investment Grade regroupe les entreprises ` a forte capacit e de remboursement et dont la sensibilit e aux al eas economiques est r eduite. Au contraire, les entreprises, situ ees dans la cat egorie Speculative Grade orent des garanties bien moindres et sont beaucoup plus sensibles aux chocs economiques. Le risque de cr edit li e` a cette cat egorie etant plus elev e, celui-ci est nettement plus r emun er e au travers dun spread plus elev e. Chaque rating correspond ` a une qualit e de cr edit. On peut qualier la qualit e de cr edit pour chaque rating : AAA AA A BBB BB B CCC D Meilleure qualit e de cr edit, excellente solidit e Tr` es bonne qualit e de cr edit, tr` es solide Bonne qualit e de cr edit, plus sensible aux conditions economiques La plus basse qualit e de cr edit en Investment Grade Prudence requise, la meilleure qualit e de cr edit en Speculative Grade Vuln erable, peut encore honorer ses engagements Hautement vuln erable Un d efaut de paiement est d ej` a survenu

Chaque rating, except e le AAA, est sub-divis e en trois sous-grades, ce qui monte ` a 19 au total le nombre de niveaux de rating en sous-grades (hormis le d efaut). Ces sous-grades sont subdivis es ainsi (exemple illustrant les sous grades du niveau AA) :

Speculative Grade

3.1. LE RATING

19

Standard's and Poors

AA+ AA AA-

Moody's

Aa1 Aa2 Aa3

Figure 3.2: Deux echelles de notations equivalentes chez S&P et Moodys

Concernant lanalyse de risque dun unique emprunteur, la calibration de la probabilit e de d efaut a partir du rating est une ` etape importante qui va conditionner le param etrage des mod` eles de cr edit et donc les r esultats futurs de perte moyenne et de variance des pertes. On peut par exemple utiliser les statistiques de d efauts fournies par les agences de notation quelles utilisent dailleurs comme inputs de leur mod` ele de notation des produits structur es. Par exemple, loutil de notation de CDO de S&P sappelle CDO Evaluator qui utilise en input les probabilit es de d efaut par maturit e et par rating. Nous reproduisons dans le graphique ci-dessous la probabilit e de d efaut (en echelle logarithmique) en fonction du rating.

AA A AA + AA

AA A+

BB B BB + B BB B BB + BB BB B+ B

100.0000%

10.0000%

1.0000%

0.1000% y = 6E-06e0.6351x R2 = 0.968 0.0100%

0.0010%

0.0001%

Figure 3.3: Lien entre la probabilit e de d efaut 1 an de S&P et le rating

nous constatons que le logarithme de la probabilit e de d efaut est une fonction lin eaire du rating avec un coecient 0.63. Cela signie que si l emetteur est d egrad e dun notch sa probabilit e de d efaut est multipli ee par un facteur exp(0.63) 1.9. Ce coecient multiplicateur d epend de lagence consid er ee et de la maturit e retenue. Par exemple, pour une maturit e de 5 ans, les probabilit es de d efaut de S&P sont multipli ee par un facteur 1.5 entre un rating et le suivant. Lordre de grandeur ` a retenir, cest que la probabilit e de d efaut est multipli ee par un facteur compris entre 1.5 et 2 lorsquun emetteur de dette est d egrad e dun notch (un sous-grade).

CC C CC + C CC C-

A-

B-

20

CHAPTER 3. LA MODELISATION DU DEFAUT

3.1.2

Matrices de transition

Les ratings re` etent ` a une date donn ee la qualit e de cr edit dun emprunteur. Celle-ci peut varier dans le temps, aussi les agences de rating calculent-elles egalement des matrices de transition dont la lecture renseigne sur l evolution ` a horizon dune ou plusieurs ann ees de la qualit e de cr edit dun emprunteur, cest ` a dire sa probabilit e de migration vers un autre rating, ainsi que la probabilit e de d efaut. En lisant la matrice de transition suivante, on remarquera par exemple que les rmes not ees AAA restent dans leur grande majorit e (plus de 93% dentre elles) not ees AAA apr` es un an. Leur taux de d efaut est nul, comme indiqu e par la derni` ere colonne. Notons que bien que le taux de d efaut dune contrepartie AAA ` a un an est nul, il est non nul sur un horizon de deux ans. En eet, en supposant que la matrice de transition ne varie pas dune ann ee sur lautre, on aura : P d(AAA) = P d(AAA, D) 1 + P d(AAA, AA) P d(AA, D) + . . . + P d(AAA, CCC ) P d(CCC, D) De mani` ere g en erale, on peut ecrire l equation ma tresse des transitions de rating : la probabilit e de transition du rating i vers le rating j entre les dates 0 et 2 est egale ` a la somme des probabilit es des chemins suivis par le rating ` a toutes les dates entre 0 et 2. En loccurrence, la probabilit e de transition entre les dates 0 et 2 s ecrit : P0,2 =
k=1 D

P0,1 (i, k ).P1,2 (k, j )

Si on suppose que les matrices de transition P0,1 et P1,2 sont egales (hypoth` ese de stationnarit e des
2 matrices de transition), la relation ci-dessus s ecrit simplement P0,2 = P0 ,1
probability of migrating to rating by year end (%) original rating AAA AA A BBB BB B CCC Default AAA 93.66 0.66 0.07 0.03 0.03 0.00 0.16 0.00 AA 5.83 91.72 2.25 0.25 0.07 0.10 0.00 0.00 A 0.40 6.94 91.76 4.83 0.44 0.33 0.31 0.00 BBB 0.08 0.49 5.19 89.26 6.67 0.46 0.93 0.00 BB 0.03 0.06 0.49 4.44 83.31 5.77 2.00 0.00 B 0.00 0.09 0.20 0.81 7.47 84.19 10.74 0.00 CCC 0.00 0.02 0.01 0.16 1.05 3.87 63.96 0.00 Default 0.00 0.01 0.04 0.22 0.98 5.30 21.94 100.00

Figure 3.4: Exemple de matrice de transitions de rating en grades pleins Cette derni` ere remarque nous permet dintroduire le principe de matrice g en eratrice. On recherche une matrice de transition qui sera stable dans le temps, cest ` a dire telle que :
N P0,N = P0 ,1

Plus g en eralement, les probabilit es de transitions de ratings ` a un horizon T sont donn ees par la matrice : P0,T = exp(T ) o` u est la matrice g en eratrice. La logique economique sous-jacente est que les matrices de transitions observ ees ne sont que les r ealisations dune processus de Markov stable (de la m eme fa con que la croissance

3.1. LE RATING

21

economique varie autour de sa moyenne au rythme des p eriodes de r ecession et de forte croissance). Suivant cette propri et e, on doit avoir : Matrice G en eratrice ` a 1 an = ln(Matrice G en eratrice ` a N ann ees) On construira le logarithme de la matrice par s erie enti` ere : ln(1 + X ) =
n1

(1)n1

Xn n

En pratique, toutes les etudes empiriques prouvent que les matrices de transition ne sont pas markoviennes.

3.1.3

La d egradation des ratings

On observe pour les bons ratings une tendance ` a la d egradation au cours du temps. Celle-ci se traduit par une structure par terme de probabilit e de d efaut (croissante) convexe, ce qui indique que la probabilit e de d efaut marginale croissante en fonction de lhorizon du temps. Inversement, une probabilit e de d efaut cumul ee au cours du temps pour un mauvais rating est une courbe (croissante) concave. En eet, un emetteur CCC a une probabilit e de d efaut tr` es elev ee ` a court terme, mais en cas de survie sur un horizon dun an par exemple, il y a de r elles chances pour que son rating se soit am elior e. Sa probabilit e de d efaut forward sur un an dans un an est donc plus faible que la probabilit e de d efaut spot sur un an. Le niveau de rating pour lequel on se situe entre ces deux cas correspond au rating BBB.
P r oba b i l i t s d e d f a ut ( e n %)
P r oba bi l i t s de df a ut ( e n %)

5 4,5 4 3,5 3 2,5 2 1,5 1 0,5 0 1 2 3 4 5 6 7 8 AAA AA A BBB

80 BB 70 B 60 50 40 30 20 10 0 1 2 3 4 5 6 7 8 CCC

hor i z on de t e mps

h o r i z o n d e t e mp s

Figure 3.5: Probabilit es de d efaut cumul ees pour des ratings Investment Grade Probabilit es de d efaut cumul ees pour des ratings Speculative Grade En termes economiques, cette tendance ` a la d egradation vient non seulement de laccroissement de la probabilit e de d efaut lorsque le rating se d egrade, mais egalement ` a lauto-corr elation quon observe dans les d egradations de rating. Les statistiques des agences de rating montrent clairement quune entreprise r ecemment d egrad ee a une probabilit e de d egradations futures beaucoup plus elev ee quune entreprise qui se trouve au m eme niveau de rating depuis longtemps. Une d egradation de rating est une mauvaise nouvelle qui peut mettre une entreprise en dicult e : une d egradation sanctionne et entretient, voire accentue, une situation dicile pour une entreprise.

22

CHAPTER 3. LA MODELISATION DU DEFAUT Quels sont alors les facteurs d eclenchant le d efaut ? Peut-on relier le risque de d efaut ou de transition

de rating ` a la sant e de lentreprise, ` a sa capcit e ` a payer les int er ets de sa dette et ` a en rembourser le capital ? Quelle est la loi du temps de d efaut ? Les paragraphes qui viennent ont pour ambition de r epondre ` a ces questions.

3.2
3.2.1

La mod elisation du d efaut dune entreprise


Description bilantielle de lentreprise

Pour un investisseur dans la dette de lentreprise, le d efaut est en g en eral un ev enement soudain. Il intervient lorsque lentreprise ne peut plus faire face ` a ses engagements, ce qui a inspir e lapproche structurelle dans la mod elisation du d efaut dune entreprise. Lapproche structurelle est une mod elisation de lactif et du passif de lentrerpise. Le d efaut est un ev enement qui survient lorsque la structure du bilan ne permet plus ` a lentreprise de tenir ses engagements. Regardons le bilan dune entreprise :

Equity

Actifs

Dette

Lentreprise poss` ede des actifs : ce sont des machines, des locaux ou, dans le cas dune banque, des pr ets accord es ` a ses clients. Ces actifs sont nanc es par les actionnaires et les cr eanciers qui ont achet e les actions et les obligations emises par lentreprise. La di erence entre actions et obligations est la suivante : Flux de paiement : pour les obligations, les paiements sont x es contractuellement, et pour les actions il ny a pas de paiement xes. Les actionnaires re coivent le solde des avoirs, apr` es paiements de cr eanciers. Il faut mentionner le cas sp ecique des actions pr ef erentielles qui paient des dividendes xes pr evus ` a lavance qui ressemblent donc ` a des coupons. Toutefois la scalit e est celle des dividendes et un dividende non pay e est di er e et ne constitue pas un ev enement de cr edit. S eniorit e: ` a liquidation de lentreprise, on rembourse prioritairement les cr eanciers ayant investi dans la dette senior, puis ceux de la dette subordonn ee. Les actionnaires sont pay es en dernier et touchent ce qui reste du solde de liquidation de lentreprise apr` es avoir rembours e tous les cr eanciers. Prenons un exemple chir e. A la date t = 0, une entreprise est en besoin de nancement pour lancer son activit e. Les besoins en capitaux sont evalu es ` a 1 000 000 EUR, qui vont etre nanc es par des actionnaires et des cr eanciers. Imaginons que les entrepreneurs apportent 200 000 EUR de fonds propres ; il reste 800 000 EUR ` a nancer sous forme de dette. Les entrepreneurs pensent que leur entreprise

3.2. LA MODELISATION DU DEFAUT DUNE ENTREPRISE

23

produira ses premiers r esultats dans un an. Ils empruntent donc aujourdhui une somme B0 = 800 000 EUR et devront rembourser le nominal de la dette D ` a la date T = 1 an. Dans un an, les actifs de lentreprise auront evolu e (d ep ot ou achat de brevets, vente de produits, acquisition et amortissement de machines, etc ). Soit lentreprise peut rembourser, auquel cas elle verse D aux cr eanciers ( eventuellement apr` es avoir vendu certaines activit es, cf Vivendi Universal apr` es l eclatement de la bulle internet), et on retranche D de la valeur des actifs, les actionnaires (soit les entrepreneurs) pouvant vendre le reste de lentreprise pour un montant dactifs egal ` a AT D, soit lentreprise ne peut rembourser la somme D ` a ses cr eanciers, les actifs sont vendus, et le produit de la vente est vers e aux cr eanciers ` a concurrence de D. On peut donc r esumer les ux nanciers ` a la date T dans le tableau suivant :

Valeur des actifs AT D AT < D

Flux re cus par les actionnaires AT D 0

Flux re cus par les cr eanciers D AT

3.2.2

Le mod` ele de Merton : le mod` ele de la rme (1974)

Le mod` ele de Merton est une adaptation au risque de cr edit de mod` ele de Black-Scholes-Merton sur l evaluation des produits d eriv es. Ce qui ressort de lanalyse ci-dessus du payo des actionnaires et des cr eanciers est que lactionnaire poss` ede un call sur la valeur des actifs de strike le nominal de la dette, et les cr eanciers poss` edent un z ero-coupon sans risque et une position short dun put sur les actifs et de strike le nominal de la dette. Merton reprend les hypoth` eses requises du mod` ele de Black-Scholes-Merton, savoir : liquidit e des march es nanciers, existence dun actif sans risque, fractionnement des actions, possibilit e dacheter ou vendre ` a d ecouvert, Absence dopportunit e darbitrage (AOA). Dette et Equity etant echang es sur les march es nanciers, les actifs de la rme sont evalu es sous une probabilit e risque neutre sous laquelle leur rendements sont en moyenne egaux au taux sans risque. Plus pr ecis ement, Merton fait lhypoth` ese que sous probabilit e risque-neutre, les actifs de la rme suivent la loi dun mouvement brownien g eom etrique dont la diusion est r egie sous probabilit e risque neutre par l equation de diusion suivante : dAt = r dt + dWt At

En reprenant le tableau des ux de paiements ` a maturit e de la dette introduit dans le paragraphe pr ec edent, on peut donc ecrire sous forme probabiliste les valeurs de la dette et des actions de la rme

24

CHAPTER 3. LA MODELISATION DU DEFAUT

` a toute date t ant erieure ` a la maturit e de la dette T . Ainsi, ` a la date t = 0, la valeur de march e de la dette est : D0 = E erT min(D, AT ) et la valeur de march e des actions de la soci et e est : E0 = E erT max(AT D, 0) soit le prix dun call sur les actifs de maturit e T et strike D. La valeur de march e de la dette est bien-s ur inf erieure ` a la valeur faciale de la dette ajust ee du taux sans risque erT D, prix qui serait justement le sien si elle etait sans risque. Une quantit e (appel ee spread) permet de mesurer le risque associ e` a la dette. Le spread est la r emun eration que r eclame le cr eancier au dessus du taux sans risque pour accepter de nancer la dette de lentreprise. Le spread, que nous notons s, se calcule de la fa con suivante : B0 = D e(r+s)T soit : s= 1 ln T D B0 r

La valeur de march e de lequity est simplement donn ee par la formule de Black-Scholes. E0 = A0 N (d1 ) DerT N (d2 ) avec
1 T

d1 d2

ln(A0 /D) + (r + 2 /2)T

= d1 T

Rappelons que laction etant un call sur les actifs de la rme de strike D, les sensibilit es de la valeur de laction par rapport aux di erents param` etres sont connues gr ace aux grecques calcul ees par la formule de Black-Scholes. En particulier, et cest le r esultat le plus marquant, une volatilit e elev ee prote aux actionnaires dont le bien se trouve valoris e (le v ega dun call est positif). Dans le cas limite dune volatilit e innie, les actionnaires perdent tout (avec probabilit e 1/2) ou deviennent inniment riches avec probabilit e 1/2. Les cons equences sont oppos ees pour les cr eanciers mais avant den reparler, valorisons dabord la dette. Puisque B0 = E erT min(D, AT ) , on peut ecrire : B0 = E erT ST E erT (D AT )+ On note que la parit e call-put, bien connue dans le milieu des produits d eriv es a une interpr etation simple en nance dentreprise puisquelle s ecrit simplement : Actifs = Dette + Action En notant que les pertes correspondent au payo de la vente dun put sur les actifs, de strike D, on obtient : B0 = A0 N (d1 ) + DerT N (d2 )

3.2. LA MODELISATION DU DEFAUT DUNE ENTREPRISE

25

On peut egalement calculer la probabilit e dun ev enement de d efaut. Celui-ci survient lorsque la valeur des actifs ` a maturit e est en dessous de la valeur faciale de la dette (quand les pertes sont positives). On appelle cette probabilit e la Probabilit e de D efaut (PD) et on peut egalement calculer la perte en cas de d efaut (LGD, Loss Given Default) qui repr esente la perte moyenne dun cr eancier en cas de d efaut. On a: P D = P [AT D] = N (d2 ) LGD = E [D AT |AT D] =
E (L) N (d2 )

Put N (d2 )

Il faut noter que N (d2 ) correspond ` a la probabilit e dexercer le put. Par rapport ` a ce calcul th eorique, la LGD doit incorporer des co uts de d etresse car la valeur des actifs nest pas la m eme selon que ces actifs sont en vente ou non. La formule ci-dessus sous-estime donc de fa con importante la LGD par rapport aux valeurs observ ees en pratique. Revenons rapidement sur linuence de la volatilit e sur la valeur de la dette. Puisque Dette= Z ero-Coupon - Put, connaissant le signe du v ega dun put, on en d eduit le signe de Bt / . Augmenter la volatilit e des actifs augmente le risque de ne pas etre rembours e` a maturit e de la dette, ce qui est tr` es intuitif. Cela diminue la valeur de la dette et en augmente le spread de march e. De mani` ere plus compl` ete, des etudes de sensibilit e classiques peuvent etre men ees en reprenant les r esultats de sensibilit es sur les options put et call en math ematiques nanci` eres. Int eressons nous plus particuli` erement ` a la sensibilit e` a la maturit e des obligations. Dans le mod` ele de Merton, la dette est non risqu ee ` a tr` es court terme puisque la probabilit e que la valeur des actifs tombe en dessous de la valeur faciale de la dette est quasi-nulle si A0 > D. Ceci est en contradiction avec les spreads observ es sur les march es. Le spread pour des maturit es courtes est en cons equence faible pour des maturit es courtes et a tendance ` a augmenter lorsque lon allonge la maturit e de la dette (eet d egradation des actifs). Par contre, pour des probabilit es de d efaut tr` es elev ees, le spread d ecro t rapidement avec la maturit e de la dette.

S pr e a d a nnua l i s e n f onc t i on d e l a m a t u r i t

0,900% 0,800% 0,700% 0,600% 0,500% 0,400% 0,300% 0,200% 0,100% 0,000% Pr . Def . = 0,75 % Pr . Def . = 5,71 %

M a t ur i t

Figure 3.6: Spread et Maturit e. Les spreads tendant ` a diminuer pour les longues maturit es.

26

CHAPTER 3. LA MODELISATION DU DEFAUT Le prix de laction etant un call sur la valeur des actifs de la rme, le mod` ele de Black-Scholes permet

de faire le lien entre les caract eristiques de lactif et celles de laction. En eet, nous avons Et = C (t, At , ). Le lemme dIt o nous donne imm ediatement la volatilit e de laction : E = A S

Ainsi ces deux relations relient de mani` ere univoque la volatilit e et la valeur de lactif ` a la volatilit e et ` a la valeur des actions. Comme ce sont les param` etres sp eciques de laction qui sont facilement observables sur les march es nanciers, en r esolvant ces deux equations ` a deux inconnues, on peut remonter aux param` etres sp eciques des actifs (valeur et volatilit e). Une impl ementation du mod` ele de Merton a et e r ealis ee sur le march e fran cais par Lardic et Rouzeau, et ils ont pu v erier un accord raisonnablement correct entre les spreads du mod` ele de Merton et les spreads de march e. Toutefois, dautres auteurs ont montr e que ce mod` ele etait en accord assez faible avec la r ealit e et quil etait un peu grossier dans sa conception. Le mod` ele de Merton ne semble donc pas tr` es adapt e` a l evaluation des d eriv es de cr edit car le calibrage sur les donn es de march e nest pas assez direct. En revanche, il a deux applications int eressantes. La premi` ere application est de fournir un cadre conceptuel quantitatif ` a certains probl` emes de gouvernance dentreprise. Le mod` ele de Merton d ecrit le conit dint er et entre les cr eanciers et les actionnaires dune entreprise en fonction des param` etres cl es de la soci et e comme le niveau de risque de ses actifs. Ce mod` ele exprime simplement de mani` ere quantitative que toute prise de risque par les managers de lentreprise est favorable ` a lactionnaire, au d etriment des cr eanciers. De m eme, on comprend dans ce mod` ele le conit dint er et entre les managers et les actionnaires. En eet, un manager qui d etient des stock-options (cest-` a-dire qui a une position leverag ee sur laction) a une incitation ` a augmenter le niveau de risque des actifs, ce qui valorisera ses options (le manager a un prol de risque vega-positif) ; ceci se fera au d etriment du cr eancier bien-s ur, mais egalement au d etriment de lactionnaire dont la richesse est moins sensible au niveau de risque des actifs que loption sur laction (qui est une option compos ee sur les actifs). La deuxi` eme application concerne la gestion des risques. Nous avons vu quil etait assez facile de faire le lien entre laction et la valeur des actifs. Les march es actions fournissent des quantit es consid erables de donn ees qui peuvent ensuite servir ` a calibrer les d ependances entre les actifs des entreprises et par cons equent ` a b atir un mod` ele de d efauts corr el es. Nous avons mentionn e que linformation des march es actions apportait une faible connaissance du risque de cr edit, et il est pr ef erable de calibrer les probabilit es de d efaut directement ` a partir des march es de cr edit ou ` a partir des ratings attibu es aux emetteurs de dette par les agences. De plus, ce mod` ele est susamment souple pour permettre de calibrer non seulement le risque de efaut, mais ausssi le risque de transition de rating. RiskMetrics est une soci et e qui vend des logiciels pour la gestion du risque nancier. Leur mod` ele de credit appel e CreditMetrics etend le mod` ele de Merton en y incluant les transitions de rating. Cette extension du mod` ele consiste ` a d ecouper la distribution des rendements dactifs de sorte que si on r ealise des tirages al eatoires selon cette loi, nous reproduisons exactement les fr equences de transitions de rating. Nous utilisons une variable al eatoire normale centr ee r eduite X qui sinterpr` ete dans le mod` ele de Merton

3.2. LA MODELISATION DU DEFAUT DUNE ENTREPRISE

27

comme le rendement des actifs sur lhorizon consid er e. Si la r ealisation de cette variable est sous un certain seuil, alors le d efaut est d eclench e. Le seuil est pr ecis ement calibr e pour que la probabilit e de d efaut de lentreprise corresponde ` a la probabilit e que la variable X ait une valeur inf erieure ` a ce seuil. Il en sera de m eme pour tous les autre niveaux de rating ; selon la valeur de la r ealisation de la variable X la transition seectuera soit vers le d efaut soit vers un autre niveau de rating. Si nous appelons i le rating en d ebut de p eriode de lentreprise, on d enit le seuil Zi,CCC correspondant ` a la transition du rating i au d efaut. Nous avons : P Di = P (i, D) = P [X < Zi,CCC ] = N (Zi,CCC ) Par ailleurs, la probabilit e de transition soit vers le rating CCC soit vers le d efaut est egale ` a P (i, CCC )+ P (i, D). On en d eduit que le seuil qui d eclenche une transition vers le rating CCC ou vers le d efaut est d eni par la relation P (i, CCC ) + P (i, D) = P [X < Zi,CCC ] = N (Zi,B ). On construit ainsi de proche en proche les seuils associ es aux di erentes transitions de rating. De fa con g en erale, les seuils d enissant les transitions s ecrivent : Zi,j = N 1
k>j

Pi,k

Si on choisit i = BBB , en utilisant la matrice de transition donn ee ci-dessus, on obtient le graphique suivant :

Z CCC

ZB

Z BB

Z BBB

ZA

Z AA

Z AAA

Figure 3.7: Seuils associ es aux transitions de rating dans le mod` ele de Merton On d eduit de la construction pr ec edante que la probabilit e de transition du rating i vers le rating j (di erent du rating AAA ou du d efaut) est donn ee par : Pi,j = P [Zi,j < X Zi,j 1 ] = N (Zi,j 1 ) N (Zi,j ) Linterpr etation graphique de la courbe en cloche est que laire intercept ee par la courbe entre les seuils les seuils Zi,j 1 et Zi,j est egale ` a la probabilit e de transition du rating i vers le rating j .

28

CHAPTER 3. LA MODELISATION DU DEFAUT

Chapter 4

La mesure du risque
4.1 Axiomatique du risque

Delbaen et al. ont propos e 4 propri et es de coh erence que devait satisfaire une bonne mesure de risque. Chacune de ces propri et es repose sur une intuition nanci` ere. Monotonie : si la probabilit e de perte sur un portefeuille est toujours sup erieure ` a celle dun deuxi` eme alors leurs mesures de risque sont dans le m eme sens X Y (X ) (Y ) Homog en eit e : Le risque double si la taille du portefeuille double (X ) = (X ) Invariance par translation : lajout dune poche dactif sans risque ` a un portefeuille risqu e ne fait que translater la mesure du risque (X + c) = (X ) + c Sous-additivit e : cette propri et e traduit la notion de diversication : le risque sur un portefeuille est plus faible que la somme des risques individuels. (X + Y ) (X ) + (Y )

4.2

Value at Risk (VaR)

La notion de risque, traditionnellement d enie par la volatilit e ne tient pas compte dans sa d enition de lasym etrie entre les gains et les pertes. La mesure de risque fait commun ement intervenir un niveau de probabilit e, niveau sur lequel linvestisseur est particuli` erement averse sur un horizon de temps donn e. La VaR est une estimation de la perte potentielle (exprim ee dans une unit e mon etaire) qui peut r esulter de la 29

30

CHAPTER 4. LA MESURE DU RISQUE

d etention dun portefeuille de produits nanciers sur une p eriode donn ee (un jour, une semaine, etc.), avec un niveau de conance choisi a priori (95 %, 99 %, etc.). La Value at Risk (VaR) est d enie comme la perte maximale qui survient avec un certain niveau de probabilit e que nous noterons q . Math ematiquement, cela s ecrit : P [X V aRq ] = 1 q La pr esence du signe moins dans la d enition de la VaR indique simplement que la mesure de risque est positive. Si nous retenons un seuil de conance de 99%, la VaR 99% est la perte maximale que lon subira dans les 99% des cas les plus fr equents. Dans le cas dune perte qui suit une loi de fonction de r epartition F sur lhorizon de temps consid er e, nous en d eduisons le lien direct entre la VaR et le quantile de cette loi de distribution au seuil q : V aRq = F 1 (1 q ) Dans le cas dune perte qui suivrait une loi normale desp erance et d ecart-type , nous obtenons la relation suivante : V aRq = + N 1 (1 q ) Cette relation est remarquable car la VaR est toujours proportionnelle ` a l ecart-type des pertes, et ce quel que soit le niveau de conance retenu. Pour revenir aux axiomes des coh erence, la VaR nest pas une mesure de risque coh erente car elle nest pas sous-additive, comme lillustre lexemple suivant. Soit un univers compos e de 4 etats du monde de probabili es respectives 1%, 49%, 49% et 1%. On consid` ere une banque qui vend un call et un put. Les payos dans les 4 etats du monde sont les suivants pour ces options : 4 0 0 0 Call = Put = 0 0 0 4 La VaR ` a 98% de chaque instrument du portefeuille est nulle mais celle du portefeuille global est egale ` a 8. Notons que la propri et e de sous-additivit e est viol ee ` a cause de la conjonction de deux facteurs : lunivers des etats du monde est fortement discontinu et le seuil est pr ecis ement choisi pour violer la sous-additivit e. Il est tr` es rare de se retrouver dans une situation similaire dans le cas dun portefeuille r eel.

4.3

Estimation de la VaR

Les organismes de tutelle des etablissements nanciers imposent un seuil de conance de 99%, de sorte que la perte observ ee ne devrait exc eder statistiquement la VaR dans 1% des cas seulement. Par ailleurs, la p eriode de d etention de 10 jours impos ee par la r eglementation bancaire correspond au d elai estim e n ecessaire pour retourner la position dans le march e. Ainsi, la VaR sur 10 jours ` a 99% nest autre que le quantile dordre 1% de la distribution de probabilit e des variations sur 10 jours de la valeur de march e dun portefeuille. Calculer la VaR revient donc ` a

4.3. ESTIMATION DE LA VAR

31

estimer un quantile de cette distribution. Trois m ethodes destimation couramment utilis ees en statistique permettent destimer la VaR : la m ethode historique sappuyant sur des donn ees observ ees, la m ethode param etrique utilisant un mod` ele donn e an den d eduire des formules ferm ees et la m ethode de simulation dite de Monte Carlo.

4.3.1

VaR historique

Dans cette m ethode, la distribution des variations futures des facteurs de risque est assimil ee ` a celle observ ee sur une p eriode pass ee. On utilise donc les variations pass ees pour r e evaluer le portefeuille et simuler ses pertes et prots (prot and loss ou P&L). La VaR est ensuite obtenue en lisant le quantile appropri e sur lhistogramme des rentabilit es simul ees. Sur un historique de 500 P&L quotidiens dun portefeuille (ce qui reprsente un historique de deux ans), la VaR ` a un jour ` a 99% de ce portefeuille est tout simplement egale ` a la cinqui` eme plus basse variation observ ee dans lhistorique. Ce calcul ne n ecessite quun historique des cours de linstrument ou des facteurs de risque sur une p eriode donn ee, sans quaucune hypoth` ese a priori sur la distribution des variations des facteurs de risque ne soit n ecessaire. Lavantage de cette m ethode est de prendre en compte parfaitement les distributions de rendements des actifs du portefeuille ainsi que leur d ependance. Son point faible est que les historiques sont en g en eral de taille tr` es limit ee ou, sils sont de grande taille, on peut sinterroger sur la pertinence dutiliser des donn ees historiques tr` es anciennes pour appr ehender un risque futur.

4.3.2

VaR param etrique

Cette m ethode repose sur lhypoth` ese que la loi jointe des facteurs de risque peut etre approch ee par une loi th eorique a priori dont lexpression math ematique d epend dun nombre r eduit de param` etres. On utilise alors les propri et es de cette loi th eorique pour estimer le quantile de la distribution et donc la VaR dune position ou dun portefeuille. En raison de sa simplicit e, on utilise souvent la loi normale, qui est compl` etement caract eris ee par deux param` etres : sa moyenne et sa matrice de variance-covariance. Lorsque la variation de la valeur de march e dune position sexprime comme combinaison lin eaire des variations des facteurs de risque, les propri et es de la loi normale permettent le calcul imm ediat de la volatilit e de la position ` a partir de la matrice de variance-covariance des facteurs de risque. Le quantile dordre q et donc la VaR, est une fonction lin eaire de cette volatilit e. Malheureusement, lutilisation de lapproximation gaussienne conduit ` a sous-estimer, parfois dramatiquement, la VaR r eelle. On peut alors sp ecier dautres lois pour les facteurs de risque, en particulier pour tenir compte de l epaisseur des queues de la distribution de la plupart des variables nanci` eres. Malheureusement les formules deviennent plus compliqu ees et il devient plus dicile de rendre compte avec justesse des d ependances entre les variables.

32

CHAPTER 4. LA MESURE DU RISQUE

4.3.3

VaR Monte-Carlo

Lestimation de la VaR par simulations de Monte Carlo pr esente des points communs avec lapproche historique et la m ethode param etrique. Dans un premier temps, on sp ecie la distribution jointe des facteurs de risque. Puis, on engendre ` a partir de cette loi, un tr` es grand nombre de sc enarios de variations des facteurs de risque. Ces sc enarios sont ensuite utilis es pour calculer les r esultats hypoth etiques du portefeuille. La VaR est enn d etermin ee de la m eme mani` ere que la VaR historique mais ` a partir de l echantillon simul e. Bien que simple dans son principe, cette m ethode n ecessite une grosse capacit e de calcul. Le nombre de simulations ` a eectuer cro t tr` es vite avec la complexit e des produits et le nombre de tirages devient rapidement tr` es important si lon souhaite obtenir une pr ecision acceptable.

4.3.4

Probl` emes des donn ees historiques

Quelle que soit la m ethode utilis ee, le calcul de la VaR n ecessite des donn ees historiques, que ce soit pour disposer de sc enarios sur les facteurs de risque ou pour estimer les param` etres de la loi sp eci ee pour ces facteurs. Une dicult e majeure concerne le choix de la longueur de la p eriode historique utilis ee dans lestimation. Si lon accepte lhypoth` ese de stationnarit e des facteurs de risque, le calcul de la VaR est dautant plus pr ecis que lhistorique dont on dispose est long. Cependant, de nombreuses etudes empiriques portant sur les variables nanci` eres montrent lalternance de p eriodes de forte volatilit e des march es et de p eriodes plus calmes. Ainsi, non seulement une des hypoth` eses sous-jacentes ` a lestimation de la VaR nest pas v eri ee mais la VaR calcul ee sur un historique trop long peut etre fortement biais ee et ne pas re eter les niveaux de volatilit e du moment. On est alors confront e ` a des exigences contradictoires. Comment d eterminer dans ces conditions la longueur optimale de la p eriode ` a utiliser pour le calcul de la VaR, sachant que les organismes de tutelle impose une p eriode historique minimale dune ann ee? Ce probl` eme est quelquefois contourn e en pond erant les observations pour donner plus de poids aux p eriodes plus r ecentes.

4.4
4.4.1

Autres mesures de risque


Expected shortfall

Il existe dautres mesures de risque qui sont coh erentes au sens des axiomes de coh erence des mesures de risque. Cest le cas de lexpected shortfall. Il sagit dune mesure de risque associ ee ` a un seuil de probabilit e mais qui mesure lesp erance de la valeur du portefeuille dans les cas associ es ` a ce seuil de probabilit e: ESq = E [X |X V aRq ]

4.4. AUTRES MESURES DE RISQUE

33

Dans le cas de la gaussienne, lexpected shortfall et la VaR sont num eriquement tr` es proches pour de niveaux de conance eloign es ; en eet : ESq =
N 1 (1q )

x n(x) dx

1q

n N 1 (1 q ) n(V aRq ) = V aRq 1q N (V aRq )

Ce nest en revanche pas le cas si la variable consid er ee suit une loi ` a queue epaisse, telle la loi de Pareto par exemple. Dans ce cas, la fonction de r epartition s ecrit F (x) = C |x| , avec > 2, et la VaR est egale ` a: V aRq = F 1 (1 q ) = Il vient alors pour lexpected shortfall : ESq =
V aRq

C 1q

1/

dx xC |x|1 1q

V aRq +

1 V aRq 1

Dans le cas dune queue epaisse, lexpected shortfall est sensiblement di erent de la VaR, alors que dans le cas dune queue gaussienne lexpected shortfall converge vers la VaR pour des seuils elev es. Nous avons vu que la VaR etait une mesure de risque locale puisquelle nutilise la fonction de r epartition quau seuil consid er e. En revanche, lexpected shortfall utilise toute la fonction de r epartition au-del` a du seuil consid er e, et prend donc en compte toute linformation que nous avons sur la loi de la variable al eatoire au-del` a du seuil. En ce sens, nous pouvons consid erer que lexpected shortfall est une mesure de risque meilleure que la VaR.

4.4.2

Drawdowns

Il existe dautres mesures de risque associ ees aux aspects temporels du risque. En supposant que le prix initial dun actif est S0 , quelle est la probabilit e que le pire prix atteint dans le futur soit egal ` a Smin , et combien de temps va durer ce drawdown (combien de temps va s ecouler entre latteinte du min et le retour au nouveau initial) ? M eme si un investissement est men e sur le long terme, linvestisseur a besoin destimer son risque de court terme, et il faut introduire dans lanalyse les aspects temporels du risque. Une fa con de le faire est de consid erer la distribution des drawdowns, d enis ` a la date t par : D(t) = maxs[0,t] Ws Wt

o` u Wt est la valeur du portefeuille ` a la date t. Il faut remarquer que ceci est plus un risque dopportunit e quun risque de perte puisque le drawdown est d eni par rapport au maximum est non par rapport ` a la richesse initiale. Le drawdown est aussi appel e VaR sans horizon puisquil d ecrit la perte sur un horizon non sp eci e` a lavance. Il d ecrit egalement la frustration de linvestisseur forc e de liquider sa position en dessous du maximum quil avait atteint dans le pass e. Il faut remarquer egalement que le drawdown nest pas une mesure de risque coh erente (elle nest pas sous-additive). Dans le cas dune marche al eatoire multiplicative (comme le processus lognormal par exemple), on peut montrer que la distribution des drawdowns est une loi de puissance. Appelons (x) la distribution des rendements de richesse : (x) = P [ln(Wt+1 /Wt ) = x]

34

CHAPTER 4. LA MESURE DU RISQUE

On montre dans la limite stationnaire, que la loi de distribution de la variable D(t) suit une loi de puissance, et en ecrivant l equation ma tresse de cette loi de probabilit e dans la limite stationnaire, nous obtenons l equation dauto-consistence satisfaite par le param` etre de queue de cette loi : P (D > x) 1 x avec dx (x) ex = 1

Dans le cas dun processus lognormal, on obtient = 2/ 2 .

4.4.3

Temps de retour

Soit R la rentabilit e dun actif. Formellement, la dur ee de retour dun ev enement r est le temps moyen quil faut attendre pour que la variable R atteigne ou d epasse le niveau r. Soit le premier instant o` u R d epasse r. En temps discret, si les rentabilit es sont ind ependantes, la probabilit e que soit egal ` a une date donn ee u est le produit des probabilit es que R soit inf erieur ` a r pendant les u 1 premi` eres dates et sup erieur ` ar` a la date u. Si FR est la fonction de r epartition de R, on obtient :
u 1 P ( = u) = FR (r) [1 FR (r)]

E ( ) = E ( ) = E ( ) =

u1

u P ( = u)
u + 1)FR (r) 1 1FR (r ) u1 u u FR (r)

u0 (u u0

u FR (r ) =

4.4.4

Cadre g en eral des mesures de risque coh erentes

Un moyen g en eral de d enir de bonnes mesures de risque consiste ` a introduire une distorsion des fonctions de r epartition. Si g : [0, 1] [0, 1] est une fonction croissante telle que g (0) = 0 et g (1) = 1, on d enit la fonction de r epartition distordue . On d enit alors la mesure de risque : (X ) = E [X ] = E [X(X )] =
0

dx g (F (x)) +
0

dx [1 g (F (x))]

o` u la fonction est la d eriv ee de Radon-Nikodym correspondant ` a la distorsion de la mesure de probabilit e. Un th eor` eme indique que si la fonction g est egalement concave (cest-` a-dire que g est cointinue puisquelle est croissante), alors la mesure de risque induite est sous-additive et donc coh erente. Dans le cas de la VaR, on a : g (x) = 0 si x < V aR 1 si x V aR

Cette fonction est discontinue au niveau de la VaR, ce qui indique quil ne sagit pas dune mesure de risque coh erente. Dans le cas de lexpected shortfall, on montre ais ement que la fonction g est continue et s ecrit : g (x) = 0
uV aR 1V aR

si x < V aR si x V aR

4.5. CONTRIBUTIONS AU RISQUE

35

Toutefois, dans le cas de lexpected shortfall, la fonction g , tout en etant continue, nest pas di erentiable au point x = V aR. Pour tout x < V aR, la fonction de distorsion g est egale ` a 0, cest-` a-dire que linformation contenue au niveau de la fonction de r epartition des pertes sur cette r egion nest pas utilis ee dans la mesure de risque d enie par lexpected shortfall. Une fonction de distorsion di erentiable sur lensemble des r eels tout entier permettrait de d enir une mesure de risque qui serait non seulement coh erente du point de vue des axiomes de risques, mais egalement qui utiliserait toute linformation sur la r epartition de la variable al eatoire. La transformation suivante, appel ee transfom ee de Wang, satisfait cette propri et e: g (x) = N N 1 (x) Une propri et e remarquable des mesures de risque obtenues par distorsion de la fonction de r epartition est quon peut les r eexprimer comme une somme pond er ee de Value at Risk ` a di erents niveaux de conance. En eet, si on se place dans lespace des quantiles de la variable al eatoire X plut ot que dans lespace direct de cette variable al eatoire, cest-` a-dire si on pose = F (x), on obtient :
1

(X ) = E [X(X )] =

x(x) dF (x) =
0

d ()V aR

avec () = F 1 () .

4.5

Contributions au risque

Le cas le plus simple est celui dun portefeuille gaussien. Dans ce cas, la mesure naturelle du risque est l ecart-type du P&L. Nous notons xi la pond eration de la ligne i dans le portefeuille et i et i d esignent respectivement le rendement esp er e et l ecart-type du rendement sur la ligne i. Les corr elations deux ` a deux sont ij . La formule de lesp erance et de la variance du P&L sur lhorizon consid er e est : E [P &L] = var[P &L] =
i

xi i
i 2 x2 i i + 2 i<j

ij xi xj i j

Il se trouve que la somme des covariances de chaque ligne avec le rendement total du portefeuille est egale a la variance elle-m ` eme. Nous en d eduisons une formule tr` es simple de la contribution de chaque ligne du portefeuille ` a la variance totale : Cbi = La formule
i

cov(P &Li , P &L) var(P &L)

var(P &L)

Cbi = var(P &L) est toujours vraie, m eme si les lois de rendements ne suivent pas une

fonction gaussienne multivari ee. La contribution ` a la variance est la covariance calcul ee par la formule ci-dessus. Dans le cas g en eral, la contribution calcul ee en covariance permet ` a coup s ur de r epartir le risque total du portefeuille sur chaque ligne. Cbi = cov(P &Li , P &L) var(P &L) (P &L)

Toutefois, il existe une innit e de fa cons de faire ceci, et le choix de la covariance bien quinspir e du cas gaussien est tout ` a fait arbitraire et ne se justie que par la simplicit e de calcul de cette grandeur

36

CHAPTER 4. LA MESURE DU RISQUE

dun point de vue num erique, comme nous le verrons ci-dessous. La propri et e dhomog en eit e de degr e 1 des mesures de risque coh erentes permet, via la formule dEuler, de calculer la formule g en erale des contributions au risque. On obtient en eet : (x1 , . . . , xN ) =
i

xi

= xi

Cbi
i

Ainsi, la contribution marginale dune ligne du portefeuille au risque total est la d eriv ee de la mesure de risque du portefeuille par rapport ` a la taille marginale de la ligne en question. Cest aussi laugmentation du risque total du portefeuille pour une augmentation de 1 euro de la taille de la ligne consid er ee. Il existe une autre grandeur int eressante dans lanalyse du risque dun portefeuille ; il sagit de la contribution incr ementale dune ligne, cest-` a-dire de laugmentation du risque total du portefeuille si on lui rajoute cette ligne. La formule de la contribution incr ementale est donc : incr (i) = (x1 , . . . , xi1 , xi , xi+1 , . . . , xN ) (x1 , . . . , xi1 , 0, xi+1 , . . . , xN ) Dans la limite, o` u la taille de la ligne consid er ee devient innit esimale par rapport ` a la taille du portefeuille, les deux grandeurs, contribution marginale et contribution incr ementale convergent. En revanche, on a toujours une relation dordre entre les deux : la contribution marginale est toujours sup erieure ` a la contribution incr ementale. Lintuition de ce r esultat est que rajouter une ligne ` a un portefeuille aura tendance ` a le diversier alors que rajouter 1 euro ` a une ligne d ej` a existante aura tendance ` a le concentrer sur la ligne i. La d emonstration de ce r esultat tient ` a la convexit e des mesures coh erentes de risque, convexit e provenant des propri et es de sous additivit e et dhomog en eit e. Pour simplier les notations, la fonction (x1 , . . . , xi1 , xi , xi+1 , . . . , xN ) sera not ee simplement (xi ), les N 1 autres variables restant inchang ees. Nous avons : 2(xi ) = ((xi + dxi ) + (xi dxi )) (xi + dxi ) + (xi dxi ) propri et e dhomog en eit e propri et e de sous-additivit e

On en d eduit alors que la mesure de risque est convexe en fonction des pond erations du portefeuille, cest-` a-dire : 2 (x1 , . . . , xi1 , xi , xi+1 , . . . , xN ) 0 x2 i Par cons equent, on peut d evelopper la contribution incr ementale du risque au deuxi` eme ordre : (xi ) (0) xi 1 2 (xi ) x2 (xi ) (xi ) xi xi 2 i x2 x i i

La concavit e de la mesure de risque indique que leuro marginal dexposition sur la ligne i co ute plus cher que le premier euro. En eet, ceci est intuitif sur le plan nancier car le premier euro de la ligne i va plus diversier le portefeuille que les euros suivants. Le cas de la contribution ` a la VaR est instructif et tr` es utile en pratique. Il est en g en eral num eriquement tr` es compliqu e de calculer la d eriv ee de la VaR par rapport ` a lexposition sur chaque ligne. Par ailleurs, nous avons vu lutilisation dune formule de type covariance n etait pas fond ee sur des arguments solides,

4.5. CONTRIBUTIONS AU RISQUE

37

et il y a des cas o` u cette utilisation de la VaR conduit ` a des contributions sup erieures au risque maximal sur la ligne elle-m eme ! Dans le cas o` u la mesure de risque est la VaR, on d emontre le r esultat suivant : Cbi = E [P &Li |P &L = V aR]

Pour d emontrer ce r esultat, nous consid erons un portefeuille qui est la somme de deux sous-portefeuilles, dont les P&L sont d ecrits par les variables X et Y respectivement. Nous appelons f (x, y ) la densit e jointe des variables X et Y . Les quantiles du P&L du portefeuille au seuil en fonction du poids de la ligne mod elis ee par la variable Y est d eni par :

P [X + Y > Q( , )] = =
Q( ,) y

f (x, y ) dx dy

En d erivant par rapport ` a , nous obtenons :


Q( , ) y f (Q( , ) , y ) dy = 0

Ce qui donne imm ediatement : Q( , ) =


yf (Q( , ) , y ) dy yf (Q( , ) , y ) dy

= E [Y |X + Y = Q( , )]

Intuitivement, cette formule signie que la contribution ` a la VaR de chaque ligne du portefeuille est lesp erance du P&L de chaque ligne conditionnellement au fait que le P&L du portefeuille soit exactement a son seuil de VaR. ` Exemple du portefeuille gaussien homog` ene Consid erons un portefeuille de trading de N lignes. Le rendement de chaque ligne du portefeuille sur un
2 horizon de temps donn e est not e Ri et suit une loi normale centr ee et de variance i = 2 . Le poids

de chaque ligne du portefeuille est xi = 1/N (si bien que la taille globale du portefeuille est 1), et les corr elations deux ` a deux des rendements sont toutes identiques ij = . Lesp erance de rendement de ce portefeuille, par lin earit e de lesp erance est egale ` a 0. Sa variance est quant ` a elle egale ` a:
2 P = i 2 x2 i i + 2 i<j

ij xi xj i j =

2 N 1 2 + N N

La VaR au seuil q s ecrit : V aRq = P N 1 (1 q ). La contribution ` a cette VaR de la ligne num ero i vaut : Cbi = cov Ri ,
2 P j

Rj

V aRq =

V aRq N

Le capital incr emental de la ligne num ero i vaut : incr (i) = N 1 (1 q ) N 2 + N (N 1) 2 (N 1) 2 + (N 1)(N 2) 2 /N 2

38

CHAPTER 4. LA MESURE DU RISQUE

4.6

Mesurer nest pas g erer

Plusieurs dicult es concernant la mesure des risques viennent limiter la port ee de cet exercice. La premi` ere concerne la longueur requise des historiques. Pour avoir des r esultats ables, il faut disposer dun historique susamment long. La deuxi` eme concerne la mesure des corr elations (des d ependances) entre actifs, qui a fait lobjet de nombreux d eveloppements depuis une dizaine dann ees, notamment autour de la th eorie des copules. Toutefois, si la th eorie des copules fournit un cadre conceptuel ` a la notion de d ependance, on peut estimer que les applications pratiques ne sont pas ` a la hauteur des d eveloppements th eoriques qui ont et e men es. En sattaquant ` a ces questions, il ne faut toutefois pas perdre de vue que lobjectif du gestionnaire de risques nest pas seulement de mesurer les risques, mais egalement de les g erer. Cette gestion passe par la mise en place doutils de compr ehension ne du risque au niveau dun portefeuille. Parmi ceux d ej` a d evelopp es dans certaines institutions, citons lidentication des positions qui ont le plus fort impact sur le risque, lanalyse de la contribution marginale dune position, l etude des anticipations implicites contenues dans le portefeuille pour d etecter les incoh erences, enn et surtout la recherche des meilleures op erations pour r eduire les expositions. Toute lexpertise de la gestion du portefeuille de la banque va consister ` a trouver le couple rendement / risque optimal compte tenu du projet industriel de la banque.

Chapter 5

Simulation Monte-Carlo
5.1 Principe

La m ethode de Monte-Carlo utilise le lien entre probabilit es et volumes dans lespace probabilis e. Alors que la th eorie de la mesure exprime la probabilit e dun ev enement en termes de volume de cet ev enement dans lunivers des r ealisations possibles des variables al eatoires, la m ethode de Monte-Carlo fait exactement le contraire en estimant le volume dun ev enement et en linterpr etant comme une probabilit e. La m ethode de Monte-Carlo dans sa version la plus el ementaire consiste ` a simuler un echantillon de r ealisations des variables al eatoires, et la fraction des r esultats qui appartiennent ` a l ev enement consid er e donne une estimation de son volume. La loi des grands nombres assure la convergence de cette estimation lorsque la taille de l echantillon simul e tend vers linni. Concr` etement, si une exp erience al eatoire a plusieurs r esultats possibles, nous eectuons N tirages, et si on suppose que le r esultat num ero i a une probabilit e pi dappara tre et appara t Ni fois, nous avons : Ni = pi N N lim Soit ` a present une variable al eatoire continue X de densit e de probabilit e f , et nous souhaitons calculer lesp erance de la variable al eatoire g (X ). Supposons que les (Xi )1iN constituent un ensemble de N r ealisations de la variable al eatoire X . La m ethode Monte-Carlo repose sur la relation obtenue de la loi des grands nombres : 1 N N lim
N

g (Xi ) = E [g (X )]
i=1

Comme lindique le th eor` eme de la limite centrale, cette convergence de la moyenne sur l echantillon vers lesp erance est malheureusement tr` es lente, et l ecart type de lestimateur de lesp erance d ecro t comme 1/ N en fonction du nombre de simulations. R eduire lincertitude sur lestimateur dun facteur 10 requiert 100 fois plus de simulations. En revanche, luniversalit e de la loi des grands nombres fait de la m ethode Monte-Carlo une m ethode applicable en toutes circonstances, quelle quen soit la complexit e. Sa faiblesse vient uniquement de la lenteur de la convergence des estimateurs. La pr ecision dune estimation par m ethode Monte-Carlo vient dune part, comme nous lavons vu, de la 39

40

CHAPTER 5. SIMULATION MONTE-CARLO

taille de l echantillon simul e, et dautre part de la qualit e du g en erateur de nombres al eatoires. L el ement cl e ` a ce niveau est de disposer dun g en erateur de nombres al eatoires uniformes entre 0 et 1 qui soit tr` es performant ; en particulier il ne doit pas y avoir dauto-corr elations entre ces nombres. Cette probl ematique constitue un pan important des math ematiques appliqu ees. Une fois une variable uniforme U engendr ee, il y a plusieurs m ethodes pour engendrer une variable al eatoire X de fonction densit ef : Inverse de la fonction de r epartition : appelons F la fonction de r epartition de X . Cette fonction appliqu ee ` a la variable X etant une variable uniforme U , on en d eduit que lon peut poser X = F 1 (U ). Cette m ethode est la plus simple lorsquon dispose dune forme explicite pour F . M ethode de rejet : cette m ethode est utile pour les variables ` a support compact et dont la fonction de densit e reste born ee, mais dont la fonction de r epartition ne sexprime pas simplement. Cest par exemple le cas de la loi beta. Soit m tel que pour toute valeur de x, nous ayons f (x) < m. Nous simulons une r ealisation de deux variables uniformes U sur [0,1] et V sur lintervalle [0,m]. Si V < f (U ), on garde U et on pose X = U ; dans le cas inverse, on rejette U et on recommence. elisation en nance et requi` erent une m ethodologie Variables normales : elles sont au cur de la mod sp ecique car linverse de la fonction de r epartition de la loi normale ne sexprime pas ` a laide de fonctions el ementaires. Une premi` ere m ethode consiste ` a trouver des approximations polynomiales de la fonction de r epartition inverse de la loi normale. Une deuxi` eme m ethode consiste ` a engendrer deux variables al eatoires U1 et U2 et ` a utiliser la formule de Box-Muller X = 2 ln U1 cos(U2 ).

5.2

M ethodes de r eduction de variance

Lors de simulations Monte-Carlo, il y a une perte dinformation due ` a la di erence entre la loi th eorique de la variable al eatoire consid er ee et lhistogramme des r ealisations simul ee de cette variable : Si la loi poss` ede des sym etries, celles-ci sont g en eralement perdues dans lhistogramme des r ealisations L echantillon al eatoire est toujours biais e par rapport ` a la vraie distribution Si les ev` enements qui contribuent le plus ` a la quantit e que nous cherchons ` a calculer, m eme un grand nombre de simulation ne seront pas susantes pour estimer cette grandeur avec pr ecision

5.2.1

Variables antith etiques

La m ethode des variables antith etiques a pour but de restaurer dans lhistogramme des r ealisations de la variable al eatoire, la sym etrie de la loi th eorique de cette variable. Dans lexemple dune variable normale centr ee r eduite, la loi de probabilit e poss` ede une sym etrie par rapport ` a la valeur 0. Ainsi, la densit e de probabilit e de r ealisation de X et de X sont egales. Un estimateur non biais e de E [g (X )] est obtenu en

5.2. METHODES DE REDUCTION DE VARIANCE

41

introduisant dans l echantillon des r ealisations toutes les variables antith etiques X . Lestimateur non biais e de cette esp erance est : 1 2N [g (Xi ) + g (Xi )]
i

Cela permet de doubler la taille de l echantillon sans consommation en temps de calcul suppl ementaire. Lecacit e de la m ethode d epend bien s ur de la forme de la quantit e ` a calculer. En particulier, si la fonction g est impaire, une seule simulation donnera le r esultat exact, en loccurence 0. Si cette fonction est paire, la m ethode naura aucun int er et car g (X ) = g (X ). Entre ces deux situations extr emes, la m ethode des antith etiques est utile car elle restaure la sym etrie de la loi de distribution dans l echantillon des tirages ` a moindres frais.

5.2.2

Variable de contr ole

Lors dune simulation Monte-Carlo, soit on sur-estime le r esultat, soit on le sous-estime. Dans certains cas, il est possible davoir une id ee approximative de combien on sur-estime ou sous-estime le r esultat. En eet, si on conna t une quantit e proche de celle que nous cherchons ` a estimer pour laquelle nous connaissions la vraie esp erance, la m ethode de Monte-Carlo nous permettrait de calculer lerreur que nous commettons sur cette deuxi` eme variable et donc davoir une id ee de lerreur commise sur la premi` ere variable. Supposons que nous souhaitions calculer lesp erance a = E [f (X )] dont une estimation est obtenue par simulation Monte-Carlo a =
i

f (Xi )/N . Supposons quil existe une fonction g proche de la fonction

f , telle que nous sachions calculer exactement lesp erance b = E [g (X )]. A laide de l echantillon ayant g (Xi )/N . servi ` a estimer a, on peut obtenir une estimation Monte-Carlo de b gr ace ` a la formule : b=
i

Si lestimation Monte Carlo sur-estime la quantit e b, il y a des chances que ce soit egalement le cas pour a puisque les fonctions f et g sont proches. On peut donc corriger lestimateur de a par une quantit e proportionnelle ` a b b. Notre estimateur corrig e s ecrit donc : a =a +c b b Par construction, nous avons bien E [ a] = E [ a] = a. Nous choisissons la quantit e c de mani` ere ` a minimiser la variance de lestimateur corrig e var ( a). Le param` etre c est donc solution de l equation suivante : d d var ( a) = var ( a) 2c cov a , b + c2 var b dc dc La valeur optimale de c est donc donn ee par : cov a , b var b =0

c=

Ainsi, conform ement ` a lintuition, plus les fonctions f et g sont proches, plus les variables a et b sont corr el ees, et plus la correction ` a lestimation sera importante et ecace.

42

CHAPTER 5. SIMULATION MONTE-CARLO

5.2.3

Importance sampling

Dans une grande majorit e des cas, une fraction importante des simulations Monte-Carlo ne contribue que tr` es peu au r esultat destimation de la quantit e qui nous int eresse. Cest en particulier le cas pour lestimation d ev enements rares. Dans ce cas, lastuce consiste ` a eectuer un changement de probabilit e et calculer notre esp erance sous cette nouvelle probabilit e sous laquelle les ev enements qui vont contribuer au r esultat sont plus fr equents. Cette m ethode repose sur la relation suivante : E [g (X )] = g (x) f (x) dx = g (y ) f (y ) f (Y ) g (Y ) h(y ) dy = E h( y ) h(Y )

Lesp erance sous la densit e h de la variable corrig ee de la d eriv ee de Radon-Nikodym est egale ` a lesp erance que nous recherchons ; en revanche, la variance de lestimation sera plus faible que sous la densit e f si nous choisissons un changement de probabilit e appropri e. Le choix de la nouvelle mesure de probabilit e est dict e par la minimisation de la variance suivante : min E
h 2 2

f (Y ) g (Y ) h(Y )

f (Y ) g (Y ) E h(Y )

La minimisation de la variance ci-dessus requiert une optimisation fonctionnelle qui est tr` es lourde en mettre en uvre sauf dans de rarissimes cas simples. En pratique, nous limitons le choix des fonctions h parmi des lois normales centr ees sur une valeur , variable sur laquelle porte loptimisation. Il est egalement possible doptimiser sur la variance 2 associ e ` a la densit e h, ce qui conduit ` a r esoudre les equations suivantes (h, etant la densit e de la loi normale centr ee sur et d ecart type ) :

E E

f (Y ) h, (Y ) g (Y

E E

f (Y ) h, (Y ) g (Y

=0

f (Y ) h, (Y ) g (Y

f (Y ) h, (Y ) g (Y

=0

A titre dexemple, nous pouvons consid erer le calcul de la probabilit e P [X s] pour s < 0 et X une variable normale centr e r eduite. Le r esultat exact est bien-s ur donn e par N (s), mais pour des seuils tr` es n egatifs, la m ethode Monte-Carlo standard va sav erer tr` es impr ecise car peu de tirages vont se retrouver en dessous du seuil s. Nous allons mettre en uvre la m ethode dimportance sampling et changer la 2 densit e f (x) = exp(x /2)/ 2 par la densit e: (x )2 1 ) h(x) = exp 2 2 Si la variable X a pour densit e la fonction f et Y a la densit e h, alors on a la relation suivante : 1{Y s} e E 1{X s} = E
2

/2Y

Nous pouvons ecrire la variance de lestimateur sous la nouvelle mesure de probabilit e: 1 v () = 2 dx e


x2 (x)2 /2

1{xs}

ex /2 dx 1{xs} 2

= N (s + )e N (s)2

L equation de maximisation de cette variance par rapport ` a la variable s ecrit : v () = 0 =


2 d N (s + )e d

5.2. METHODES DE REDUCTION DE VARIANCE Dans la limite asymptotique (x ), on peut montrer: N (x) ex /2 |x| 2
2

43

La d emonstration de ce r esultat sobtient en d eveloppant la fonction N (x) en s erie au voisinage de . Pour cela, on remarque que n (x) = x n(x), ce qui nous permet deectuer un int egration par parties. Il vient alors : N (x) = =
x x

n(u) du
1 du un(u) u 1 n (u) u du x

1 = n(u) u x) = n( x O

1 n(u) u 2 du

n(x) x2

On d emontre ainsi de mani` ere it erative : N (x) n(x) n(x) n(x) + 3 5 + ... x x x

On en d eduit dans cette limite que la valeur optimale du changement de probabilit e correspond ` a s. Le changement optimal de probabilit e revient ` a centrer la gaussienne au niveau du seuil sur lequel les ev enements int eressants vont se produire. Lecacit e de la m ethode dimportance sampling sera dautant plus importante que le changement de probabilit e sera visible. Dans notre exemple, plus le seuil s sera grand en valeur absolue, plus la valeur de sera grande en valeur absolue. Dans la m ethode de Monte-Carlo standard, le ratio signal sur bruit (ratio entre la valeur de lesp erance et lincertitude) de lestimation se calcule ais ement : N (s) N (s)(1 N (s)) N N (s)/N

Dans la m ethode dimportance sampling, ce ratio signal sur bruit s ecrit : N ( s) N.v ( ) N (s) N N (2s) es2 N (s)2 2|s|/N

Lecacit e de la m ethode Monte Carlo d epend du seuil retenu car pour un echantillon de taille donn ee, le nombre d ev enements qui contribuent ` a lesp erance d ecro t avec le seuil. Ce nest plus le cas dans la m ethode dimportance sampling. On peut introduire le facteur de qualit e de la m ethode dimportance sampling par rapport ` a la m ethode de Monte-Carlo simple. En eet la variance de lestimation dans la m ethode de Monte-Carlo s ecrit : N.N (s).(1 N (s)) Pour la m ethode dimportance sampling, elle s ecrit : N. N (2s)es N (s)2
2

44

CHAPTER 5. SIMULATION MONTE-CARLO

Le rapport entre la variance de lestimation en Monte-Carlo et la variance en importance sampling indique le gain en termes de nombres de simulations apport e par limportance sampling pour un niveau de pr ecision donn e. Ainsi, ce facteur qualit e tend asymptotiquement vers 8/n(s) , cest-` a-dire quil augmente exponentiellement ` a linni lorsque le seuil s eloigne. Le facteur qualit e que nous obtenons dans cet exemple d epend du seuil retenu de la fa con suivante :

300 250 200 150 100 50 0 -3,5 -3 -2,5 -2 -1,5 -1 -0,5 0

Figure 5.1: Ecacit e de la m ethode dimportance sampling

Chapter 6

Gestion du risque de cr edit dune banque


6.1 Le capital r eglementaire

An de prot eger les d eposants, premiers cr eanciers dune banque et an de se pr emunir contre une crise nanci` ere majeure, chaque pays sest dot e de structures ind ependantes - des r egulateurs - qui surveillent la bonne sant e du syst` eme nancier. En France, ce r ole est assur e par la Commission Bancaire qui sassure, par des audits, que les banques nationales satisfont ` a la r eglementation bancaire. Le principe g en eral de la r eglementation bancaire est de requ erir des r eserves de la part des banques an de couvrir les pertes eventuelles non anticip ees, cest ` a dire au del` a de la perte attendue (la perte moyenne). Le but annonc e est double : dune part prot eger les d eposants, les bailleurs de fonds des banques (et ne pas r epercuter sur eux les pertes subies par la banque, cr eant un eet boule de neige), dautre part cr eer des incitations susantes pour limiter les investissements risqu es. Apr` es quelques balbutiements, une concertation ` a l echelle des pays de G10 a permis de parvenir ` a un consensus sur des premiers accords dits de B ale qui r egissent toutes les banques du G10, les soumettant ainsi ` a des r` egles communes. Leet a et e daugmenter le niveau de capital d etenu par les banques en face de leurs engagements, s ecurisant un peu plus le syst` eme nancier. Les premiers accords de B ale (1988) ont et e servis par leur simplicit e, rendant leur impl ementation plus ais ee. Le principe est le suivant : chaque banque doit d etenir un montant de capital egal ` a 8% du montant nominal de ses actifs. Les actifs concern es sont eux-m eme soumis ` a une pond eration forfaitaire qui d epend uniquement du type de la contrepartie. Ainsi, pour un Etat Souverain membre de lOCDE, la pond eration sera de 0%, signiant quaucun capital r eglementaire nest requis pour un engagement sur un pays membre de lOCDE, par exemple la France, lItalie, la Gr` ece Si la contrepartie est une banque dun pays de lOCDE, la pond eration est de 20% (par exemple ABN AMRO, Soci et e G en erale, etc). Pour une entreprise, la pond eration est de 100%. On appelle cette pond eration le Risk Weight (RW) et les 45

46

CHAPTER 6. GESTION DU RISQUE DE CREDIT DUNE BANQUE

actifs pond er es les Risk Weighted Assets (RWA). On a donc : Regulatory Capital = 8% RW A Faisons un calcul simple de capital r eglementaire an dillustrer cette r` egle. La Soci et e G en erale a pr et e 100 euros. ece. La pond eration est de 0% et le capital r eglementaire ` a d etenir 1er cas : la contrepartie est la Gr` est de 8% x 0% x 100 = 0 euro. 2` eme cas : la contrepartie est la Deutsche Bank. La pond eration est de 20% et le capital r eglementaire ` a d etenir est de 8% x 20% x 100 = 1.6 euros. 3` eme cas : la contrepartie est British Airways. La pond eration est de 100% et le capital r eglementaire ` a d etenir est de 8% x 100% x 100 = 8 euros. Les accords de B ale ont eu deux eets pervers. Premi` erement, la pond eration est forfaitaire et ind ependante du risque r eellement encouru. Deux entreprises lune au bord de la faillite, lautre en pleine sant e seront pond er es de la m eme fa con, ce qui pourrait pousser une banque peu prudente ` a pr eter au plus risqu e, ` a la recherche dun rendement plus elev e. De m eme une banque Hong-Kongaise serait pond er ee ` a 100% alors quune banque europ eenne serait pond er ee ` a 20% fut-elle dans une situation nanci` ere d elicate. Le deuxi` eme eet pervers est quune pond eration forfaitaire et aussi simple ne peut donner aucune incitation aux banques pour se doter de mesures de risques pr ecises qui leur permettent de g erer ecacement leurs portefeuilles dengagements. Un premier amendement est apparu en ce sens en 1991, autorisant les banques ` a utiliser leurs mod` eles internes pour calculer leur capital r eglementaires suivant une m ethodologie VaR dont nous reparlons dans le paragraphe suivant. Enn et tout r ecemment, une pond eration des actifs en accords avec le risque encouru a amen e une refonte du calcul du capital r eglementaire d esormais encadr e par les accords B ale II, entr es en application en janvier 2008, malgr e lopposition de certains pays.

6.2

La mesure interne des risques

Le capital r eglementaire a et e jusqu` a ladoption des amendements de 1991 une mesure relativement sommaire. Par ailleurs, les amendements de 1991 ne concernent que les activit es de march e, et non pas celles de cr edit pur. Malgr e la sophistication r ecente du calcul de capital r eglementaire ` a travers B ale II, celui-ci ne peut convenir comme mesure de risque satisfaisante au niveau de la banque. En eet, le capital r eglementaire est une mesure additive. En cons equence, le capital r eglementaire ne capture pas leet de diversication recherch e par la banque pour equilibrer son portefeuille et que la VaR (Value at Risk) concern ee par les amendements de 1991 valorise. La VaR va donc etre d eclin ee aux portefeuilles de cr edit comme mesure de risque interne sous le nom de Credit VaR. Au contraire des activit es de march e qui sont constamment valoris ee, la Credit VaR

6.2. LA MESURE INTERNE DES RISQUES

47

sera un quantile sur la distribution des pertes sur le portefeuille de cr edit et non plus un quantile sur la distribution des variations relatives de valorisation du portefeuille. Le Capital Economique, qui correspond au montant de fonds propres id ealement engag es par la banque en face de toute op eration, est la di erence entre la Credit VaR et la perte moyenne sur le portefeuille, celle-ci etant couverte par la facturation des produits vendus.


1,2 1 0,8 0,6

Densit des pertes / Fonction de rpartition (Portefeuille Vasicek)


densit

18 16 14 12 10 8 6 4

0,4 0,2

2 0
8% 11 % 29 % Pe % 38 % 14 % 23 % 26 % % rte 2% 5% 17 20 % 32 % 35

0 Densit Cumulative Quantile

   
Pe rte

Figure 6.1: D enition du capital economique Le r ole du capital economique est de prot eger les cr eanciers de la banque avec un degr e de conance qui est d etermin e par la direction nanci` ere de la banque. En eet, que la banque veuille sassurer un rating A, AA ou encore AAA, le niveau de capital economique sera di erent et correspondra ` a un fractile de perte de plus en plus proche du fractile 100%, au fur et ` a mesure que nous avancerons vers des ratings de bonne qualit e.

    

   

    

                        !  " #      $        % % && & '      ! (  0%   ! )"

1 674 89 6C 82 89 7F 7F 234 5 3@ A @ B 25 E@ G 2H H3E9 4 A 362EH D R I P P I 4 A H 2 H34 QP Q


Figure 6.2: Le capital economique prot` ege les cranciers dans 99.9% des cas Bien que la VaR ne soit pas une mesure sous additive, la mesure de risque Capital Economique va b en ecier de leet diversication du portefeuille de la banque. Cette propri et e notamment implique un probl` eme dallocation de capital economique, ou de contribution dont nous reparlons dans le paragraphe d edi e aux contributions et aux mesures de performance. On observera cependant lint er et de diversier le portefeuille bancaire dans les dimensions g eographiques, industrielles et, plus marginalement, temporelles. Le graphe suivant illustre leet diversication qui peut intervenir sur le calcul du capital economique au niveau du portefeuille. Sur ce graphe sont repr esent es -pour di erents poids du portefeuille 1- le capital economique au niveau du portefeuille global compos e des deux sous-portefeuilles P1 et P2, ainsi

48

CHAPTER 6. GESTION DU RISQUE DE CREDIT DUNE BANQUE

que EC 1 + EC 2, la somme des deux capitaux economiques qui seraient calcul es sur chacun des deux portefeuilles s epar ement. Notons que la courbe EC 1 + EC 2 (une droite !) illustre parfaitement le calcul du capital r eglementaire sur un ensemble de sous portefeuille. Une bonne r` egle de gestion du portefeuille consistera donc ` a rechercher la r epartition qui minimise le capital economique au niveau du portefeuille P 1 P 2. Les mesures de performance dont nous reparlons ci-apr` es fournissent une incitation susante ` a cela.
Effet Diversification
0,09 0,08 0,07 EC 0,06 0,05 0,04 0,03 0% EC Total EC1 + EC2

20%

40%

60%

80%

100%

Part Portefeuille 1

Figure 6.3: Eet diversiant dans un portefeuille compos e de deux sous-portefeuilles Le capital disponible va guider le montant des investissements possibles pour la banque. On va donc allouer ` a chaque ligne m etier un certain montant de capital qui lui donnera des limites quant aux op erations quelle peut traiter. Or, nous lavons vu, leet de diversication nous am` ene ` a nous poser la question de la contribution. En eet, dans notre exemple pr ec edent, le capital economique au niveau du portefeuille est inf erieur ` a la somme des capitaux economiques de chaque sous portefeuille. On va donc rechercher une r` egle de contribution telle que : Capital Economique (Portefeuille) =
Sous-Portefeuilles

Contribution Sous-Portefeuille

Nous pr esentons trois r` egles de r epartitions possibles : La contribution incr ementale : cette r` egle permet de d enir la contribution de toute nouvelle op eration sur le portefeuille dengagement de la banque. Cette contribution se d enit comme : Contribution(Op eration)=Cap Eco (Portefeuille + Op eration) - Cap Eco(Portefeuille) La contribution marginale en covariance : la r epartition se fait proportionnellement ` a la covariance entre les pertes sur lop eration et les pertes sur le portefeuille. Contribution(Op eration) = cov(Li , L) Cap Eco (Portefeuille) var(L)

La contribution au quantile : quand la banque fait d efaut, combien ai-je perdu sur mon op eration, en esp erance ? La r epartition au quantile est la perte moyenne sur lop eration conditionnellement

6.2. LA MESURE INTERNE DES RISQUES

49

au fait que la perte sur le portefeuille est egale ` a la perte au quantile choisi (soit perte moyenne + capital economique), ce qui se traduit ainsi lorsque le capital economique est calcul e sur la base dun quantile de perte ` a 99.9% : Contribution(Op eration) = E [Li |LPortefeuille = Perte au quantile 99.9%] E [Li ] La Credit VaR nest pas une mesure de risque additive. Il est possible de construire un exemple certainement non-r ealiste ! - pour lequel la Credit VaR sur un ensemble de deux sous portefeuilles sera sup erieure ` a la somme des Credit VaR sur chacun des deux sous-portefeuilles. Par ailleurs, la Credit VaR ne donne que peu dinformation sur la forme de la queue de distribution des pertes sur le portefeuille et ces deux consid erations successives motivent la recherche dune mesure de risque additive qui apporte un surplus dinformation sur les risques extr emes. Un candidat id eal est la Tail VaR (ou Expected Shortfall - ES) qui est la moyenne des pertes au del` a de la Credit VaR : ES = E [L|L Credit VaR()] et int` egre comme nous pouvons le voir ci-dessous une information suppl ementaire sur la forme de la queue de distribution par rapport ` a la Credit VaR.
Densit des pertes / Fonction de rpartition (Portefeuille Vasicek)
16 14 12 densit 10 8 6 4 2 0
% % % % % % % % 2% 5% er te 8% % % 11 14 17 20 23 26 29 32 35 P 38

16 14 12 10 8 6 4 2 0 Densit ES

Perte

Figure 6.4: Lexpected Shortfall se d enit comme une perte moyenne au dessus dun quantile pr e-d eni Le capital economique est alors la di erence entre la Tail VaR et la perte moyenne, soit : Cap Eco = Expected Shortfall - Perte Moyenne et on pourra adapter les r` egles de contribution vu pr ec edemment au cas du calcul du capital economique en Expected Shortfall. Le choix dune r` egle de contribution est un enjeu majeur pour une banque. Il d etermine en eet la rentabilit e dune ligne m etier et inue donc sur lallocation strat egique des ressources de la banque d ecid ee par la direction nanci` ere.

50

CHAPTER 6. GESTION DU RISQUE DE CREDIT DUNE BANQUE

6.3

Les mesures de performance

Une mesure de performance va permettre de r econcilier risque et prot et de comparer, sur une base commune, plusieurs portefeuilles ayant des caract eristiques di erentes. Une mesure de performance int egrera donc : les revenus attendus les pertes attendues la mesure de risque de lop eration eventuellement le co ut de r etribution des fonds propres La mesure de risque choisie peut etre r eglementaire (le capital r eglementaire) ou interne (capital economique). Les mesures de performances sont le ROE (Return On Equity), le RAROC (Risk-Adjusted Return on Capital) et lEVA (Economic Value Added). Dans chaque cas, elle doit relier des fonds mobilis es pour couvrir des pertes (le capital) et les revenus esp er es. Lune des mesures de performance les plus populaires est le RAROC (Risk Adjusted Return On Capital). Le RAROC se d enit comme un rendement sur fonds propres et son expression est la suivante : RAROC = Revenus - Perte moyenne Capital economique

Le capital est le capital economique requis par lop eration, cest ` a dire la contribution de lop eration au capital economique total requis au niveau de la banque. Le RAROC, est une mesure interne de la performance qui va permettre de s electionner les meilleurs projets. Deux remarques simposent. Premi` erement, le niveau de capital retenu peut etre le capital r eglementaire qui sera exig e par le r egulateur, surtout si celui-ci sav` ere plus elev e que le capital economique de lop eration. Deuxi` emement, on voit ici limportance dune r` egle dattribution juste. En eet, une r epartition en covariance pourrait par exemple p enaliser des op erations dont le capital economique requis (par une r` egle de r epartition en covariance) serait sup erieur au capital economique requis par une r` egle de r epartition au quantile, p enalisant de fait la ligne m etier impliqu ee dans lop eration. Une seconde cons equence serait une mauvaise orientation de la banque dans ses choix dinvestissement si celle-ci avait pour objectif de maximiser son RAROC au niveau global. Le RAROC sexprime comme un rendement sur les fonds propres engag es par la banque dans lop eration. Il se veut donc une mesure de performance au service des actionnaires. Dans les revenus, on pourra inclure les revenus g en er es par lop eration auxquel on retranche les co uts sous-jacents (r etribution des interm ediaires nanciers, etc). On devra donc, pour respecter le principe de mesure au service des actionnaires, retrancher aux revenus le co ut de la dette. Celui-ci, en g en eral, est faible pour une banque bien not ee et sera omis de la formulation du RAROC. Le co ut de r emun eration des fonds propres est, en revanche, beaucoup plus elev e. Il compense en eet un risque plus important (dans le cas dun capital economique ` a 99.9%, les fonds propres doivent couvrir les

6.3. LES MESURES DE PERFORMANCE

51

pertes dans 99.9% des cas), et les revenus g en er es par une op eration doivent etre susants pour couvrir ce co ut. Autrement dit, une op eration dont le RAROC est inf erieur au co ut des fonds propres nest pas rentable. On retiendra donc les op erations telles que : RAROC > k , avec k co ut des fonds propres Lordre de grandeur du co ut du capital est autour de 10% pour les banques commerciales et 15% pour les banques dinvestissement On dira que k est un hurdle rate, le seuil minimal requis pour une op eration. Le pricing dune op eration (la tarication) doit en cons equence prendre en compte ce co ut des fonds propres. Une op eration est rentable lorsque son RAROC est sup erieur au co ut des fonds propres, soit : RAROC k > 0 Revenus - Perte moyenne k EC > 0 La quantit e (Revenus - Perte moyenne k EC ) mesure la richesse cr e ee pour lactionnaire au-del` a du rendement que celui-ci exige (le co ut des fonds propres) en r emun eration du risque port e. Alors que le RAROC est un pourcentage, lEVA sexprime en euros. Comme le RAROC, lEVA est couramment utilis e pour mesurer la pertinence dune op eration. Notons que de la m eme fa con que nous pouvons parler de contribution au capital economique, nous pouvons egalement parler de contribution ` a lEVA comme : EV Ai = Revenusi Perte moyennei ki Cbi
Co ut du risque

Nous avons soulign e dans l equation pr ec edente que le co ut des fonds propres di` ere par ligne m etier. Le calibrer est un exercice dicile et on consid` erera que le co ut des fonds propres est constant sur lensemble des activit es de la banque. Par ailleurs, en raison de ladditivit e des revenus et pertes moyennes, la maximisation de lEVA incite ` a la minimisation du capital economique, celle-ci pouvant passer par une politique de diversication du portefeuille de la banque et de gestion du capital economique ad equate.

EVA (Quantile 99.99 % )


4,20% 4,10% 4,00% 3,90% 3,80% 3,70% 3,60% 3,50% 0% 20% 40% 60% 80% 100% 14,00% 12,00% 10,00% 8,00% 6,00% 4,00% 2,00% 0,00% EVA EC RC

Figure 6.5: EVA et diversication. La recherche de lEVA maximale passe par une diversication du portefeuille.

52

CHAPTER 6. GESTION DU RISQUE DE CREDIT DUNE BANQUE

6.4
6.4.1

La titrisation
Description dune op eration de titrisation

La titrisation est une op eration qui consiste ` a transformer des actifs en titres nanciers. Les actifs concern es sont assez vari es et les plus courants sont les pr ets hypoth ecaires, les encours de cartes de cr edit (US), les pr ets automobiles, les pr ets etudiants ou encore une classe ` a part : les cr eances commerciales. Une entit e fait linterface entre les actifs et les titres nanciers : le SPV (Special Purpose Vehicle) qui va porter ` a son bilan les pr ets (ou autres) qui constituent le socle de lop eration de titrisation et sera nanc e au niveau de son passif par les titres nanciers emis. Ces titres seront rembours es par les ux g en er es par lamortissements des actifs titris es. Prenons pour exemple des pr ets automobiles emis par une division nanci` ere dun constructeur automobile. Celui ci, voulant apurer son bilan et se re-nancer rapidement an de pouvoir proposer ` a nouveau des conditions avantageuses ` a ses clients, va faire appel ` a un structureur qui proposera dans un m eme temps le rachat des cr eances aupr` es du constructeur automobile (` a des conditions n egoci ees et permettant notamment la couverture partielle des pertes ` a venir) et recherchera des investisseurs aupr` es desquels placer les titres nanciers emis conformes au couple rendement/risque recherch e par ceux-ci, cest ` a dire un couple Spread / Rating qui sera valid e par les agences de notation. La premi` ere tranche (la plus risqu ee) est g en eralement gard ee par le vendeur des cr eances. Pour deux raisons. Premi` erement, pour une raison pratique : cette premi` ere tranche peut etre gard ee sous la forme dune over-collat eralisation : le c edant (le vendeur des cr eances) apporte au SPV un surplus de cr eances non nanc ees. Cette solution permet au c edant de ne pas monopoliser une somme xe. Deuxi` emement, la premi` ere tranche gard ee par le c edant va rassurer les investisseurs sur la qualit e des actifs puisquelle va absorber la majeure partie des pertes (ce qui permettra d emettre des titres de meilleure qualit e et dobtenir par cons equent un co ut de nancement moindre). Cette premi` ere tranche incite egalement le c edant ` a rester impliqu e dans la gestion des cr eances (notamment les impay es) b en eque au bon d eroulement de lop eration de titrisation une fois quelle est mise en place. La maturit e de lop eration de titrisation peut etre allong ee en incluant une p eriode dite de revolving (ou rechargement en franais) pendant laquelle le c edant sengage ` a vendre au SPV de nouvelles cr eances ` a intervalles r eguliers. Priorit e des paiements et appurement des pertes : Lorsque des pertes sont constat ees sur le panier de cr eances et quune r eserve est en place ou que lexcess spread est susant, les pertes vont etre apur ees de la fa con suivante. Apr` es paiement des frais (fees) du trustee (le g erant de lop eration de titrisation), les liquidit es disponibles servent ` a rembourser les porteurs de parts les plus prioritaires jusqu` a hauteur des pertes subies sur le pool. Ceci a pour cons equence plusieurs eets. Premi` erement, on le voit, les porteurs de notes class A sont dans lexemple suivant eectivement les mieux prot eg es. Deuxi` emement, les porteurs de class A sont plus que les autres soumis ` a une incertitude sur le temps auquel leurs parts

6.4. LA TITRISATION

53

seront rembours ees, celles-ci sont remboursables par anticipation, g en erant un risque de r einvestissement qui se traduira par un spread plus elev e. Enn, le niveau de protection des porteurs des tranches A d eni comme le rehaussement de cr edit va augmenter au cours de la dur ee de vie de la transaction.
Les pertes sont apures

Class A

Class A

Class A

3RRO GH FUDQFHV

Class B


Class D

3RRO GH FUDQFHV

Class B


Class D

3RRO GH FUDQFHV

Class B


Class D

Pertes Subies

Les rserves servent rembourser les porteurs de notes les plus Seniors (Class A) afin de rquilibrer le bilan du SPV.

Nouveau bilan du SPV

Le r ehaussement de cr edit En plus de la structure que nous venons de voir qui prot` ege en priorit e les porteurs de notes Class A, plusieurs m ecanismes additionnels peuvent (et vont) etre mis en place an de prot eger les investisseurs et obtenir un nancement ` a moindre co ut. R eserves : des r eserves sont souvent apport ees au conduit. Elles sont nanc ees par le c edant et permettent de couvrir les premi` eres pertes, cest ` a dire rembourser les parts les plus s eniors lors de d efauts au sein du panier de cr eances. - Crit` eres d eligibilit e : en cas dop eration revolving, des crit` eres d eligibilit e encadrent fr equemment les conditions de rechargement, obligeant ainsi le c edant ` a fournir des cr eances de bonne qualit e. Triggers : lorsque lop eration est revolving, des triggers sur le taux de d efaut au sein du panier de cr eances peuvent stopper la p eriode de revolving, ou modier la cascade des ux de paiement an de diriger ceux-ci en priorit e vers des r eserves compl ementaires. Des triggers peuvent egalement etre mis en place sur le rating du servicer (ilsagit en g en eral de linstitution qui a origin e les pr ets sous-jacents et qui soccupe de recueillir les paiements dint er ets et de principal, et de les transf erer au SPV) ou du c edant. Couvertures par des tiers : des contreparties tierces peuvent assurer une partie du panier de cr eances, ou un type de risque. En particulier la liquidit e, via la mise en place dune ligne de liquidit e. La liquidit e a un statut senior, et son remboursement prime sur la couverture des pertes sur le pool de cr eances. Int er et, avantages et d esavantages

54

CHAPTER 6. GESTION DU RISQUE DE CREDIT DUNE BANQUE

Lint er et dune op eration de titrisation pour un vendeur est principalement lacc` es ` a une nouvelle source de nancement qui (sous r eserve dune structuration eciente) est bon march e . Par ailleurs, dans le cas dop eration revolving, le c edant peut obtenir un nancement dont la maturit e moyenne est sup erieure ` a la maturit e moyenne de ses actifs. Pour un investisseur, lattrait est principalement un spread beaucoup plus attractif que sur le march e corporate classique. Ces spreads traduisent la complexit e du produit (et son manque de transparence parfois), le manque de liquidit e du march e, ainsi que labsence de produits de couverture standards. Enn, en raison de la possibilit e de remboursements anticip es, le spread inclus une composante risque de r einvestissement non nulle.

6.4.2

La titrisation au sein dun conduit

Certaines op erations de titrisation natteignent pas une taille critique qui leur ouvre les portes des march es nanciers. Ces op erations seront alors eectu ees via un conduit qui rassemble plusieurs op erations de titrisation. Le conduit nance donc plusieurs op erations avec pour chacune leur structure propre et se renance sur les march es nanciers ` a moindre co ut. Le conduit b en ecie dun sponsor qui am` enera des protections suppl ementaires aux investisseurs ayant achet e le papier commercial emis par celui-ci. Ces protections compl ementaires sont une lettre de cr edit et une ligne de liquidit e. Par ailleurs, et pour des besoins de d econsolidation (traitement hors-bilan), il pourra y avoir mise en place dune First Loss revendue ` a des investisseurs externes qui prot` egera le conduit contre les toutes premi` eres pertes apr` es epuisement des r eserves. La lettre de cr edit est une protection mise en place par le sponsor du conduit ` a lattention des investisseurs. Son r ole est dassumer les pertes sur les op erations au sein du conduit jusqu` a un certain montant. Cette protection est mutualis ee dans le sens o` u elle est indi erente ` a lorigine de la perte et peut couvrir toutes les op erations du conduit. La ligne de liquidit e est une r eserve qui permet le versement des int er ets aux investisseurs lorsque les collections du conduit sont insusantes pour assurer le montant des int er ets contractuels. Le r ole de la ligne de liquidit e est etendu par rapport ` a une op eration de titrisation classique hors-conduit. De plus en plus apparaissent avec la nouvelle r eglementation (B ale II) des lignes de liquidit e Fully Supported couvrant tous types de risques, linvestisseur demeurant alors en risque sur le sponsor seulement. Par exemple, pour un conduit sponsoris e par la Soci et e G en erale avec des lignes de liquidit e Fully Supported, linvestisseur ne peut subir des pertes qui si les pertes sur le conduit sont importantes et quen m eme temps la Soci et e G en erale est en faillite. La lettre de cr edit est une protection commune ` a toutes les transactions du conduit. Elle est compl et ee par des lignes de liquidit e qui peuvent etre tir ees au niveau de chaque op eration. Au niveau de chaque transaction, la lettre de cr edit se comporte comme une tranche mezzanine de position relativement junior. Celle-ci etant commune ` a toutes les transaction du conduit, elle va servir

6.4. LA TITRISATION

55

Figure 6.6: La lettre de cr edit est une protection commune ` a toutes les transactions du conduit de protection ecace contre les pertes pouvant intervenir sur chacune des transactions. Si par contre les transactions pr esentes dans le conduit g en` erent simultan ement des pertes, la lettre de cr edit sera rapidement satur ee est des pertes devront etre report ees sur les investisseurs, ` a moins que les transactions ne soient toutes fully supported, auquel cas le sponsor -la banque- apurera les pertes pour le compte des investisseurs. Moyennant ces protections, les conduits emettent un papier commercial tr` es bien not e par les agences de ratings, tout en b en eciant de spreads elev es propres aux op erations de titrisation (et en facturant des frais de gestion). L ecart entre les spread moyen sur les transactions du conduit et le taux de renancement sur les march es (quelques bp au dessus des taux de r ef erence) font des conduits des op erations lucratives.

56

CHAPTER 6. GESTION DU RISQUE DE CREDIT DUNE BANQUE

Bibliography
[1] Artzner, P. et al., Coherent measures of risk, Mathematical nance, 9, 203-228 (1999). [2] Arvanitis, A. and J. Gregory, A credit risk toolbox, Risk, December, 50-5 (1999). [3] BIS (2004), International convergence of capital measurement and capital standards. [4] Black, F. et Scholes, M., The pricing of options and corporate liabilities, The Journal of Political Economy, Vol. 81, 3, pp. 637-654 (1973). [5] Bluhm C., L. Overbeck and C. Wagner, An introduction to credit risk modeling, Chapman & Hall / CRC (2002). [6] Bouchaud, JP. et Potters, M., Theory of Financial Risk and Derivative Pricing, Cambridge University Press (2003). [7] Crouhy, M., D. Galai and R. Mark, Prototype risk rating system, Journal of Banking & Finance, 25, 41-95 (2001). [8] Crouhy, M., D. Galai and R. Mark, Risk management, McGraw-Hill, 2001. [9] Embrechts et al., Modeling Extremal Events for Insurance and Finance, Springer, New-York (1997). [10] Gordy M. and D. Jones, Random tranches, Risk, March, 78-83 (2003). [11] Gourieroux C., JP Laurent and O. Scaillet, Sensitivity analysis of values at risk, Journal of Empirical Finance 7, 225-245 (2000). [12] Leland, H., Corporate Debt Value, Bond Covenants, and Optimal Capital Structure, The Journal of Finance, Vol. 49, Issue 4, 1213-1252 (1994). [13] Matten, C., Managing bank capital : capital allocation and performance measurement, John Wiley & sons (1996). [14] Merton, R., On the Pricing of Corporate Debt: The Risk Structure of Interest Rates, The Journal of Finance, Vol. 29, Issue 2, 449-470 (1974). [15] Moodys (2000), The lognormal method applied to ABS analysis, Special report. 57

58

BIBLIOGRAPHY

[16] Ong, M., Internal credit risk models : capital allocation and performance measurement, Risk books (2000). [17] Punjabi, S., Many happy returns, Risk, June, pp. 71-6 (1998). [18] Pykhtin M. and Dev A. (2002), Credit risk in asset securitizations: an analytical approach, Risk, May, S16-S20. [19] Resnick, S.I. (1987) Extreme Values, Regular Variation and Point Processes, Springer, New-York. [20] Standard and Poors, Trade receivables criteria. [21] Vasicek O. (1991), Limiting loan loss probability distribution, KMV Corporation. [22] Wang, S., A Risk Measure That Goes Beyond Coherence. [23] Wang, S., V.R. Young, et H.H. Panjer : Axiomatic Characterization Of Insurance Prices, Insurance: Mathematics and Economics, 21:173-183 (1997). [24] Zaik, E., J. Walter, G. Kelling and C. James, RAROC at bank of America : from theory to practice, Journal of applied corporate nance 9, pp.83-93 (1996).