Modles intensit et copules appliqus la dtermination des probabilits de dfaut dun portefeuille.

Aimad Taleb 23 Aot 2002 Ecole Polytechnique Promotion X99

Option : Dpartement des Sciences Economiques. Directeur de loption : Antoine Frachot. Directeur de Stage : Antoine Conze.

Adresse de lorganisme :
Nexgen Financial Solutions Ormande House, 12 Lower Leeson Street Dublin 2. Irlande

Remerciements :
Je tiens remercier personnellement Antoine Conze pour sa patience face mes questions, Benot Garrivier pour sa relecture de mon rapport, et ses prcieux conseils, et puis Thierry Canel sans qui ce rapport ne serait pas ce quil est, et dont les explications et les articles mtaient dun grand secours. Je remercie Jrme Brochard, Franois Robey, et Frank Monks pour leur ternelle bonne humeur, et leur soutien au quotidien, Jean Pierre Sarkis et Emmanuel cerisier pour leur aide rsoudre les problmes techniques rencontrs durant mon stage.

Tables des matires

Introduction:........................................................................................................................ 5 Premire Partie: Les acteurs et les produits du march ...................................................... 6 1. Acteurs : .................................................................................................................. 6 1.1- Emetteurs et investisseurs :............................................................................. 6 1.2- Les agences de rating :.................................................................................... 8 1.3- Les autorits rglementaires : ....................................................................... 10 2. Produits : ............................................................................................................... 10 2.1- Credit default derivatives:............................................................................. 12 2.2- Credit Spread Derivatives :........................................................................... 15 Deuxime Partie:Prliminaires ......................................................................................... 16 1. Probabilit historique et probabilit risque neutre :.............................................. 16 2. Diffrences entre risque de crdit et risque de march :....................................... 17 3. Les composantes du risque crdit : ....................................................................... 18 4. Les modles du risque crdit : .............................................................................. 22 4.1. Modles structurels : ..................................................................................... 22 4.2. Modles Rduits : ......................................................................................... 22 Troisime Partie : Calcul dintensit................................................................................. 25 1. Intensit historique :.............................................................................................. 25 2. Intensit risque neutre :......................................................................................... 26 2.1. Mthode 1 : base sur les tudes empiriques ................................................ 26 2.2. Mthode 2 : base sur les Spreads. ............................................................... 26 Quatrime Partie : Copules & Corrlations ...................................................................... 31 1. Copules et distributions multinomiales :............................................................... 31 2. Maximum de vraisemblance :............................................................................... 35 3. Calcul des probabilits de dfauts joints :............................................................. 40 Conclusion : ...................................................................................................................... 42 Bibliographie : .................................................................................................................. 43 Appendice : ....................................................................................................................... 45

Abstract
The aim of this paper is to be an introduction to credit risk. In the first part, we will present the market actors, and the main products traded. In the second part, we will emphasize the differences between the historical probability, and the risk neutral one, and the credit risk versus the market risk. And then, we will demonstrate the existence of different premiums composing the credit spread, and will present some empirical studies, quantifying each premium. And finally, we will present an overview of the principal credit risk models. In the third part, we will be interested exclusively in the intensity models, based in the assumption that an exogenous random variable controls default. To implement such models, we need to compute the default intensity. In this goal, we propose one method to compute the historical default intensity, and two methods to compute the risk neutral default intensity, using empirical studies and spreads. In the fourth part, we will introduce Copulas functions. They are a general tool to construct multivariate distributions, and to investigate dependence structure between variables. We will present a Student and Gaussian Copula, and then we will compute the correlations matrix of our variables, by the maximum likelihood method. Finally, we will use it to compute, the joint default probability of several assets, and we apply them, to a virtual portfolio of four companies.

Rsum
Ce mmoire se veut comme une introduction au risque crdit. Aprs avoir fait une prsentation du march du crdit, ces acteurs, et les principaux produits, on mettra laccent sur la diffrence entre la probabilit historique, et la probabilit risque neutre, dun cot, et le risque crdit et le risque march dun autre cot. Cela sera essentiel la comprhension de la suite de lexpos. Puis nous ferons un tour dhorizon des principaux modles du risque crdit, et plus particulirement, les modles intensit, pour lesquels on va proposer une mthode pour le calcul de lintensit historique, et deux pour lintensit risque neutre bases sur une tude empirique, et sur les spreads. En quatrime partie, nous introduisons les copules. Cest un outil puissant, pour construire des fonctions de rpartitions multinomiale, et tablir le lien entre plusieurs variables. Nous prsenterons la copule gaussiennes, et la Student, puis nous calculerons les matrices de corrlations par la mthode du maximum de vraisemblance. Et finalement, nous utiliserons ces rsultats, pour le calcul des probabilits jointes de dfaut dun portefeuille virtuel de quatre entreprises.

Introduction:
La gestion de risque est devenu incontestablement lun des domaines les plus importants pour toute institution financire. Les dernires crises en Argentine, en sud-est asiatique ou encore les affaires Enron et World Com nont fait quaccrotre lintrt port ce sujet. Cette volution sest accompagne galement dune supervision et dune rgulation croissante pour contrler lexposition au risque des banques. En gnral le risque dune institution financire est d plusieurs sources, qui sont classes suivant ces principaux facteurs: Risque de march: Cest lexposition dun portefeuille due aux mouvements et aux changements des facteurs du march : taux dintrt, cours des actions, taux de change... Risque de crdit: Exposition au risque quune contrepartie fasse dfaut ses engagements : payer la dette dun crancier, ou les coupons dune obligation mise. Risque de liquidit: Cest le risque li la dtention dun actif peu liquide, ce qui ne permet plus de faire une couverture aux prix du march, et ncessite une dure beaucoup plus grande pour la liquidation des positions. Cest le cas particulirement pour le march des OTC. Risque du modle: Les pertes dues lutilisation dun modle erron, ou pas assez prcis pour le pricing, et la gestion du risque. La validation par des modles indpendants, est la procdure la plus utilise pour luder ce genre de problmes. Risque Oprationnel: Cela comprend un grand nombre de sources de risque, allant de la fraude et le risque technologique, au risque li au changement de lgislature entre les diffrentes filires dune banque dans plusieurs pays. En raison de la diversit et la disparit de ces sources, cest trs difficile de les quantifier, et cest seulement en adoptant des systmes de procdures trs prcis, et des pratiques bien assimiles par les diffrent agents quon peut contrler ce genre de risque. Ce mmoire se veut comme une introduction au risque de crdit. Il sintressera aux composantes le constituant, et ses diffrences avec le risque du march seront exhibes. On prsentera galement les acteurs du march du crdit, ses diffrents produits et son fonctionnement. Puis nous nous intresserons aux principaux modles existant dans la littrature, pour modliser le risque crdit, et plus particulirement aux modles intensits, dont nous allons essayer de calibrer les paramtres pour un portefeuille virtuel, et utiliser les Copules de Student pour calculer les coefficients de corrlations.

Premire Partie: Les acteurs et les produits du march

1. Acteurs :
1.1Emetteurs et investisseurs :

Le march du crdit se trouve au cur du besoin de financement des tats, des entreprises et des entrepreneurs, pour mener terme une reforme politique, ou une activit industrielle. La dette est linstrument de base du march du crdit. Elle peut soit tre contracte directement auprs dune banque ou toute autre institution financire, et dans ce cas on parle dun Loan. Elle peut tre mise sur le march primaire des obligations, et on parle dans ce cas la dun Bond. Lmetteur le moins risqu est ltat, quoique cela dpende de la sant financire de ltat mme, la dernire crise en Argentine en tait un bon exemple. Et dans ce cas-ci on parle de Sovereign.

Figure 1 : Les diffrent acteurs sur le march du crdit Source : www.creditgrrades.com

Les autres metteurs payent des marges plus leves, pour compenser le crancier du risque encouru, ce quon appelle : le Spread de signature, qui reprsente la diffrence entre le taux dintrt de ltat, et celui dun emprunteur quelconque. Il est mesur en bp, sachant quun point de base 1 bp = une diffrence de 0.01% sur le taux dintrt. Dautre part, on trouve les investisseurs. Ce sont en gnral les banques, les compagnies dassurances, les institutions financires, des entreprises industrielles, les gouvernements. En gnral le march du crdit attire de grands investisseurs institutionnels qui ont grer des grandes sommes dargent, et qui cherchent des placements plus rentables que les obligations gouvernementales comme les OAT, dans lesquelles ils investissent dj massivement, tout en prenant moins de risque que sur le march des actions, beaucoup plus volatile. Une obligation garantit un cash-flow prdtermin lors de lmission, versant des coupons trimestriels, semi annuels ou annuels avec un taux fixe. Toutefois, un investisseur peut se prmunir contre le risque de taux, soit en achetant des obligations taux variable (FRN) qui payent une marge fixe en dessus du taux interbancaire, souvent Libor ou Euribor, ou en achetant une obligation taux fixe couple avec un swap de taux, dont le nominal notionnel est gal au nominal des obligations, ce quon appelle Asset Swap.

Figure 2 : Le fonctionnement de lAsset Swap. Source : www.lbkiel.dk Le march du crdit est peu liquide, en raison de limportance des sommes engages. En effet, le nominal dune obligation varie entre quelques centaines de milliers, jusqu quelques centaines de millions deuros. Dautre part, il contient un nombre important de noms et de produits, sans quaucun actif ne soit disponible en quantit suffisante pour constituer son propre march, contrairement par exemple aux bons du trsor. Les cotations ne se font pas de manire continue. Il existe des obligations tellement peu liquide quelles sont cotes avec une frquence mensuelle, voire plus. De plus cest un march assez ferm, dans la mesure o une institution financire doit tre accepte comme contrepartie dans les Assets Swap, et les defaults Swap par la 7

banque centrale du pays, ce qui exige quelle ait une sant financire reconnue, vu quen cas de dfaut les pertes sont assez svres. Elle doit possder aussi une quipe spcialise dans le suivi de ce march, dont les titres ne sont pas cots en bourse.

1.2-

Les agences de rating :

En 1909, John Moody a introduit un systme graduel de notation pour les obligations mises par les compagnies des chemins de fer aux Etats Unis, qui rsume linformation sur la qualit du crdit, exprimant la sant financire de la compagnie, la frquence de dfaut, la svrit des pertes, et les transitions de rating. Depuis, plusieurs agences de rating ont vu le jour, pour apprcier le risque de dfaut des emprunteurs. Les plus importantes sont : Moodys Investor Services. Standard & Poors. Fitch IBCA. Duff & Phelps.

Ces agences, la suite des nouvelles rglementations bancaires, prennent un rle de plus en plus important dans les marchs financiers, et cest trs frquent quune dgradation du rating dune entreprise par lune de ces agences, provoque une chute brutale de laction, et un saut de son spread. Lchelle de notation dont nous nous servirons est celui de Moodys, allant de Aaa jusqu' Caa et puis D qui reprsente ltat de dfaut. Selon la notation, on parle dInvestment grade, ou de Speculative grade, ces derniers procurent un haut rendement (high yield), mais avec un niveau de risque plus lev.

Notations de Moody's Investment Grade Speculative Grade Aaa, Aa1, Aa2, Aa3, A1, A2, A3, Baa1, Baa, Baa2 Ba1, Ba2, Ba3, B1, B2, B3, Caa

Figure 3: les diffrents ratings pour Investment et Speculative Grade De par leur connaissance de lanalyse crdit, ces agences jouissent dune reconnaissance internationale, leur dcision se fonde sur les informations disponibles au sujet de lentreprise, sur le contexte macroconomique et sectoriel. De plus, elles ont droit des visites et des entretiens avec les dirigeants des entreprises, qui leur fournissent des informations confidentielles sur leurs performances, investissement et comptabilit, non disponibles sur le march. Depuis 1970, ce service est devenu payant et 8

presque obligatoire pour les metteurs, vu que son absence suscitera le doute des investisseurs quant la qualit du crdit. Ces agences travers les bases de donnes dont elles disposent, sur les entreprises dfaillantes, publient rgulirement des tudes statistiques fournissant : En fonction du rating initial, et lhorizon considr, les probabilits de dfaut, et les matrices de transitions markoviennes des rating. (voir appendice) Le taux de recouvrement en cas de dfaut, en fonction du rang dinscription, appel sniorit, qui exprime lordre dans lequel les dettes seront payes aux cranciers. Cest les loans qui sont pays en premier, puis senior secured, puis les seniors insecured, puis les juniors subordinate, puis les juniors insubordinate. Ce taux de recouvrement dpend troitement du secteur dactivit de lmetteur, et de son rating.

Figure 4: Les taux de recouvrement suivant la sniorit. Source : [25]

1.3-

Les autorits rglementaires :

Le risque de crdit tant au coeur de lactivit financire internationale, le comit de Ble, a tablit des rglementations destines garantir la solvabilit des grandes institutions financires, par lintermdiaire du clbre ratio Cooke , datant de 1988, et ayant deux objectifs fondamentaux : Amliorer la solvabilit et la robustesse du systme bancaire international face aux crises financires, comme celle de lArgentine, de la Russie ou encore du Brsil dernirement. Trouver des rgles et des mesures, les plus uniformes et efficaces possible, pour diminuer les sources dingalits concurrentielles. En dautre terme ces rglementations visent assurer ladquation entre les fonds propres de la banque, et les risques lis ses engagements. Cependant, la mthode propose pour le calcul des fonds propres ncessaires, tait insatisfaisante, car ne tient pas en compte la qualit des emprunteurs. Par consquence, les banques taient encourages sengager dans les marchs haut rendement (high yield) des pays mergents, trs risqus mais trs rentables, ce qui a provoqu ces rcents dysfonctionnements. Une rforme de la rglementation a t faite en Janvier 2002, pour prendre en compte les ratings des emprunteurs pour dterminer le ratio des fonds propres, et la svrit des pertes en cas de dfaut. Une deuxime rforme est prvue en 2005, permettant aux banques de calculer leurs risques, et le ratio de provisionnement, moyennant un modle interne qui doit tre cependant valid par les autorits rglementaires. Ce qui explique en partie lintrt croissant port la recherche en modlisation du risque de crdit de la part des grandes banques daffaires, qui ont le moyen de mobiliser les quipes ncessaires ces fins.

2. Produits :
Le march du crdit attire nombre dinvestisseurs, comme il offre des placements plus rentables que les bons dtat comme les OAT, et moins risqus que les actions, on parle de rapport risque/rentabilit intressant. En dehors des obligations taux fixe, couples ou non avec un Swap de taux, ou encore les FRN (Floating Rate Notes) dont on a parl prcdemment, le march du risque crdit a vu son offre de produits drivs (credit derivatives) explos ces dernires annes sous la pression de la demande des institutions financires, qui veulent travers ces produits acheter et vendre du risque, pour ajuster leur ratio de Cooke, mais surtout travers cela, librer leurs fonds propres,

10

utiliss par des contrats prcdents devenus peu rentables, en profit de nouvelles transactions. Il existe plusieurs moyens pour rduire le risque crdit dune banque : Elle peut tablir une limite dexposition pour chaque contrepartie ne pas dpasser, afin de diversifier le risque. Et donc refuser toute transaction avec une contrepartie menant au dpassement de sa limite de risque prtablie. Elle peut demander la contrepartie de dposer un collatral, refltant le risque encouru, qui doit tre ajust priodiquement, comme pour les systmes dappel de marge des contrats futures. Ce systme ne peut liminer virtuellement tout le risque, car il se peut que la contrepartie fasse dfaut au moment o elle doit ajuster le collatral, mais dans tous les cas, il le limite considrablement. Mais sa mise en pratique rencontre plusieurs problmes, car il faut que les deux parties se mettent daccord sur le modle de calcul du collatral et les ajustements, et puis sur le taux dintrt qui doit tre appliqu au collatral pendant le priode de blocage. Le Netting : est une procdure stipulant que quand une partie fait dfaut avec une institution financire, alors elle doit faire dfaut avec toutes les autres, cela permet dutiliser les expositions positives de cette partie dans une transaction, pour payer ces expositions ngatives dans dautres. Elle peut inclure une clause du type rating de seuil dans le contrat. Par exemple si le rating de la contrepartie descend au dessous du seuil Baa, le contrat doit tre termin, utilisant des formules prdtermines suivant le collatral et lexposition des deux parties ce moment. Cette technique permet de rduire considrablement le risque crdit, mais quelques problmes subsistent : dune part, quand il ya des sauts de rating, les pertes peuvent nanmoins rester significatives. Et dautre part, on est dans lobligation dutiliser des modles de pricing pour la transaction, fonds sur les matrices de transitions markovienne de rating, des modles qui ne font pas lunanimit du march. Etant donnes que les mesures cites prcdemment restent insuffisantes pour palier au risque de crdit, le march offre une multitude de produits pour changer du risque. De manire gnrale, un produit driv de crdit est tout instrument financier driv, permettant la valorisation et la ngociation du risque de crdit dun actif sous-jacent, indpendamment des autres risques inhrent celui-ci.

11

Figure 5 : Les diffrents produits drivs de crdit. Source : www.creditgrades.com Les produits traits sur le march peuvent tre classs en trois grandes catgories : Les produits drivs sur risque de dfaut : ils permettent leurs dtenteurs de se protger contre des vnements de crdit. Les produits drivs sur marge de crdits, ou spread options : ils permettent leurs dtenteurs de se prmunir contre les mouvements des spreads. Cest principalement des contrats forwards, ou encore des options dachat ou de vente sur un niveau de spread, pour une maturit donne. Les produits rpliquant synthtiquement la performance dun sous-jacent, sans pour autant le dtenir. Cela permet de faire de la couverture statique, sur des positions dtenues pour les uns, ou juste de la spculation pour dautres.

2.1-

Credit default derivatives:

2.1-1. Credit Default Swap:

Cet instrument est certainement le plus chang sur le march du crdit. Il permet le transfert du risque de dfaut entre deux parties, sans transfrer la proprit de lactif de rfrence. En terme plus prcis, un Credit Default Swap, appel souvent un CDS, est un contrat bilatral entre un acheteur et un vendeur de protection, contre un vnement de crdit dun tiers. Le contrat a une maturit donne, mais se terminera prmaturment si lvnement de crdit a eu lieu.

12

Lacheteur de protection fera des versements priodiques, exprims en point de base bp par anne, pour le montant notionnel convenu, appel la prime du CDS. En change, le vendeur de la protection payera un montant contingent lvnement de crdit convenu. Normalement, le paiement en cas de dfaut est gal (1-R)*Notionnel, avec R le taux de recouvrement en cas de dfaut. Les credit events peuvent tre dfinis de plusieurs faons. Ils font gnralement rfrence la documentation lgale ISDA. Les plus courants sont : Le dfaut de paiement sur les intrts ou le principal. Les faillites et les procdures judiciaires similaires, comme se mettre sous la protection du chapitre 11 aux Etats Unis. La restructuration de la dette du dbiteur par ces cranciers. Mais actuellement, cette clause nest plus accepte par le march.

Figure 6 : Le fonctionnement dun CDS. Source : www.creditgrrades.com Il ya plusieurs possibilits pour la livraison en cas dvnement de crdit : Livraison en cash : le vendeur de la protection paye lacheteur du CDS une somme, gale la diffrence entre le notionnel et le prix de lactif de rfrence. La valeur du taux de recouvrement est prdtermine par les deux agents. Livraison physique : lacheteur de la protection dlivre lactif sous-jacent au dfaut au vendeur du CDS, qui lui paye en retour le montant notionnel de lactif.

13

2.1-2. Two-way credit default swap:

Ces produits permettent un change dexposition dans un but de gestion et de ventilation de risques concentrs sur un client ou un secteur dactivits. Prenons par exemple deux banques, A ayant comme gros client Renault, et B ayant comme gros client France Telecom. Et supposons que les deux banques aient adopt une politique interne, de limitation dexposition au risque de crdit dune contrepartie. Etant donnes les politiques type client des banques, si Renault et France Telecom demandent des prts, pour dvelopper de nouveaux produits, les banques ne voudront certainement pas leur refuser les prts, sous prtexte que leur niveau dexposition envers eux, sera jug trop lev. Une solution, est que les deux banques A et B, concluent un swap de dfaut sur un montant notionnel, gnralement similaire, sauf si lun des deux metteurs est jug plus risqu que lautre. Dans ce cas, une prime de risque supplmentaire sera verse la banque supportant lmetteur de moins bonne qualit. Ainsi, les deux banques ont bien gard de bons rapports avec leurs clients, tout en respectant leur politique interne, ventilant leurs risques sur plusieurs metteurs, et plusieurs secteurs.

2.1-3. Basket Default Swap :

Un basket default swap, est un contrat dassurance contre un dfaut, avec des paiements similaires ceux dun CDS, sauf que le sous-jacent nest plus un actif, mais un panier dactifs. Le contrat fournit son acheteur une assurance sur lensemble des actifs du panier, pour une maturit donne, selon des rgles prdtermines, mais nest en aucun cas, la somme des CDS de chaque actif le constituant. Considrant un panier de n actifs. Les produits proposs dans cette direction sont typiquement : First-to-default : il propose une protection contre le premier dfaut survenant dans le panier. Second -to-default : il propose une protection contre le second dfaut survenant dans le panier.

14

2.2-

Credit Spread Derivatives :

Ces contrats permettent aux investisseurs, de prendre des positions sur les spreads entre deux titres.

2.2-1. Credit spread forward :

Le fonctionnement de ces produits est similaire celui des contrats terme sur les taux dintrt. Lacheteur dun tel produit sengage acqurir un produit de crdit avec une certaine marge au dessus dun taux de rfrence, typiquement le taux des bons du trsor, ou le Libor pour les produits taux variables. De manire symtrique, le vendeur sengage vendre la marge dexercice convenue. Cela, permet aux deux de se protger contre les mouvements de cette marge. A lchance, le flux pay est gal la diffrence entre la marge fixe pour lexercice, et la marge observe maturit, pondr par le notionnel et la duration.

2.2-2. Credit spread option :

Le credit spread option, est une option sur le spread credit dun certain actif. Lacheteur du produit paye une prime au vendeur, pour recevoir en change la valeur actualise, de la diffrence du spread actuel et celui de lexercice. En dautres termes, cest trs similaire au credit spread forward, sauf que lobligation dachat ou de vente, devient un droit que lacheteur de loption choisit dexercer ou non.

2.3-Les produits structurs :

Nous avons prfr les mettre en appendice.

15

Deuxime Partie:Prliminaires
1. Probabilit historique et probabilit risque neutre :
En 1997, Holton a propos une dfinition du risque plus utile que ses prcdentes, dans le sens o elle fournit une formulation mathmatique assez prcise. Ainsi, le risque est une variable alatoire reprsentant lexposition aux pertes, dans un espace de probabilit habituel de Kolmogorov. Les probabilits sont trs utiles en finance pour modliser des grandeurs incertaines, pricer des produits, ou encore mesurer des risques. Cependant, il existe plusieurs probabilits, on dit aussi plusieurs mesures, les plus clbres sont : la probabilit historique, et la probabilit risque neutre. La probabilit historique, comme son nom lindique, affecte un vnement donn une probabilit, ou une vraisemblance doccurrence, gale sa frquence au sens probabiliste. Elle est dune certaine manire, une mmoire du temps, et aucune anticipation nest prise en compte. De lautre cot, se trouve la probabilit risque neutre. Quand Black&Scholes ont crit lquation diffrentielle permettant de pricer une option, ayant comme sous-jacent une grandeur Vt , suivant un mouvement stochastique, ils remarqu quelle ne dpendait pas de son rendement , mais seulement du taux dintrt sans risque, de sa volatilit, son niveau de prix actuel, et du temps. En un mot, le prix de loption est indpendant des prfrences du risque des agents, puisquon peut mettre en place de portefeuille de couverture rpliquant son payoff. Prenant des agents qui ont une grande aversion au risque, alors pour quils acceptent dinvestir dans un actif risqu, dans le sens o son revenu est incertain, ces agents exigeront un rendement- ie un drift - plus lev- pour compenser leur prise de risque. On voit en cela, que laversion au risque des agents, affectera le prix de loption. dVt = dt + d Wt (1) Vt Mais tant donne que lquation diffrentielle du pricing ne dpend pas du drift, on se placera dans un monde o les agents sont neutres au risque, et accepteront dinvestir dans un actif risqu tant que son rendement est gal lactif sans risque. Dans ce cadre, le prix de nimporte quel actif, est gal lesprance des gains actualiss au taux dintrt sans risque. Mathmatiquement parlant, en absence dopportunit darbitrage, une telle probabilit existe, et si de plus le march est complet, alors elle est unique. Le passage dune probabilit lautre est communment appel : changement de probabilit de Girsanov.

16

En pratique, cette probabilit ressort du march, car en prenant comme input les prix des actifs, on peut dduire la probabilit que le march affecte loccurrence dun vnement qui incorpore la prime de risque. Comme le prix de lactif, est gal lesprance des cash-flows futurs actualiss, cette probabilit est forward looking, dans le sens, o elle na pas de mmoire. On utilise aussi le nom de probabilit subjective, car elle dpend fortement de lapptit du risque des agents. Ainsi, si le march est bear ( la suite dune panique boursire sans fondements conomiques), les agents deviennent plus averse au risque, et la probabilit risque neutre change fortement, mme sil ny a pas de raisons macroconomiques pertinentes le justifiant. En fait, cest la driv de Radon-Nikodym qui change fortement. De cette discussion ressort une ide fondamentale selon laquelle, ni la probabilit historique qui nanticipe pas, ni la probabilit risque neutre qui est subjective et sans mmoire, nest parfaitement adquate pour le calcul du risque de dfaut. Nanmoins, des conventions sont utilises, respectant une remarque intuitive que la probabilit historique est mieux adapte pour le calcul des pertes, et que la probabilit risque neutre est mieux adapte pour le pricing des produits risque crdit, en particulier le calcul des marges, et des primes de risques.

2. Diffrences entre risque de crdit et risque de march :

La diffrence majeure entre le risque crdit et le risque march, est lie la dissemblance entre la distribution des rendements. Dun cot, lhypothse des rendements gaussiens pour des actifs bnficiant dune bonne liquidit, fait presque lunanimit dans la littrature, vu quelle permet davoir des expressions analytiques de beaucoup de grandeurs ( les prix de certaines options, les grecs..) . Mme si ces derniers temps, on assiste une remise en question de cette hypothse, dans le cadre du calcul de la VAR (Value At Risk), tant donne quune loi gaussienne ne permet pas la frquence des crises boursires observ, durant lesquelles on constate des dviations des rendement de plusieurs cart type en une seule journe. En consquence, lhypothse gaussienne sous estime en moyenne les pertes encourues. De lautre cot, les produits de crdit ne jouissant pas dune grande liquidit, leur dtenteurs sont exposs des risques extrmes plus importants. Et on remarque que la distribution des rendements des obligations peu liquides, par exemple ayant une maturit de plus de dix ans, ont un skewness largement ngatif, et un kurtosis positif, refltant une probabilit significative dune grande perte.

17

Une autre grande diffrence, rside dans lhorizon de temps pertinent pour le calcul du risque. Alors que le calcul de la VAR se fait habituellement pour 10 jours, car toutes les positions dun portefeuille peuvent normalement tre liquid durant cette priode. Pour le risque crdit, cest plus ambigu, mais en tout cas, beaucoup plus grande, tenant compte du manque de liquidit. Mais cest devenu une convention de prendre un an comme horizon pour les calculs. En partie, car les budgets sont annuels, et que les matrices de dfaut des agences de rating prennent un an comme unit de mesure. Nanmoins, il faudra souvent prendre diffrentes units de mesure, pour saisir les particularits dun portefeuille donn, et les piques de risque quil peut avoir, li des swaps de taux par exemple.

3. Les composantes du risque crdit :

Avant dentamer des calculs prliminaires pour le pricing, il faudra dfinir quelques grandeurs utiles : B (t, T) : le prix linstant t dun zro coupon sans risque de maturit T. C(t,T) : le prix linstant t dun zro coupon risqu de maturit T. : linstant de dfaut. R : le taux de recouvrement en cas de dfaut. r : le taux dintrt sans risque.

r : le taux dintrt risqu. P : la probabilit historique.

Q : la probabilit risque neutre. Er : lesprance prise selon la probabilit historique. Eq : lesprance prise selon la probabilit risque neutre. s : le spread de crdit.

En appliquant un raisonnement simpliste, dans un univers risque neutre, labsence darbitrage impliquerait que le prix dun zro coupon risqu C(t,T), est gal lesprance risque neutre des paiements actualiss linstant T.

18

Soit q(t) = Q( t < < T / >t ), ie la probabilit que le dfaut arrive avant maturit, sachant quil ny a pas eu de dfaut avant linstant t, avec cette notation on a : C(t,T) = B(t,T) * { (1-q(t)) * 1 + q(t) * R } (2)

Cette formule utilise comme hypothse implicite, lindpendance du processus du taux dintrt et le temps de dfaut. Hypothse qui parait trs raisonnable, pour des entreprises dont lavenir ne va pas influer le climat macroconomique. De plus, on a considr R comme constant, alors quen ralit, cest une variable alatoire, dont la distribution dpend fortement du secteur dactivit, et la sniorit de la dette. Le taux dintrt risqu, est dfini dune manire similaire au taux dintrt sans risque, comme tant le drift du processus du rendement de C(t,T) sous P. Ep { dC(t,T) } = C(t,T) . r . dt (3)

Et le spread actuariel de notre coupon par rapport au bon du trsor, est dfini de la faon suivante : log( s(t) = B(t , T ) ) C (t , T ) T t

(4)

daprs la formule (1), on a :

s(t) = -

log { 1 - q(t) * ( 1 - R ) } T t

(5)

Si on prend la probabilit historique au lieu de la probabilit risque neutre, dans la formule prcdente, donc on prenant q(t) = p(t), sachant que p(t) est dfini de la mme manire que q(t), en remplaant Q par P, on trouve des spreads en moyenne cinq fois plus faible que ceux observ sur le march. Ce fait nest pas surprenant, tant donn que la probabilit historique ne prend en compte que le risque de dfaut. Il est le seul qui peut tre rpertori, et quantifi sans ambigut. Mais le risque de crdit contient dautres risques, en dehors du risque de dfaut. Le risque crdit peut tre dcompos en trois parties principales : Le risque de dfaut, au sens risque de la contrepartie, correspondant lincapacit ou le refus dun dbiteur honorer ses engagements envers ses cranciers, dans les chances prtablies. Ainsi, un retard au paiement est considr comme un dfaut par les agences de rating. Le risque de spread, correspondant la dtrioration de la qualit du crdit, qui se traduit par une hausse de la prime de risque, demand par les
19

investisseurs, et laffaiblissement du rating. Dailleurs, ces signaux sont trs corrls avec le risque de dfaut, et sont utiliss par le march comme indicateurs dun dfaut minent. Lincertitude sur les grandeurs lies la situation de dfaut, ie le taux de recouvrement, le temps ncessaire la liquidation. En plus de ces composantes lies directement au crdit, dautres facteurs de risques contribuent dune manire non ngligeable la formation des prix : Le risque de liquidit dj expliqu.

Asymtrie des impts sur les bnfices, entre les bons dtat et les obligations dentreprises, qui font que les investisseurs exigent un rendement supplmentaire pour que les bnfices aprs impts soit sensiblement gaux, et donc des spreads plus levs. Plusieurs tudes, majoritairement empiriques ont essay de mesurer la contribution de chaque composante dans la formation du spread observ. Deux articles sont particulirement intressants, celui de Elton [23], et Huang et Huang [22]. Elton dcompose le spread en trois composantes : le risque de dfaut, asymtrie des taxes et la prime de risque. Il a utilis les matrices de probabilit de dfaut de Moodys et S&P. Il dispose aussi des taux de recouvrement historique en fonction du rating, et des spreads historiques par rapport aux bons dtats. En supposant que le risque de dfaut est la seule composante pertinente, et que les agents sont neutres au risque, Elton a pu calculer le spread rsultant, par exemple avec la formule (2), en remplaant q(t) par p(t), et il a obtenu le tableau suivant.

Figure 7 : Tableau montrant la contribution de la composante risque dfaut en pourcentage, dans le spread observ sur le march.

20

On constate que le risque de dfaut explique une petite partie du spread, qui ne dpasse pas 35% pour les ratings traits, et en moyenne le spread rel est cinq fois plus lev que le spread rsultant du risque de dfaut. Pour liminer la contribution due lasymtrie des taxes, Elton prend le spread par rapport aux obligations de rating Aaa, qui ont historiquement un risque de dfaut nul pour un an, et le mme rgime de taxes que les autres obligations contrairement aux bons dtat. Elton aboutit ce tableau :

Figure 8 : Spread historique, et spread d au dfaut par rapport un AA. Source : [23]

On voit clairement que le risque de dfaut explique une plus grande partie du spread que dans le tableau prcdent, mais elle ne dpasse pas en moyenne 50%. Ce qui met en vidence lexistence de la prime de risque, et fournit un procd pratique pour la quantifier.

21

4. Les modles du risque crdit :

La prsentation des modles mathmatiques, qui prennent en compte le risque de dfaut peut se faire de la manire suivante. On considre un titre obligataire qui paie un montant X une date T, si lmetteur na pas fait dfaut avant cette date. Si par contre, le dfaut intervient une date antrieure la maturit T, le titre paie un montant infrieur X, qui correspond au recouvrement : X = R .X Nous proposons maintenant, un aperu des principaux modles abordant la question du risque de dfaut. Nous distinguerons ceux fonds sur la valeur de la firme, appels modles structurels, et ceux qui sont fonds sur des processus intensits, appels modles rduits.

4.1.

Modles structurels :

Lapproche structurelle du risque de crdit est fonde sur les mthodes dvaluation des options mises en place par Black&Scholes&Merton. Il sagit dune approche relativement intuitive, dans la mesure o le risque de crdit encouru par le dtenteur dune obligation, est directement reli la ralit conomique de la firme : le dfaut survient ds que la valeur de march de lensemble des actifs de la firme passe au dessous dun certain seuil, dtermin par le niveau global de sa dette. Il sagit dune vision optionnelle de la dette : lmetteur a le droit de faire dfaut au paiement de sa dette, droit quil a intrt dexercer ds que la valeur de ses actifs ne permetent plus de la couvrir, compte tenu de laspect juridique des socits responsabilits limites de toutes les firmes cotes en bourse. Voir appendice pour plus de dveloppement.

4.2.

Modles Rduits :

Lapproche sous forme rduite dveloppe au dbut des annes 90, ne sintresse pas aux raisons conomiques du dfaut : ce type dapproche envisage le dfaut comme un vnement imprvisible, contrairement aux modles structurels. Le lien entre la structure de lentreprise, la valorisation boursire, et le risque de dfaut nest pas exhib. Les modles intensit sintressent davantage aux donnes que lon peut trouver sur les marchs de crdit : les spreads de taux en sont la principale donne de base. On se place dans un espace de Komogorov (, B, Q), muni dune filtration F = ( Ft ) tR , avec Q la probabilit risque neutre, et F la filtration engendre par les prix des actifs financiers, et Ft reprsente linformation disponible sur le march la date t

22

Prenons comme point de dpart la valorisation dun zro coupon, de rendement r, qui a les flux suivant maturit T : 1 si pas de dfaut et R en cas de dfaut, avec R le taux de recouvrement. En notant le temps de dfaut. Lide est de modliser la survenance du dfaut par un saut dans un processus de Poisson ( N t ) t 0 dintensit (t ) sous la probabilit risque

neutre Q. On a le rsultat important suivant :

( N t ( s )ds ) t 0 est une Q-martingale.
0 t

Ainsi lintensit (t ) risque neutre peut tre interprte comme la probabilit Pr = Q instantane du dfaut : (6) et sachant que le rendement espr en univers risque neutre, est gal au taux dintrt sans risque. Par un argument dabsence dopportunits darbitrage, le prix P(t) du zro coupon en t , doit vrifier lgalit suivante : P (t)(1+r. t ) = (1- (t ) ).P(t).(1+r. t ) + (t ) . t .P(t).R

r.t + (t ).(1 R).t 1 (t ).t En faisant tendre t vers 0, on aboutit une relation trs importante, tablissant le lien entre le spread, le taux de recouvrement, et lintensit : aprs simplifications on trouve : r t = r(t) = r(t) + (1-R).(t) relation qui fournit directement le spread : s(t) = r(t) - r(t) = (1-R).(t). (7) (8)

Ceci est une dmonstration simplifie du rsultat, stipulant que pour un actif risqu, la valorisation se fait de la mme manire qu un actif sans risque, condition de remplacer le taux dintrt sans risque r, par le taux risqu r. En effet, contrairement aux modles structurels o est dj un temps darrt, dans les modles rduits, on distingue pour un agent linformation quil dtient en observant les prix dactifs, de celle quil dtient en observant loccurrence du dfaut. On notera H la filtration engendr par le processus ( N t ) t 0 , et H t la filtration jusquau temps t. On appelle grossissement progressif de la filtration F, la filtration G, dfinit comme la plus petite filtration contenant F et H. les difficults mathmatiques menant un tel grossissement, sont li au fait quune Ft -martingale na aucune raison

23

pour tre une Gt -martingale, la rciproque est videmment vraie. Les rsultats habituels dvaluation des produits de taux que nous avions pu utiliser sous la filtration F, ne sont plus systmatiques. Duffie, et puis El Karoui & Martellini en 1999, ont russi dmontrer que le prix peut nanmoins scrire comme lesprance risque neutre des cash-flow sous la r(t) = r(t) + (1-R).(t). filtration Ft , mais en actualisant avec le taux risqu : On peut citer comme principaux modles intensit :
Lando (1994) modlise le dfaut comme le premier saut dun processus de Cox, qui est un processus de Poisson avec une intensit stochastique. Jarrow et Turnbull (1995) considrent larrive du dfaut une frquence constante, durant la vie de lactif. Ils supposent que larrive du dfaut est non corrle avec le processus dcrivant le taux dintrt. Cela aboutit des spread de taux constant. Duffie et Singleton (1998) proposent un modle o larrive du dfaut, ainsi que le taux de recouvrement sont alatoires. Jarrow, Lando et Turnbull en 1997, dans un clbre article [1], tendent lide de modliser larrive du dfaut, pour prendre en compte les matrices de transitions des ratings, qui sont lies une probabilit historique. Pour avoir les matrices de transitions en probabilit risque neutre, plusieurs mthodes ont t proposes. Ces trois auteurs ont propos la mthode du gnrateur, supposant quelle existe une matrice qui gnre les matrices de transitions de tout les temps, moyennant quelques conditions fonctionnelles sur les matrices Das et Tufano, partant de lhypothse que la prime de risque dpend linairement du risque de crdit, proposent des multiplicateurs afin dajuster les matrices. Mais cette mthode, pourtant trs sduisante, rencontre beaucoup de difficults de mise en uvre, et dinterprtation, car elle donne parfois comme rsultats, des probabilits de transitions risque neutre ngatives !

24

Troisime Partie : Calcul dintensit

Aprs avoir fait un tour dhorizon des modles rduits de la littrature, cette troisime partie va sintresser exclusivement aux procds de calcul, et de calibration de lintensit de dfaut (t ) : Il faudra distinguer lintensit de dfaut historique p (t ) , et lintensit de dfaut risque neutre q (t ) . Daprs la dfinition donne auparavant :

On prenant Pr = P la probabilit historique, on aurait calcul naturellement p (t ) , et vice versa pour la probabilit risque neutre. Dans la suite, on proposera une mthode pour le calcul de lintensit de dfaut historique, et deux pour lintensit risque neutre.

1. Intensit historique :
Disposant des matrices de Moodys de probabilits de dfaut selon le rating, on peut facilement trouver lintensit historique, constantes par morceaux, puisque lunit de temps utilise dans ces matrices est lanne. Soit pi la probabilit fournie par ces matrices quune obligation fasse dfaut avant la i-me anne. Partant de la remarque : P( < 2 ) = P( < 1 ) + P( > 1 et < 2 ) On a le droit dadditionner les deux probabilits, car les deux vnements sont disjoints, et leur union constitue lvnement de dfaut avant deux annes. Or en utilisant la formule de Baye, des probabilits conditionnelles : P( > 1 et < 2) = P( > 1) * P( < 2 / > 1) Il en dcoule, que si p ( t i ) dsigne lintensit de dfaut historique entre t i 1 et t i constante, alors :

p ( ti ) =

pi pi 1 1 pi 1

(9)

25

2. Intensit risque neutre :

2.1. Mthode 1 : base sur les tudes empiriques.

On a vu durant notre discussion sur les composantes du spread, que des tudes empiriques comme celle effectue par Elton, ont pu quantifier la contribution de chaque composante, expliquer le spread observ. Or le spread d au risque de dfaut s p , peut scrire facilement daprs la formule(8) : s p (t) = (1-R). p (t), avec p (t ) lintensit historique, et R le taux de recouvrement. Cette formule reste encore valable pour le calcul de la composante risque dfaut : car on a limin la prime de risque, la prime de liquidit et toutes les autres composantes, et les agents sous la probabilit historique sont devenus risque neutre, do par absence dopportunit darbitrage, tout le raisonnement quon a effectu pour dmontrer cette formule reste vrai. En ayant calcul auparavant lintensit historique selon le rating, cela nous donne s p , puis on utilise le tableau fournit par Elton, et on divise par le pourcentage x % de spread expliqu pour notre rating, pour avoir en moyenne le spread du march s q . x% Finalement, on rutilise notre formule (16) en probabilit risque neutre, en utilisant sq = sp

les trois quations prcdentes, on obtient :

p (10) x% Cette formule nest au fond, quune manifestation de lhypothse de la prime de risque linairement dpendante du risque de dfaut, formule par Das et Tufano dans leur modle. q =

Les inconvnients de cette mthode rsident dans la non prise en compte des particularits de lentreprise, en dehors de son rating. Egalement, elle ne donne pas plus de poids au prsent, dans le sens o la contribution des autres primes est calcule partir dune approche statistique.

2.2.

Mthode 2 : base sur les Spreads.

Supposant que lentreprise qui nous intresse a mis des obligations, parmi lesquelles il existe n obligations tel que la i-m obligation a comme maturit la i-me anne, et versant un coupon annuels C i . Par la suite, on supposera que la valeur de ces coupons est fournie. La marge que verse ce coupon par rapport la courbe de swap de taux, peut tre considr comme une prime de CDS. En effet, le dtenteur de lobligation

26

reoit ce spread en contrepartie, il supporte le taux de perte (1-R) en cas de dfaut. Il se comporte comme un vendeur de protection CDS. Le calcul de lintensit q (t) se fera moyennant les hypothses suivantes :

Le processus de dfaut est indpendant du processus du taux dintrt.

Le dfaut se produit des dates discrtes, correspondantes aux dates du versement du coupon, alors que le dfaut peut survenir entre deux dates. Le montant du paiement est exogne, et immdiat en cas de dfaut, gal au montant du recouvrement.

Lintensit de dfaut risque neutre q est constante entre les dates de deux

coupons conscutifs (j-1) et j : q (t) = q ( t j ) pour tout t j 1 < t < t j .

La courbe du swap de taux est plate, gale r.

La figure (3) expliquant le fonctionnement du CDS, montre lexistence de deux jambes :

La jambe de non dfaut : o lacheteur du CDS reoit une prime annuelle C, tant que le dfaut ne sest pas produit, do lesprance de ses paiements est gale C. S (t), o S (t) reprsente la probabilit de survie jusquen t. Cette prime doit tre actualise, en utilisant la courbe de swap de taux suppose plate. La jambe de dfaut : o lacheteur paye entre t et t+dt le montant q (t).S(t). (1-R), ce qui reprsente la vraisemblance de ses pertes durant dt, quon

doit actualiser galement. En effet, la probabilit de dfaut entre t et t+dt, tout en ayant survcu jusqu linstant t, est gal daprs la formule de Baye, au produit de la probabilit de dfaut entre t et t+dt sachant quil a survcu jusquen t = q (t).dt, et sa probabilit de survie jusquen t = S (t). Sous lhypothse de risque neutralit, les valeurs prsentes des paiements des deux jambes doivent tre gales, ce quon crit :

C.S (t j ).B(0, t j ) =
j =1

t =0

(t ).S (t ).(1 R ).B (0, t ).dt

(11) avec B(0,t) reprsente la valeur du zro coupon sans risque la date 0 de maturit t. Maintenant il faudra tablir le lien entre q (t) et S(t), pour pouvoir calcul q . Or, on dmontre que :
S (t ) = exp( q ( s ).ds )
0 t

(12)

27

En utilisant lhypothse que q est constante entre deux paiements, et en crivant lquation (18) pour chaque obligation parmi les n choisies de notre entreprise, vrifiant les conditions explicites prcdemment, on obtient un systme dquations non linaires triangulaire en les q ( t j ), trs simple rsoudre, puisque chaque tape, on rsout une quation une variables. Cependant, les solutions doivent tre positives, pour correspondre une probabilit !

Exemple :
On sintresse aux socits de tlcommunications : France Telecom, Vodafone, KPN Qwest, et Deutsch Telekom, dont on cherchera calculer les intensits de dfaut q ( t j ), pour cinq ans. En utilisant une station Bloomberg, on accde la liste des obligations mises par ces entreprises. On limine de notre analyse toutes les obligations convertibles et callables, dont le comportement est trs spcifique, et sort du cadre de ce mmoire. On classe les obligations par date de maturit, et partant de la date daujourdhui, on cherche les obligations dont la maturit est la plus proche de la date daujourdhui, dcale dun an, deux.cinq ans. Puis, on cherche les obligations qui bnficient de plus de liquidit, marqu par les sigles BGN ou BSV. On peut utiliser la commande ALLQ, pour accder aux noms des banques daffaires proposant des prix, et leurs frquences. Cette dmarche est capitale, car souvent les prix fournis ne refltent pas lavis du march, tant donn le manque de liquidit. La plupart des obligations sont cots peu prs une fois par semaine ! Finalement, on utilise la commande ASW, qui fait appel un calculateur dAsset Swap, dont on prcise la frquence des coupons un an, et on change la monnaie du paiement en Euro pour toutes les obligations, pour liminer le risque de change. On a obtenu le tableau suivant, prsentant le coupon de lAsset Swap en point bp :
1 France Telecom Vodafone KPN Qwest Deutsch Telekom 210 111 118 93 2 310 72 104 85 3 174 86 194 186 4 540 94 226 196 5 560 104 187 198

Les obligations de France Telecom de maturit cinq an, sont trs peu liquides, et les cotations proposes taient trs disparates, ce qui fait que leurs spreads taient errons, variant entre 269 et 120. En consquence, pour pouvoir faire les calculs, on a

28

pris un spread vraisemblable de 560, puisque le spread devait augmenter normalement. On remarque que les spreads ne sont pas toujours une fonction croissante de la maturit, puisquil reflte la probabilit de dfaut qui est croissante. Ce phnomne est trs courant. En effet, souvent la courbe de spread est en cloche, croissante au dbut, puis dcroissante formant une cloche, avant de se remettre crotre. Dune manire analogue , on a constat exprimentalement le mme phnomne pour la dure de vie des composantes lectroniques, dont le risque de tomber en panne est trs lev au dbut, risque d un dfaut de construction. Puis aprs une dure de test, la probabilit de tomber en panne dcrot, car la risque de construction t cart, et lappareil a prouv sa robustesse. Et finalement, le risque recommence crotre, d lusure des pices lectroniques cette fois ci ! Pour notre exemple, on prendra r = 5%, et le taux de recouvrement pour des obligations senior unsecured R= 40%.
France Telecom Intensit historique en % 0.07 0.26 0.27 0.58 0.62 Intensit risque neutre, la mthode 2 en % 3.41 4.98 -1.74 5.5 1.93 Intensit risque neutre, la mthode 1 en % 0.56 2.10 1.80 3.24 2.97 0.00 0.35 1.18 2.43 1.84 0.56 2.10 1.80 3.24 2.97 0.00 0.35 1.18 2.43 1.84 1.8 1.08 0.03 0.45 2.48 1.92 1.68 1.4 1.26 0.019 1.51 1.31 2.11 0.48 0.61 0 0.03 0.11 0.25 0.21 0.07 0.26 0.27 0.58 0.62 0.04 0.22 0.26 0.38 0.38 Vodafone KPN Qwest Deutsch Telekom

Figure 9 : Tableau des intensits calcules.

Les ratings Moodys actuels des compagnies sont : Baa2 pour France Telecom et KPN Qwest, A2 pour Vodafone et Baa1 pour Deutsch Telekom. On les a utilis pour le calcul de la mthode 1, bas sur ltude dElton, et le tableau de la figure (15) en appendice.

29

On remarque que lintensit de dfaut de France Telecom entre la deuxime et la troisime anne est ngative, ceci est d la baisse brutale qua connue son spread dans cette priode, passant de 310 bp 174. Nanmoins le modle a fait preuve dune assez bonne robustesse supporter les baisses de spread pour les autres cas, donnant tout de mme des probabilits marginales positives. France Telecom souffre actuellement, du manque de confiance des investisseurs en France, pour le court terme, cause des scandales de fraude et changement de bilan des grands groupes dont Vivendi, ce qui expliquerait mon avis en partie cette anomalie. Dautre part, on voit clairement que la mthode 1, base sur les statistiques effectues par Elton, est incapable de prendre en compte les particularits des compagnies, et la tendance gnrale du march, et sera cart de notre analyse par la suite. Les intensits calcules par la mthode 2, seront utilises pour le calcul de la fonction de survie S(t) par la formule (19), quon utilisera ultrieurement.

Figure 10 :

30

Quatrime Partie : Copules & Corrlations

Le problme quon se pose : sachant calculer lintensit de dfaut dun actif, on veuille calculer les probabilits de dfaut jointes de plusieurs actifs, pour un horizon donn. Cette loi de probabilit multinomiale est trs utile ds quon commence sintresser des produits drivs de crdits, impliquant plusieurs actifs, puisque les corrlations entre les actifs du panier concern vont contribuer fortement la formation de la loi des pertes, et du coup le pricing de ces produits, et lvaluation des provisions ncessaires une transaction les impliquant.

1. Copules et distributions multinomiales :

Sklar, le pre des fonctions copules, les a dfinit pour la premire fois en 1959, par ces mots : Nous appellerons Copule n dimensions, toute fonction C continu et nondcroissante au sens employ pour une fonction de rpartition n dimensions dfinit sur le produit cartsien de n intervalles ferms [0,1], satisfaisant aux conditions : C ( 0, ....., 0 ) = 0 et C ( 1, ..., 1, u , 1, ..., 1) = u Mais ce qui fait que de telles fonctions ont suscit lintrt des financiers depuis 1999, date du premier article de finance utilisant les copules, est bien le thorme suivant :
Thorme de Sklar :

Soit F une fonction de rpartition N-dimensionnelle, avec des fonctions de rpartitions marginales F1 ... FN , alors F a une copule dont la reprsentations est la suivante :

(13) si de plus, les fonctions de rpartitions sont continues, alors C est unique. La puissance de ce thorme rside dans le lien quil tablit entre les fonctions de rpartitions prises sparment, et la fonction de rpartition multidimensionnelle incorporant toute linformation sur les corrlations.

31

Exemple :
Pour un couple de variables, suivant la loi logistique, la fonction de rpartition binomiale a pour expression :

et la fonction de rpartition marginale a pour expression :

Or daprs le thorme prcdent, en utilisant le fait que les fonctions de rpartitions sont inversibles, il vient que :

On imagine bien que ce nest pas lutilisation dune copule donne qui est difficile, mais de trouver la copule adquate pour modliser le comportement joint de variables donnes qui nest pas ais. Un rsultat fort utile par la suite, reliant la densit de la copule c, et les densits des fonctions de rpartitions marginales f n : (14) avec videmment c dfini par :

Plusieurs types de copules ont t introduites dans la littrature en finance, dont les plus importantes sont : Gaussienne, Student, Archimedean, Gumbel, Joe, KimeldorfSampson. Dans la suite, on sintressera uniquement aux copules de loi gaussienne et de loi Student. Lintrt la gaussienne est naturel, tant donn quelle est largement utilise en finance pour modliser le comportement de beaucoup de variables conomiques. Lintrt port la copule Student est double. Dune part, notre but ultime de lutilisation des copules, est de calculer la probabilit jointe dvnements rares, en loccurrence les dfauts. Autrement dit, la dpendance des queues de distributions des diffrentes variables. Pour quantifier cette dpendance pour des lois donnes, une

32

grandeur appel quantile- dependent measure of dependence a t introduite. Pour deux variables X et Y, de fonctions de rpartitions Fx et Fy respectivement, alors :

dans ce cas, cest un lower , de la mme manire on dfinirait upper avec des ingalits inverses. Le constat est que est nul pour une copule gaussienne, pour un coefficient de corrlation infrieur strictement 1, ce qui sexplique par les queues de distributions trs crass de la loi normale, de kurtosis nulle. Alors que pour une loi Student, de kurtosis non nulle, ce coefficient est donn par la formule suivante :

avec le degr de liberts de la loi de Student, et r la corrlation des deux variables.

.
Figure 11 : Comparaison entre les queues de distribution de la loi normale, et la loi de Student.

Et dune autre part, cest une famille paramtre par le nombre de degrs de liberts. Quand le degr de liberts tend vers linfini, la loi de Student tend vers une loi normale. Et donc, cette famille paramtrique contient la loi gaussienne en passant la limite, ce qui nous permettrait par la suite deffectuer des test de normalit, utilisant le test du maximum de vraisemblance.

33

La copule normale multivarie (MVN) :

Soit une matrice symtrique dfinie positive, de diagonale 1, et la fonction de rpartition normale multivarie, avec matrice de corrlations . MVN est dfinie de la manire suivante :

(16) avec 1 linverse de la fonction de rpartition dune loi normale standard.

La copule Student multivarie (MVT) :

Soit une matrice symtrique dfinie positive, de diagonale 1, et T , la fonction de rpartition Student multivarie, degr de libert, avec matrice de corrlations . MVT est dfinie de la manire suivante :

avec t liberts.

(17) linverse de la fonction de rpartition de la loi de Student degrs de

On rappelle que la densit dune loi de Student m-dimensionnelle n degrs de liberts, de matrice de corrlations est donne par la formule suivante :

(18)

34

2. Maximum de vraisemblance :
Une fois quon a dfinit la copule normale, et la copule de Student, on va sintresser notre problme central : comment calculer la probabilit de dfaut jointes de plusieurs obligations avant un certain nombre dannes ? Plusieurs articles se sont intresss cette question en utilisant les copules. Je me suis appuy principalement dans mon travail sur les trois articles de David X.Li [8] (Juin 1999), Mashal & Naldi [15]( Juin 2002), et un article de lquipe de recherche oprationnelle du Crdit Lyonnais [18](Juillet 2000), qui reprsente une vritable synthse sur lutilisation des copules en finance. Lide centrale est, tant donne les fonctions de rpartitions des temps de dfauts de plusieurs obligations prises sparment, dessayer de les lier par une copule normale ou de Student. Mais pour cela, il faudra auparavant dterminer la matrice de corrlations des temps de dfaut, or ces derniers ne sont pas directement observables. Des mthodes ont t proposes dans cette direction, pour lier des grandeurs observables sur le march, aux corrlations qui nous intressent :
Prendre comme hypothse, que les corrlations entre les temps de dfauts, sont gales aux corrlations entre les prix des actions des entreprises sous jacentes, ou de leur rendements. Dcomposer les corrlations en plusieurs composantes, propre, sectorielle, gographique, macroconomique et quantifier chacune, moyennant des rgressions. Mthode du Diversity Score utilis par Moodys : en fonction de lemplacement gographique, le secteur dactivits des entreprises dun portefeuille, et leur concentration, on calcule le Diversity Score du portefeuille, qui reprsente le nombre dactifs dun portefeuille virtuel, qui sont indpendants, et ont le mme profile de risque que le portefeuille initial.

Et il existe une dernire mthode qui a vu le jour rcemment, base sur lutilisation du maximum de vraisemblance, en supposant les temps de dfauts et les rendements des actions, sont relis par la mme copule de Student MVT, dont on dterminera le degr de libert et la matrice des corrlations, par le maximum de vraisemblance. Mais pour que cette mthode soit pratique, on a besoin dune hypothse assez forte : les vecteurs des rendement des actions de nos entreprises, sont indpendants. Alors quen ralit, cette hypothse est loin dtre vraie en priode de crises ou dexpansion, o on constate une tendance gnrale du march la baisse, ou la hausse, respectivement.

35

A mon avis, cette mthode, est peut tre la mieux adapte pour mesurer les composantes sectorielles et gographiques, mais elle narrive pas saisir la composante macroconomique (le trend de lconomie), et il faudra certainement la corriger, en rajoutant cette composante, pour avoir des rsultats plus satisfaisants.

Optimisation :
Soit le vecteur des paramtres estimer, avec cette hypothse dindpendance, la fonction de vraisemblance scrit comme le produit des fonctions de vraisemblance de chaque observation, et donc le log-vraisemblance scrit comme une somme des logvraisemblances:

(19) avec c la densit de la copule, f n la densit marginale, T le nombre dobservations, et N le nombres de variables. Cette relation dcoule directement de la formule (15). Le maximisant cette somme, appel estimateur du maximum de vraisemblance
ML

jouit dune proprit importante : il est asymptotiquement normalement convergent. La limite quand T tend vers linfini, scrit :

dsigne la matrice dinformation de Fisher, prise la vraie valeur de . Pour une copule de Student, lexpression maximiser est la suivante, qui sera note (20) :

avec la matrice des corrlations qui doit tre dfinie positive, t le vecteur des observations en t, du rendement des actions des entreprises, n le vecteur des observations pour une entreprise n , et le degr de liberts. Nanmoins, la maximisation de la log-vraisemblace (20) simultanment selon le degr de liberts, et la matrice des corrlations savre trs instable numriquement, et

36

trs coteuse en temps de calcul, tant donns les rles trs diffrents jou par les deux variables dans lexpression. Pour remdier cela, un autre estimateur a t propos, bas sur une sparation de la maximisation en deux tapes :
Maximiser le terme marginal de la formule (20), comportant que les densits marginales des variables prises sparment, uniquement par rapport au degr de liberts, puisquil ne contient pas la matrice des corrlations. Injecter le degr de liberts trouv dans la premire tape dans le deuxime terme restant, et maximiser la log-vraisemblance par rapport la matrice.

Lestimateur obtenu, appel IFM (inference functions for margins) est gnralement diffrent de lestimateur exact du maximum de vraisemblance, mais en pratique trs proche de ce dernier.

Exemple :
Reprenons notre exemple des quatre compagnies de tlcommunications traites auparavant. On va essayer de dterminer les probabilits de dfaut jointes, durant les cinq prochaines annes. Pour cela, on va utiliser les rendements de leurs actions les 5 dernires annes, avec une frquence hebdomadaire. Puis, il faut centrer et rduire les vecteurs de rendements de chaque compagnie, pour que la matrice des corrlations soit de la forme voulue, cd une diagonale de 1, et que la densit de loi de Student soit valable, puisquelle est symtrique autour de 0. Jutilise pour maximiser le ToolBox Optimization de Matlab R12, en particulier la fonction fminbnd, et on trouve un degr de liberts de 4. Pour tester la vitesse de convergence de notre estimateur, on simule des vecteurs selon une loi de Student degr de liberts, avec 10.000 observations, puis on maximise la partie marginale de lexpression (27), et on compare le rsultat obtenu, avec la vraie valeur de , et on corrige la valeur obtenu. On sest inspir en cela, dune technique gnrale appele Control Variate Technique, utilise couramment dans le pricing des options amricaines par Monte Carlo. On a constat que la maximisation sous estimait systmatiquement la vraie valeur de , et la relation ntait pas une translation. On a donc rgress le vecteur des vraies valeurs, sur le vecteur des valeurs obtenues par lalgorithme. On trouve un coefficient de rgression de 0.32, avec une variance expliqu de 99%. ce qui donne un degr de liberts final corrig de 12.

37

Puis, on utilise la fonction fmincon, qui minimise une fonction plusieurs variables, sous contraintes, pour maximiser le deuxime terme, par rapport notre matrice de corrlations, en lui imposant quelle soit dfinie positive. Cette condition se traduit par la stricte positivit des dterminants des matrices carres obtenues, en prenant les i premires lignes, et les i premires colonnes chaque fois. Cest une condition ncessaire et suffisante. Et finalement, en imposant ses coefficients dtre compris entre -1 et 1, pour quils correspondent des corrlations. Cette fonction exige aussi un vecteur de dpart pour son algorithme, ce vecteur doit tre choisi, proximit de la rgion o on pense que le maximum est situ. Aprs avoir remarqu que le rsultat de lalgorithme dpend du point de dpart, en tombant dans des maxima locaux. On essay deux mthodes pour remdier cela :
Diviser notre domaine de maximisation en tenant pas compte de la contrainte de positivit de la matrice, cd un hyper-cube de 6 dimensions darrte 1, en petit hyper-cube darrte un pas de tolrance, que jai pris gal 0.1, puis prendre un vecteur de dpart appartenant un petit cube chaque fois, garder le maximum obtenu, et finalement retenir la matrice qui donne le maximum de ces maxima locaux, sous les contraintes dj cites. Mais cette mthode est trs coteuse en temps de calcul, car des petits hyper cubes darrte 0.1, il yen a 20 6 , sachant que chaque maximisation ncessitent environ 1500 itrations de lalgorithme en moyenne, ce qui fait en tout 9,6.1010 itrations ! Prendre comme point de dpart, la matrice des corrlations des vecteurs des rendements centrs rduits, et dire que la matrice des corrlations induites par une loi de Student nest pas trs loin.

Jai test les deux mthodes en dimension deux et trois, avec un pas de 0.3, pour plusieurs vecteurs, et jai constat que les rsultats donns par les deux, ne sont pas trs diffrent, en utilisant la norme euclidienne, comme distance entre les matrices dfinies positives, qui se simplifie pour les matrices symtriques :
d 2 (A,B) = Tr (( A B)'.( A B) A dsignant la transpos de la matrice A.

Pour nos compagnies, la matrice de corrlations entre les vecteurs des rendements centrs rduits, sachant que le premier vecteur est celui de France Telecom, le deuxime Vodafone, troisime KPN Qwest, et quatrime Deutsch Telekom, est la suivante :
1.0000 - 0.0681 - 0.1161 - 0.1101 - 0.0681 1.0000 0.4200 0.4869 - 0.1161 0.4200 1.0000 0.5408 - 0.1101 0.4869 0.5408 1.0000

38

Cest cette matrice quon a prise comme point de dpart pour lalgorithme, qui fournit comme solution de la maximisation, la matrice suivante :
1.0000 0.0642 0.0222 - 0.0318 0.0642 1.0000 0.4912 0.5288 0.0220 0.4912 1.0000 0.5969 - 0.0318 0.5288 0.5969 1.0000

On remarque que les deux matrices sont assez diffrentes, avec une distance euclidienne gale 0.32, sachant que leur norme est de lordre de 2 .5 . La valeur du maximum de la log-vraisemblance trouve est : -902. Nous voulons tester lhypothse H 0 : les donnes suivent une loi gaussienne multivarie . Pour cela, on va utiliser le test du maximum de vraisemblance, en calculant le maximum de vraisemblance par rapport la matrice de corrlations, en utilisant la copule gaussienne. Or on sait que, quand le degr de liberts tend vers linfini, la loi de Student tend vers la loi normale. En pratique il suffit de prendre gal 1000, pour une trs bonne approximation (on arrive pas distinguer les densits lil nu partir de =30). Puis, on maximise la vraisemblance par rapport la matrice des corrlations. Pour nos donnes, cela donne comme rsultats : Le maximum de la log-vraisemblance = -913.

et

1.0000 - 0.0681 - 0.1161 - 0.0681 1.0000 0.4200 = - 0.1161 0.4200 1.0000 - 0.1101 0.4869 0.5408

0.1101 0.4869 0.5408 1.0000

Sous lhypothse nulle, on devrait avoir :

Or la statistique du score dans notre cas est gale : S = 24 , ce qui correspond pour la loi du khi deux un degr de libert, un quantile de lordre de10 5 , ce qui mne un rejet de lhypothse H 0 , pour tout niveau de confiance suprieur ce quantile.

39

3. Calcul des probabilits de dfauts joints :

On sait maintenant calculer lintensit de dfaut historique et risque neutre de chaque entreprise, et on sait calculer les paramtres induits par une copule de Student, par la mthode du maximum de vraisemblance. A partir de la relation (12), on sait calculer S(t) la probabilit de survie jusquen t. On en dduit la probabilit de dfaut avant t : Fi (t ) = 1 S i (t), qui reprsente la fonction de rpartition de la variable i , temps du dfaut de lentreprise i. En combinant les quations (13) dfinissant une copule pour N variables, et lquation (18) dfinissant la MVT, on aboutit la relation suivante :
1 Pr( 1 X 1 ,.., N X N ) = T , (t ( F1 ( X 1 ),...., t1 ( FN ( X N )))

(21)

1 linverse de la fonction de rpartition de la loi de Student avec t unidimensionnelle, degrs de liberts.

Exemple :
Normalement, on utiliserait la densit de la Loi de Student, donne par la formule (11), pour calculer la fonction de rpartition T , numriquement. Mais, Matlab ntant pas quip de fonctions calculant des intgrales multiples, de dimension suprieure deux, on est contraint de ne calculer que les probabilits de dfaut jointes, deux deux . En consquence, on a calcul les coefficients de corrlations par le maximum de vraisemblance, pour une Student bidimensionnelle, car les corrlations exhibes avant, ne sont plus valables, pour cette analyse. La rciproque est vraie : ayant la matrice des corrlations de la loi Student quatre dimensions, il suffit de prendre les Fi ( X i ) = 1 dans la formule (28), pour les entreprises quon voudrait carter de notre analyse. Ceci nous donne le graphe suivant des probabilits de dfaut simultan pour France Telecom et Vodafone, et puis pour KPN Qwest et Deutsch Telekom:

40

On remarque une diffrence notable entre les probabilits de dfaut prvue par les deux copules, avec une nette sous estimation de la copule gaussienne.

On remarque dun autre cot, que plus la corrlation est grande entre les rendements des deux actifs, plus la diffrence entre les probabilits de dfaut fournies par la MVT et la MVN est faible, avec une sous estimation systmatique de la MVN.

41

Conclusion :
Le calcul de la probabilit jointe de dfaut est indispensable pour pricer correctement les produits dont le sous jacent est un panier dobligations. En considrant les dfauts indpendants, nous sous estimons les pertes probables, on ne prenant pas compte des vnements rares, qui provoquent de grosses pertes. La priode actuelle est trs propice la promotion de ce genre de modles, avec la faillite de plusieurs compagnies gantes, citant : Enron et WorldCom en moins de 2 an, par exemple. Ce quon peut reprocher au calcul fait prcdemment, est la prise en compte du comportement des actions uniquement pour la dtermination des corrlations, alors quon imagine bien quil est source dinformations pour le dfaut lui-mme. Plusieurs modles ont essay de relier lintensit de dfaut directement aux actions, dont un modle de Madan&Unal [16] (Mars 2000)quon avait essay dimplmenter lquation diffrentielle propose, mais elle est trs instable numriquement, et Matlab narrive pas donner une solution satisfaisante. Un dveloppement possible de ce travail serait dutiliser CreditGrades pour dterminer la probabilit de dfaut marginale (voir appendice), et dterminer les corrlations par le maximum de vraisemblance, puis utiliser la copule de Student pour dterminer les probabilits de dfaut jointes. Cette mthode nous permettrait de surmonter les problmes de liquidit, perturbant la dtermination des spreads. Mais en mme temps, elle serait une mthode 100% actions, et on tient pas du tout en compte les spreads. Je pense quun mlange des deux donnerait de meilleurs rsultats. Habituellement, on utilise la probabilit risque neutre pour le pricing, donc q (t) pour calculer les Fi (t). Mais, Roy Mashal [14] (Avril 2002), a montr quen pricant des produits de risque crdit, ayant un panier dactifs comme sous jacent, (un First-to-default par exemple) que la prime de risque, de liquidit, ou toute autre prime non lie au dfaut de ces actifs sajoutent, alors quil ny a aucune raison conomique le justifiant. En particulier, lintensit dun First-to-default est la somme des intensits des actifs dont il dpend. Ce qui se dmontre facilement, on utilisant la statistique dordre, pour dterminer la densit de son temps de dfaut. On voudrait conclure aussi sur les difficults numriques de lutilisation des 2 = 45 copules. Par exemple, pour pricer un CDO de 10 actifs, on aura calculer C10 coefficients de corrlations, ce qui veut dire maximiser simultanment par rapport ces 45 variables, une somme dune centaine de termes, sous 55 contraintes. Jai utilis la fonction fmincon de Matlab, avec un algorithme bas sur les travaux de Biggs, Han et Powell, et une nouvelle version de lalgorithme de Newton, cependant il narrive pas souvent donner des solutions au del de cinq entreprises, avec 200 observations.

42

Bibliographie :
[1] Robert Jarrow, Stuart M. Turnbull, David Lando : A Markov Model for the Term Structure of Credit Risk Spreads, July 1997. [2] J.Hull : Options, Furures and Other Derivatives. Fourth Edition, Prentice Hall [3] Nicole El Karoui: Modles Stochastiques en Finance. Cours de lEcole Polytechnique. 2002 [4] Brockhaus, Farkas, Ferraris, Long, Overhaus : Equity Derivatives and Market Risk Models. Risk Books 2000. [5] Brockhaus, Ferraris, Gallus, Long, Martin, Overhaus : Modeling and Hedging Equity Dervatives. [6] Arvantis, Gregory: The Complete Guide to Pricing, Hedging and Risk Management. Risk Waters Group.2001 [7] Peter J.Crosbie: Modeling Default Risk. KMV Group. [8] David X.Li : The Valuation of the i th-to-Default Basket Credit Derivatives. RiskMetrics Group. Juin 1999 [9] Philipp J.Schonbucher : The Pricing of Credit Risk and Credit Risk Derivatives. [10] Abramwitz, Stegun: HandBook of Mathematical Functions. 1964. [11] Frey, Leahy, Mack : Moodys Approach to Rating Distressed-Asset CDOs. Moodys Investors Service. Novembre 2001. [12] Cifuentes, OConnor: The Binomial Expansion Method Applied to CBO/CLO Analysis. Moodys Investors Service. Decembre 1996 [13] Thierry Roncalli: Introduction la Gestion des Risques. Les Modles de risque crdit. 2002 [14] Roy Mashal : On Risk Neutral Pricing of CDOs. Avril 2002. [15] Roy Mashal, M.Naldi: Extreme Events and Default Baskets. Juin 2002. [16] Dilip B.Madan: Pricing the Risk of Default. Mars 2000.

43

[17] Eom, Helwege, Huang: Structural Models of Corporate Bond Pricing: An Empirical Analysis. Fvrier 2002. [18] Bouy, Durrleman, Nikeghbali, Riboulet, Roncalli: Copulas for Finance, Reading Guide and Some Applications. [19] Georges, Lamy, Nicolas, Quibel, Roncalli: Multivariate Survival Modeling: a unified approach with Copulas. Mai 2001 [20] P.Boyle: Risk and Probability Measures. Juillet 2002 [21] Philipp J.Schonbucher, D.Scubert: Copula-Dependent Default Risk in Intensity Models. Decembre 2001 [22] J.Huang, M.Huang: How much of the corporate-treasury yield spread is due to credit risk? Results from a new calibration approach. 2001 [23] Elton, M.Gruber, D.Agrawal, C.Mann: Explaining the rate spread on corporate bonds. The Journal of Finance. 2001 [24] C.Finger, V.Finkelstein, G.Pan, J.P.Lardy: CreditGrades Technical Document. RiskMetrics Group. Mai 2002 [25] Global Credit Research: Default Rates of Corporate Bond Issuers, 1920-2000. Moods Investors Service.

44

Appendice :

Les principaux modles structurels :

Modles de Merton :
Merton est le premier proposer ce type de modle (1974). Il lapplique la forme de dette la plus simple : lobligation zro coupon. En considrant les capitaux propres, gaux la valeur totale des actions dune firme, de prix S t , comme une option dachat sur la valeur de la firme, avec un prix dexercice gal la valeur faciale de la dette D totale. La valeur de la firme par unit dactions sera note Vt . En raisonnant en unit dactions, et en notant la dette par action d t , le flux vers aux cranciers par actions scrit : min ( VT , d T ) = d T max ( d T - VT , 0 ) (22) Ce flux peut tre interprt comme le paiement terminal dun portefeuille, consistant en un investissement dans lactif sans risque, et une position courte sur une option de vente ayant comme sous jacent, la valeur de la firme, et de strike la dette D. Par un argument dabsence darbitrage, la valeur de la dette, et la valeur de ce portefeuille sont gaux tout moment : d t = d T .exp(-r(T-t)) p( Vt , d T , , r, T-t ) (23) Avec r le taux dintrt suppos constant, p la valeur dun put linstant t, de sous jacent Vt , de volatilit , de strike D, et de maturit T. A la maturit, les actionnaires reoivent :

S t = max ( VT - d T , 0 )
(24) On reconnat lexpression de la valeur dune option dachat europenne chance. On utilise les formules dun call europen, en modlisant la dynamique de Vt sous la probabilit risque neutre, par un brownien gomtrique, dans un univers de Black&Scholes&Merton :

45

(25) Par ailleurs, le modle suppose des taux dterministes, ngligeant ainsi le risque de taux, et modlise la dette comme un coupon zro, bien que celle-ci soit nettement plus complexe en pratique. De plus, le dfaut ne peut survenir qu la maturit de la dette, ce qui parait trs restrictif. Le modle de Black&Cox (1976), a essay de gnraliser le modle de Merton, en permettant au dfaut de parvenir nimporte quel moment de la dure de la dette, dclench si la valeur de la firme, tombe en dessous du niveau de la dette actualis. Depuis Black&Cox, il ny a pas eu de contribution majeure dans la littrature, jusquaux annes 90, priode durant laquelle plusieurs nouveaux modles ont t proposs, appels modles de deuxime gnration :
Leland (1994) sintresse ltude de la structure optimale du capital fond sur lapproche de la dette risqu en termes de valeur de la firme. La faillite nest plus un vnement compltement exogne. Les actionnaires peuvent dterminer de manire endogne le moment optimal pour dclarer le dfaut. Longstaff & Schwartz (1995) suppriment lhypothse de taux dintrt dterministe. Ils supposent quil suive un processus de Vasicek, corrls avec le processus dfinissant la dynamique du rendement de laction, et le dfaut peut apparatre avant maturit de la dette.

Et en 1997, une collaboration entre JP Morgan, CreditMetrics, Deutsch Bank et Goldman Sachs a donn naissance un nouveau modle, qui ne cesse de simposer sur le march, par sa facilit dimplmentation, et surtout depuis la cration de son site Internet www.creditgrades.com , qui propose le calcul du spread cinq ans, pour plus de 5000 entreprises. CreditGrades suppose un taux dterministe, celui de la courbe de swap, et le dfaut survient quand la valeur de la firme passe en dessous du niveau de recouvrement de la dette, qui lui-mme suit une loi log-normale, de moyenne et variance ajust pour reflter le secteur de la firme, et son emplacement gographique. En notant L la variable du niveau de recouvrement :

(26)

46

avec Z un mouvement brownien standard, qui est indpendant du mouvement brownien W de la dynamique des rendement. Z reflte lincertitude pesant sur le niveau de la dette, car les comptes sont publis annuellement. Dans la suite on supposera que le drift du processus de la valeur de la firme est nul, vu que ce qui nous intresse in fini, cest la distance entre la valeur de la firme, et la dette. Et comme leurs deux processus ont le mme drift sous la probabilit risque neutre, gal au taux dintrt sans risque, cela ne compromettra en rien nos rsultats. Soit S la volatilit de S t , alors daprs les formules de Black&Scholes&Merton concernant le Call, on obtient la relation liant la volatilit de la valeur de la firme, et celle de laction :

(27)

Figure 12 : schma montrant les deux configurations possibles. Source : www.creditgrades.com

Pour le calcul de la densit de probabilit de le temps de dfaut, on aura besoin dun rsultat central, dont une dmonstration est fournie dans lexcellent livre : Modelling And Hedging Equity Derivatives (Risk Books) page 13.
Thorme :

Pour un processus Yt = a.t + b. Wt avec a et b des constantes, alors :

avec la fonction de rpartition de la loi normale.

47

Avec ce rsultat, on trouve que la probabilit de survie de lentreprise est la suivante, avec les notations fournies :

(28)

On peut rsumer la mthodologie de CreditGrades dans la figure suivante :

Figure 13 : Illustration de la mthodologie CreditGrades. Source : www.creditgrades.com

Modle de KMV :
La mthodologie de KMV se fonde sur le modle de la firme de Merton, mais contrairement aux prcdents modles, il ne calcule pas la probabilit de dfaut par lhypothse que le processus de la firme suit un mouvement brownien gomtrique, et utiliser le thorme prcdent, mais en calculant une distance de la firme au dfaut, puis utiliser une base de donnes, pour calculer la fraction des entreprises ayant cette distance auparavant, et ayant fait dfaut dans un horizon dun an, deux .. , note EDF (Expected Default Frequency). 48

La distance au dfaut est dfinie de la manire suivante :

VA K avec V A la valeur de la firme, A la volatilit de la valeur AV A de la firme fournie par la relation (27), et K le point de dfaut dpendant de la valeur de la dette court terme et long terme.

DD =

49

Les produits synthtiques :

Total return swap :
Un Total return swap, permet un investisseur de rpliquer synthtiquement lexposition au risque dun actif de rfrence, sans le possder rellement. Cependant, le Total return swap ne rplique pas uniquement le risque crdit comme le CDS, mais il rplique galement le risque de march. Cest une sorte de swap qui change lintgralit des rsultats conomiques dun actif financier, pendant une priode dtermine, contre une rfrence Libor, plus au moins une marge. Durant toute la dure du contrat, le vendeur de protection supporteras tous les risques, et reoit tous les flux gnrs par les actifs sous-jacents. En change, il paye lacheteur de la protection le Libor plus ou moins une marge. A maturit un rglement est effectu, dont le montant dpend de lvolution de la valeur des actifs :
En cas dapprciation des actifs, le vendeur de protection recevra la diffrence entre la valeur des actifs actuelle, et leur valeur la signature du contrat. Dans le cas contraire, le vendeur payera cette diffrence lacheteur de la protection.

Outre le risque de performance de lactif, le vendeur de protection est expos au risque de dfaut de lmetteur. Ce produit est trs utile pour des raisons comptables, de taxes ou juridiques, De plus, le march du Total return swap est plus liquide que celui de lactif sous-jacent.

Produits structurs : CDO

Les produits structurs tendent transformer le profil rendement/risque dun produit, afin de ladapter lapptit du risque dun client ou de ses besoins, tout en rendant ngociable des actifs trs peu liquide. Cela permet des metteurs de faible qualit, davoir accs des taux plus avantageux sur le march du crdit, que sils voulaient yaccder directement. Cela est rendu possible, en rompant le clivage crdittitre par lintermdiaire dune entit juridique Special Purpose Vehicule cre loccasion, une SPV, qui aura ces actifs financiers (crances bancaires, obligations..) de banques et dentreprises diverses, comme actif en terme comptable. Cet actif est considr comme un portefeuille, et sera divis en plusieurs tranches de diffrentes sniorits, et mis comme passif achet par des investisseurs, qui leur versera des coupons, avec des marges dpendant de la sniorit de lactif achet, et de sa dure de vie. Typiquement, il est gal

50

au Libor plus un spread, qui augmente pour de faibles sniorits. Cette structure permet de redistribuer la rmunration lie au portefeuille de dettes, tout en modifiant le profil du risque. En cas dvnement de crdit, le capital de la part junior est diminu des montants de pertes en capital, ainsi la part senior reste protg, tant que le capital de la part junior est positif. Et comme le rating dune tranche dpend de sa distribution des pertes, on peut constituer une part senior de rating Aaa, partir dobligations de rating moyen Bbb. Les avantages dune banque davoir recours un CDO sont multiples :
Rduire son capital rglementaire, qui consomme une grande partie de ses fonds propres, pour respecter les accords de Bale, et le fameux ratio de Cooke, qui font que le retour dune crance classique, par rapport aux fonds engags nest pas trs rentable. Rduire ses concentrations de risque de crdit, en transfrant ces risques sur des investisseurs qui veulent bien les porter, en change de marges. Amliorer son ROE ( Return On Equity ): par la titrisation de son portefeuille, une banque impacte directement son bilan. Cela se fait par la titrisation des actifs peu risqus de son portefeuille, tout en gardant les actifs high yield, et de fait, augmenter son rendement. Les banques mal notes par les agences de rating, peuvent mettre des titres nots Aaa par lintermdiaire dune SPV, alors que sils avaient mis des obligations classiques, ils auraient un taux dintrt bien plus important, vu leur rating. Une telle structure bnficie dune liquidit plus importante, que les actifs financiers constituant lactif de la SPV pris isolment, permettant une meilleure valorisation, en rduisant la prime liquidit.

Les inconvnients dune telle structure sont lis aux problmes danti-slection et dalea moral:
Prenons un investisseur ngociant lachat dune crance auprs dune banque. Vu lasymtrie dinformations entre les deux parties, la banque connaissant plus dinformations sur la solvabilit de sa dette, linvestisseur lui proposera un prix en moyenne infrieur sa valeur, cest ce quon appelle lemons premium , du nom de larticle dAkerlof sur lasymtrie dinformation, traitant lexemple des voitures doccasion. Ceci aura comme consquence, que les banques proposeront que des dettes et des crances trs risques, retirant du march des CDO les bonnes crances . Ce problme ne se pose pas, si cest la banque elle-mme qui cre la SPV.

51

 Le risque dalea moral, vient des dirigeants de la SPV, qui ne sont pas trs affects par les performances conomiques du CDO, vu que cest les acheteurs qui portent le risque de crdit, et du coup ne sont pas incits choisir des actifs de bonne qualit pour constituer le portefeuille. Ce manque deffort aura certainement des consquences sur le rendement gnral du CDO, et cest surtout les dtenteurs des parts junior qui seront les plus affects.

Touts ces avantages et ces inconvnients font que lvaluation de ce type de structure, ie les marges qui devrait tre verss pour chaque tranche, est une tche ardue. De nombreux problmes se posent, comme la corrlation des actifs du portefeuille, la prise en compte des clauses spciales, pour le calcul de la distribution des pertes du portefeuille, qui permettra de dterminer les tranches.

Figure 14 : Fonctionnement dun CDO Source : www.standardand poors.com

52

Tableau reprsentant les probabilits de dfaut en fonction du rating et lhorizon de temps :

Figure 15 : Source : [25]

53