Jaim e

110k

Rechercher sur le site:

Recherche

Home | Publier un mmoire | Une page au hasard

Analyse comparative de modle d'allocation d'actifs dans le plan Moyenne-Var relative

par Alaeddine FALEH Universit Claude Bernard Lyon 1 - Master 2 actuariat et finance 2007 Dans la categorie: Economie et Finance
0

Disponible en mode multipage

Jaim e

Tlcharger le fichier original

Galaxy S3 4G titanium ds 1 avec

Orange 1,00 109,90 Des offres qui donnent le sourire

Universit Claude Bernard - Lyon 1 INSTITUT DE SCIENCE FINANCIERE ET D'ASSURANCES Mmoire prsent devant l'Institut de Science Financire et d'Assurances le pour l'obtention du Master Recherche Sciences Actuarielle et Financire Par : Faleh Alaeddine Titre : Analyse comparative de modle d'allocation d'actifs dans le plan Moyenne-VaR relative

Confidentialit : Composition du jury des mmoires : Entreprise : Membres du jury des mmoires M. AUGROS Jean-Claude Directeur de mmoire : M. LAURENT Jean-Paul M. LEBOISNE Nicolas M. LOISEL Stphane M. PLANCHET Frdric M. QUITTARD-PINON Franois M. RULLIERE Didier M. TCHAPDA Idriss

Invit : Secrtariat :

Mme BARTHELEMY Diane Mme BRUNET Marie Mme GARCIA Marie-Jos Mme GHAZOUANI Soundous Mme MOUCHON Marie-Claude Bibliothque : Mme SONNIER Michle 50 avenue Tony Garnier 69366 LYON cedex 07 Mes sincres Remerciements a Monsieur Jean Claude Augros qui m'a donn sa confiance tout au long de ce travail de recherche Monsieur Didier Rullire qui m'a soutenu travers ses prcieux conseils, critiques et suggestions Toute l'quipe administrative de l'ISFA qui m'a gentiment accueilli et orient tout au long de l'anne universitaire Mots cls: allocation d'actifs, Valeur Risque, Normalit, modle GARCH, modle GPD

Rsum
Dans ce travail, on prsente un modle de slection du portefeuille optimal dans le cadre de la Value-at-Risk (VaR). Le modle de base maximise l'esprance de rendement du portefeuille sous la contrainte d'un niveau de VaR limite prfix par l'investisseur. Pour cela, diffrents modles d'estimation de la VaR sont utiliss : le modle Empirique, le modle GARCH, le modle GPD. L'tude empirique se base sur deux actifs risqus : le Nasdaq 100 et le S&P 500 et ce pour une priode de dix ans (1997-2007). Dans le cadre d'une priode de prvision, on dtermine les recommandations optimales journalires en terme de montant emprunter ou prter ainsi que les poids optimaux des deux indices dans le portefeuille risqu. On compare ensuite la performance des trois modles en se rfrant au critre de taux d'chec minimal et au critre de la richesse finale maximale. Les rsultats montrent la dominance du modle GPD pour le premier critre et la supriorit du modle Empirique pour le deuxime critre. Keywords: portfolio selection, Value-at-Risk, Normality, GARCH model, GPD model

Abstract
In this work, we propose an optimal portfolio selection model in a Value-at-Risk (VaR) framework. The general model allocates financial assets by maximising expected returns subject to the constraint that expected maximum loss should meet the Value-At-Risk limits set by the investor. Different models for the estimation of the VaR are used: Empirical model, GARCH model and GPD model. We provide an

empirical analysis using two risky assets: Nasdaq100 and S&P 500 over ten years (1997-2007). In an out-of-sample context, we determine the best daily recommendations in terms of the wealth to borrow or lend and the optimal weights of the assets in the risky portfolio. We compare the three models performance using the failure rate and the wealth achieved as instruments to determine the best model. Results show that the GPD model outperforms other models relative to the first criterion. We also find that Empirical model is preferred to other models relative to the second criterion.

Introduction p 5

I- La Value at Risk et la gestion de portefeuille

I-1 Le concept de la Value at Risk p 8 I-2 Les paramtres de la Value at Risk .p 11 I-3 Les principaux mthodes de mesure de la Value at Risk p 15 I-4 La Value at Risk dans la littrature de la gestion de portefeuille p 21

II- L'allocation optimale dans le plan Moyenne - VaR relative

II-1 La modlisation du problme d'optimisation du portefeuille p 25 II-2 Le cadre de l'tude empirique p 30 II-3 L'application des mthodes de mesure de la Value at Risk p 33 II-4 La construction des frontires d'efficience p 34 II-5 L'allocation optimale dans le cadre statique ..p 34 II-6 L'allocation optimale dans le cadre dynamique .p 37 Conclusion p 41 Annexes p 42 Bibliographie ..p 56

L'optimisation d'allocation d'actifs devient de plus en plus un enjeu important sur les marchs financiers. Les cots relatifs une mauvaise gestion de portefeuille et un erreur de prvision des tendances du march peuvent engendrer des situations financires prcaires pour les socits voir mme les exposer au risque de faillite. En thorie moderne de portefeuille, l'allocation optimale de la richesse initiale se base sur la maximisation de la prime de risque espr par unit de risque. L'approche traditionnelle de mesure de ce dernier est celle de la Moyenne Variance.

Dans ce cas, le risque est dfinie en terme de variation possible des esprances de rendement du portefeuille dans les deux sens, celui de la hausse et de la baisse: on parle de la volatilit des actifs financiers. Elle est gale la racine carre de la variance des rendements. Nanmoins, cette approche prsente des inconvnients. Le principal inconvnient est qu'elle considre l'investisseur comme indiffrent devant l'volution de la valeur du portefeuille dans le sens de la hausse ou dans le sens de la baisse. Il est suppos que pour lui, il s'agit toujours d'un risque assumer. Un deuxime inconvnient important est l'hypothse implicite de la symtrie de la distribution des rendements et plus prcisment la normalit de cette distribution. En pratique, il est bien montr que la distribution de plusieurs sries de rendements financiers est non normale avec un coefficient d'asymtrie (skewness) et un coefficient d'aplatissement (kurtosis) trop levs. De mme, les agents conomiques traitent videmment les pertes et les gains d'une faon asymtrique. Il existe pas mal d'tudes sur l'aversion la perte (voir par exemple, Kahneman et al.1990). Le choix de l'approche Moyenne Variance apparat ainsi comme une stratgie inefficiente pour optimiser l'esprance de rendement tout en minimisant le risque. Il sera plus intressant de chercher une mesure de risque qui peut incorporer n'importe quel non linarit dans la distribution des rendements des actifs financiers tout en se focalisant sur la valeur potentielle perdre plutt que sur l'volution en valeur absolue. Dans ce cas on aura l'avantage de pouvoir considrer des payoff non normal tel que ceux des produite drivs et ainsi un cadre d'tude plus gnrale. Cependant, il faut signaler qu'en finance la dviation l'hypothse de normalit suggre des critiques dont on peut citer principalement la perte de l'opportunit de passage d'un cadre discret un cadre continue. Dans ce cadre de recherche, la notion relativement rcente de la Valeur risque (Value at Risk) apparat tre capable de rpondre la problmatique prsente ci dessus. D'une part, l'estimation de cette mesure de risque peut incorporer la composante de non normalit de la distribution des rendements du portefeuille. D'autre part, cette mesure s'intresse directement au montant de la perte potentielle subir sur l'investissement. En effet, la Value at Risk (VaR) peut se dfinir simplement comme la perte potentielle maximale que l'investisseur peut subir dans un horizon de temps donn et pour un niveau de probabilit fix. La Value at Risk mesure directement et en terme montaire la perte future dans la valeur de portefeuille. Le rsultat additionnel rsultant d'une non normalit peut tre inclut et absorb dans l'estimation de la Value at Risk. Cette mesure semble ce jour s'imposer comme le standard pour la mesure des risques de march dans l'industrie financire et surtout bancaire. L'objectif de ce travail est d'analyser un modle d'allocation optimale de la richesse en se rfrant la VaR comme la mesure du risque. On cherche aussi valider les mthodes d'estimation de la VaR incorpor dans ce modle. Dans le premier chapitre, on s'intresse la prsentation de la VaR, de ses paramtres et des mthodes pratiques pour son estimation. On tudie aussi le concept de la VaR ainsi que sa relation avec la gestion de portefeuille tel que cit en littrature financire. Dans le second chapitre, on commence par prsenter le modle permettant de dterminer la rpartition optimale entre les actifs risqus d'un portefeuille. Ce modle permet aussi de calculer le montant de prt emprunt ncessaire pour ramener la VaR du portefeuille optimal un niveau prdtermin. Ceci nous rappelle du thorme de sparation de Tobin (1958) dans l'approche traditionnelle de gestion de portefeuille. Ensuite, on labore le cadre empirique de notre tude avec des hypothses sur les diffrents facteurs. Cette tude empirique sera compos de trois parties : Dans la premire partie, on applique et on analyse les diffrentes mthodes d'estimations de la VaR cits dans le chapitre prcdent. Dans la seconde partie, on applique et on analyse les rsultats de notre modle dans un cadre statique. Les mthodes d'estimation de la VaR retenue sont la mthode empirique, la mthode de l'hypothse de normalit et la mthode de la thorie des valeurs extrmes (TVE ou aussi GPD en se rfrant la distribution de

Pareto Gnralis). Dans la troisime partie, on passe un cadre dynamique. L'objectif est de tester les trois approches d'estimation de la VaR dans notre modle gnrale. Pour cela, on procde l'application de ce dernier pour une gestion quotidienne sur 465 jours. On se rfre ensuite un Backtesting en comparant les pertes effectives des portefeuilles optimaux constitus quotidiennement avec les VaR limites prvues par les investisseurs. Le critre retenu dans ce cas est donc le taux d'chec des prvisions pour les trois approches. Un deuxime critre peut tre retenu qui est celui de la richesse finale obtenue la fin de la priode de gestion (aprs les 465 jours). Le modle choisi sera celui qui maximise cette richesse.

I-1 Le concept de la Value at Risk :

Selon Berdin et Hyde (2001) la VaR est dfinie comme tant la mesure qui fournit une estimation statistique de la perte potentielle sur un actif ou un portefeuille qui peut survenir avec une probabilit donne suite des mouvements de prix ou de taux relativement adverses. Ceci est valable sous l'hypothse que pendant une priode de temps (l'horizon de calcul de la VaR) la composition du portefeuille resterait inchange. D'aprs A. Louis Calvet (2000) la VaR d'un portefeuille d'actifs financiers correspond au montant de pertes maximales sur un horizon de temps donn, si l'on exclut un ensemble d'vnements dfavorables (worst case scnarios) ayant une faible probabilit de se produire. Une autre dfinition de la VaR peut tre avance : il s'agit de la perte maximale par rapport la valeur espre du portefeuille et non par rapport la valeur initiale. Dans ce cas, on parle de la VaR relative. La figure 1 illustre la notion de la VaR dans le cas d'une distribution normale centrale rduite des rendements du portefeuille tudi. Dans ce cas, dire que la VaR 95% pour un jour est gale -1,645% signifie qu'au maximum on aura 5 rendements sur 100, dans le jour suivant, qui soient infrieures -1,645%. Figure 1 : Un exemple de la Value-at-Risk sous la distribution normale

Selon Paul Glasserman et al.(2000), deux vnements ont concouru l'adoption gnralise de la VaR sur le secteur financier et un autre a favoris son dveloppement dans les entreprises surtout amricaines. > Le premier date de 1995. Runis en comit la banque des rglements internationaux Bale, les reprsentants des banques centrales de dix grandes conomies de l'ouest proposent de nouvelles rgles amendant l'accord de Bale de 1988 et imposant aux tablissements financiers un niveau de fonds propres proportionnels aux risques rsultant de leurs engagements. Officiellement adopts en 1996, cette proposition incite les banques dvelopper des modles internes

sophistiqus pour calculer leurs VaR. En effet, elles peuvent ainsi esprer une diminution des fonds propres qu'elles doivent dtenir par rapport aux montants des fonds propres exigs sur les autres banques qui se fondent sur les modles standard (dicts par les autorits de tutelle pour dterminer les besoins des banques en capitaux propres). Ainsi, ds le dpart, la recherche d'un allgement des obligations rglementaires est un important facteur de la croissance de la VaR. > Le deuxime vnement s'est produit sur Internet. En 1994, la banque amricaine JP Morgan a mis gratuitement son systme RiskMetrics la disposition de tous sur Internet. Ce systme fournissait les donnes financires et la mthodologie ncessaire au calcul de la VaR d'un portefeuille. Les autres tablissements financiers et les entreprises peuvent utiliser le calculateur de VaR de RiskMtrics ou tlcharger les donnes sur leurs propres systmes de gestion des risques. Trs vite, sont apparus de nouveaux fournisseurs de programmes de gestion des risques exploitant RiskMetrics, transformant cette mthodologie en une rfrence incontournable. Un troisime vnement a probablement moins d'impact ce jour, mais c'est l'un des grands facteurs d'expansion de la VaR parmi les entreprises amricaines. En 1997 aux EtatsUnis, la Securities and Exchange Commission (SEC), proccupe des risques cachs derrire les instruments hors bilan, a mis des rgles de communication relative aux produits drivs employs par les entreprises : celles-ci ont trois solutions pour faire tat des risques associs aux instruments drivs : tableau des valeurs de march, mesure de sensibilit ou VaR. C'est la raison pour laquelle les rapports annuels de Microsoft, de Philip Morris et de bien d'autres grandes socits prsentent maintenant des calculs de la VaR. Rcemment, les recommandations du comit Bale II publi en 2004 ont renforc l'utilit de cette notion. En ce qui concerne la littrature, plusieurs articles valuent le risque de march en se basant sur la technique de la Valeur Risque et ses diffrentes mthodes. La VaR donne lieu diffrents modles d'valuation qui lient le rendement des diffrents actifs aux diffrents facteurs de risque : Le premier type de modle repose sur la mthode des Variances Covariances dveloppe et diffuse par JP Morgan grce son systme RiskMetricsTM en 1996. Cette mthode qui se base sur une valuation locale des positions est appele aussi delta normal (Jorion 2001). Le deuxime type de modle utilisant une valuation complte regroupe les mthodes de simulation historique et de Monte Carlo. Il existe une quatrime mthode complmentaire aux trois prcdentes appele " Stress testing " recommande par le rgulateur pour valuer la qualit des modles de contrle interne. Lopez (1996) compare ces mthodes et rpartit les aptitudes de chacune. Jackson et al. (1997) examinent la possibilit de prdire la variance des facteurs de risque (taux d'intrt, prix de l'actif et taux de change). Ils comparent les mthodes paramtriques et non paramtriques de la mesure de la VaR. CrnKovic et Drahmann (1996) examinent la possibilit de prdire tous les paramtres de distribution des facteurs de risque. Kupiec (1995) tudie le Backtesting pour le modle de la VaR et il examine la priode du temps pass jusqu'au premier chec de l'estimation. A un niveau plus tardif, le comit de Bale adopte ces preuves comme une base pour examiner les modles internes des banques. Ces tudes ne fournissent pas des preuves statistiques claires et manquent d'exactitude quant aux mthodes d'estimation. La plupart d'entre eux traitent l'exigence minimale du capital en utilisant plusieurs mthodes de calcul de la variance, et aussi par l'utilisation des donnes historiques de march plutt que des simulations. Hendricks (1996), Pritsker (1997), Linsmeier et Pearson (1996), Jackson et al. (1997) et Aussenegg et Pichler (1997) comparent l'approche standard, prsente par le Comit Bale comme une alternative pour l'estimation du risque de march,

avec toutes les mthodes de calcul de la VaR. Ces tudes examinent les avantages et les inconvnients de chaque mthode en jouant sur les aspects suivants : le temps de calcul vis--vis de l'exactitude des valuations (Pritsker, 1997) ; l'adaptation aux rgions gographiques diffrentes (Powell et Balzarotti, 1996) ; l'effet des instruments financiers inclus dans le portefeuille d'investissement (Aussenegg et Pichler ,1997) . Parmi les tudes qui examinent l'utilisation des modles VaR, celle de Powell et Balzarotti (1996) qui fait une comparaison entre l'utilisation du modle VaR et l'approche standard dans plusieurs pays latino amricains. Powell et Balzarotti (1996) concluent que l'approche standard est prfrable plusieurs modles VaR. Plusieurs modles internes font des suppositions et des usages d'outils de mesures diffrentes qui peuvent produire des rsultats variables pour le mme ensemble de paramtres du march et de position dans le portefeuille d'investissement. En outre, les modles VaR sont trs sensibles aux suppositions et aux donnes estimes, surtout dans le contexte d'actifs qui ne sont pas fondamentalement linaires tels que les produits drivs (Marshall et Seigel, 1997). Ces derniers notent que cette sensibilit, accompagne de la libert des banques dans le choix de leurs modles internes, expose les systmes bancaires et de surveillances au risque.

I-2 Les paramtres de la Value at Risk :

La VaR d'un portefeuille prend la forme d'un nombre unique par rfrence une priode de dtention, un certain niveau de confiance et une distribution statistique du rendement du portefeuille. La prudence s'exprime par le choix intelligible de ces trois paramtres. La priode de dtention : C'est la priode sur laquelle les pertes potentielles sont estimes. Son choix dpend de certains facteurs notamment de la frquence de recomposition du portefeuille, de la liquidit des actifs financiers qui y sont contenues, de l'utilisation de la VaR. Selon Jorion (2001) la priode de dtention devrait correspondre la plus longue priode requise pour la liquidation normale du portefeuille. En effet, pour que la mesure de risque soit significative, une hypothse fondamentale est implicitement faite sur la stabilit des positions considres ainsi que la composition du portefeuille jusqu' l'chance de dtention. L'objectif est de ne pas trop s'carter de la ralit. La validit de cette hypothse est plus ou moins vrifie selon les activits. Ainsi, pour les portefeuilles de commerce (constitus des crdits accords et relvent de la pure activit d'intermdiation financire par les banques) l'horizon de calcul doit tre d'un jour tant donn le changement des positions et la liquidit leve. Pour les portefeuilles de ngociation, l'ajustement tant plus lent, une dure de dtention d'un mois peut se justifier. En ce qui concerne la mesure des VaR pour les portefeuilles de ngociation des institutions financires, la rglementation impose une priode de 10 jours ouvrables soit deux semaines. Notons que comme le but de calcul de la VaR est la mesure du risque de la baisse du cours de l'actif, l'horizon est prfr tre court. Ceci mne mieux cerner le champ de vision et viter les dviations significatives probables des variables de march de leurs fourchettes normales. Le niveau de confiance : Le niveau de confiance est gal un 1 moins la probabilit des vnements dfavorables. Il reflte le niveau d'incertitude qu'on est prt accepter. Par exemple, si la mesure de la VaR se fait un niveau de confiance de 95%, les pertes effectives devraient dpasser notre estimation seulement 5% du temps. Si cela parat inconfortable pour l'investisseur, il peut utiliser une VaR de 99% et ne peut sous estimer alors que 1% des cas probables. Autrement, s'il craint les risques, il s'arrangera pour que la probabilit des vnements dfavorables soit trs petite.

Intuitivement, plus la mesure des pertes potentielles maximales est correcte, plus le niveau de confiance devra tre large afin de saisir au mieux toutes les situations envisageables y compris les plus extrmes. Notons dans ce mme cadre que plus ce niveau est important, plus la VaR sera leve. Le niveau de confiance est le paramtre sur lequel il est le plus facile de jouer, compte tenu de la dpendance des autres paramtres d'autres considrations externes l'investisseur.

T (XtX -) 1 S = (3/2) T () 2 ? ? ? ? ?? 3 ?= t1 La distribution des pertes et profits du portefeuille : C'est le paramtre le plus important mais aussi le plus difficile dterminer. Une question fondamentale se pose : comment peut-on choisir une distribution pour la variable de march ? Idalement, il faudrait un modle qui soit simple et qui convienne le plus aux observations empiriques. La mthode de calcul est dtermine par la distribution choisie pour modliser les pertes et profits du portefeuille. Empiriquement, trois principaux problmes dans les sries temporelles financires sont dtects. Le premier est la non stationnarit des sries manifest par la non stabilit des paramtres de la loi rgissant les variables du processus temporel. Le deuxime problme est le caractre leptokurtique de la distribution des donnes qui consiste des queues empiriques plus paisses que celles considrs par la loi mise en hypothse, ceci a pour consquence la sous estimation de la Value at Risk et donc du risque assum par l'investisseur. Le troisime problme est le phnomne de la dpendance de la volatilit appel la persistance de la volatilit (clustering) issu du constat en pratique du fait que les volatilits leves sont souvent suivies par des volatilits leves et les volatilits faibles sont souvent suivis par des volatilits faibles. Ce phnomne peut tre pris

en compte par la famille des modles ARCH-GARCH sur de courtes priodes d'estimation. La dtection de l'effet ARCH dans la srie des observations reste vrifier pour justifier ce type de modlisation. En thorie financire, une hypothse de normalit des rendements est souvent adopte comme rponse la problmatique de la distribution des rendements des actifs financiers. En effet, cette hypothse acclre considrablement les calculs. Elle est bien adapte dans l'application de la mthode RiskMetricsTM (voir section suivante). Un test dit test de Jarque et Bera (JB) permet de valider ou non la normalit de la distribution. Il tient compte implicitement de deux paramtres essentiels : le coefficient d'asymtrie (Skewness) et le coefficient d'aplatissement (Kurtosis). Le premier paramtre (Skewness) est le moment d'ordre 3 et mesure l'asymtrie du comportement des rendements autour de leur moyenne empirique. Son expression est la suivante : Si S=0 la distribution est dite symtrique l'instar de la loi normale. Si S>0 alors la densit de la distribution s'tale vers la droite et on a une asymtrie positive. Si S<0 alors la densit de la distribution s'tale vers la gauche et on est en prsence d'une asymtrie ngative. Le deuxime paramtre, le kurtosis, est le moment d'ordre 4 et reprsente une mesure associe l'paisseur des queues de la distribution. Son expression est la suivante :

T (XtX -) 1 K = 2 T () 2 ? ? ? ? ?? 4 ?= t1 Si K=3 on dit que la distribution est msokurtique comme c'est le cas pour la distribution normale qui sert de point de rfrence. Si K>3 la distribution prsente des queues paisses (fat tails). Elle est dite leptokurtique. Si K<3 la distribution prsente des queues minces (thins tails). Elle est dite platikurtique. En ce qui concerne le test de Jarque et Bera, il est bas sur la statistique suivante :

( / 6 ) [ ( 3 ) / 24 ] ( 2 ) 222 JB = TS + T K Cette statistique suit asymptotiquement la loi 2 avec deux degr de libert lorsque T (nombre des observations) est assez grande. Le test d'hypothse est le suivant : H0 : la distribution est normale H1 : la distribution n'est pas normale La rgle consiste rejeter H0 si la statistique JB est plus grande que 2 avec deux degrs de libert au seuil de signification choisie (1% par exemple). Notons que la stationnarit des rendements du portefeuille d'actions est une condition ncessaire pour appliquer la mthode de simulation historique (voir section suivante). Le test de racine unitaire ADF (augmented Dickey-Fuller) consiste tester l'hypothse nulle: H0 existence d'une racine unitaire srie non stationnaire Ce test consiste rejeter H0 si la statistique obtenue est infrieure une valeur critique dite valeur de MacKinnon.

I-3 Les principaux mthodes de mesure de la Value at Risk :

Mathmatiquement, la notion de la Value-at-Risk se traduit ainsi: Pr( VpVaR)=1-c Avec: V = la variation de la valeur V du portefeuille sur la priode de dtention. c = le niveau de confiance Plusieurs modles ont t prsents pour l'estimation de la Value-at-Risk (Manganelli et Engle (2001)). L'lment cl qui distingue ces modles est l'existence ou non d'une hypothse de para mtrisation de la distribution des pertes et des profits. Ainsi on classera ces mthodes en trois classes: les mthodes non paramtriques, les mthodes semi paramtriques et les mthodes paramtriques. I-3-1 Les mthodes non paramtriques : La mthode du quantile empirique : La mthode du quantile empirique (ou Historical Simulation) est une mthode trs simple d'estimation des mesures de risque fonde sur la distribution empirique des donnes historiques de rendements. Formellement, la VaR est estime simplement par la lecture directe des fractiles empiriques des rendements passs. Si l'on considre par exemple un niveau de confiance de 95% et que l'on dispose d'un chantillon de 1000 observations historiques de rendements, la VaR est donne par la valeur du rendement qui correspond la 50me forte perte. La mthode du Bootstrap Une amlioration simple de la mthode de la simulation historique consiste estimer la VaR partir de donnes simules par Bootstrap. Le Bootstrap consiste r chantillonner les donnes historiques de rendements avec remise. Plus prcisment, dans notre contexte, la procdure consiste crer un grand nombre

d'chantillons de rendements simuls, o chaque observation est obtenue par tirage au hasard partir de l'chantillon original. Chaque nouvel chantillon constitu de la sorte permet d'obtenir une estimation de la VaR par la mthode HS standard, et l'on dfinit au final une estimation en faisant la moyenne de ces estimations bases sur les r chantillonnages. I-3-2 Les mthodes semi paramtriques : La mthode base sur la thorie des valeurs extrmes : Parmi les mthodes semi paramtriques figurent tout d'abord l'ensemble des mthodes et approches qui relvent de la thorie des extrmes (TVE) qui diffre de la thorie statistique habituelle fonde pour l'essentiel sur des raisonnements de type tendance centrale. Les extrmes sont en effet gouverns par des thormes spcifiques qui permettent d'tablir sous diffrentes hypothses la distribution suivie par ces extrmes. Il existe deux principales branches de la thorie des valeurs extrmes : la thorie des valeurs extrmes gnralise et l'approche Peaks Over Threshold (POT) base sur la loi de Pareto gnralise. L'approche POT permet l'tude de la distribution des pertes excessives au dessus d'un seuil (lev), tandis que la thorie des valeurs extrmes gnralise permet de modliser la loi du maximum ou du minimum d'un trs grand chantillon. Dans ce qui suit, on procdera l'application de cette approche. Pour cela, on dfinie la moyenne en excdent pour une distribution F par : e ( u ) = E(X -uX >u) C'est simplement une fonction de u qui s'exprime l'aide de la fonction de survie de F. Plus les queues de distribution sont paisses, plus cette fonction a tendance tendre vite vers l'infini. En pratique, si n est le nombre total de l'chantillon et si est le nombre d'observations au Nu dessus du seuil u, on a : n 1 j=1 e( u) = ? ( x - u)1 { x>u }(x j) , u > 0N u Le problme du choix de u reste entier. Usuellement, on trace cette fonction Mean Excess pour diffrents niveaux du seuil u. Le bon seuil est celui partir duquel e(u) est approximativement linaire. Graphiquement, cela se traduit par un changement de la pente de la courbe qui ensuite reste stable. Ce rsultat provient de la remarque que pour la distribution de Pareto gnralise, e(u) est linaire en u. Une fois le seuil optimal choisi, on construit une nouvelle srie d'observations au dessus de ce seuil, et la distribution de ces donnes suit une distribution gnralise de Pareto, qui se dfinit comme suit : 1 ? ?? 11

-?+x ? ? si 0

? ? Gx Sisib=0 ()=??? ? ? , ? - ?- x ? 1 exp ? ? ?? est appele l'indice de queue. Le paramtre est un indicateur de la taille de la queue une distance finie. L'estimation des paramtres et se fait par le maximum de vraisemblance. La densit de la distribution GPD s'crit :

( x)
i ?i ?

? ( + 4) si si 0 = ?0 n + (( (1 - c))--1)

VaR = u ? ? Nu Et la log vraisemblance que nous maximisons est de la forme : n ?= [ { } ] ln L( , ) = ln , ( )1 0 ( ) gxtxt > t1 Une fois l'estimation termine, on peut vrifier graphiquement la pertinence des estimations en comparant la distribution GPD estime avec la distribution empirique des observations au dessus du seuil. La Value-at-Risk pour un niveau de confiance c est obtenue par la formule : ? La simulation historique filtre : La mthode de la simulation historique filtre est une forme de Bootstrap semiparamtrique qui vise combiner les avantages de la simulation historique avec la puissance et la flexibilit des modles volatilit conditionnelle tel que le modle GARCH. Elle consiste faire un Bootstrap sur les rendements dans un cadre de volatilit conditionnelle, le Boostrap prservant la nature non paramtrique de la simulation historique, et le modle volatilit conditionnelle donnant un traitement sophistiqu de la volatilit. I-3-3 Les mthodes paramtriques : La mthode de Variance Covariance : Cette mthode connu aussi sous le nom de mthode Riskmetrics. Les principales hypothses simplificatrices consistent supposer, d'une part, que les lois de probabilit qui rgissent les distributions des variations des prix de march sont normales et, d'autre part, que les instruments prsentent un profil de risque linaire. Sous ces hypothses, la matrice de Variances Covariances peut tre applique assez directement aux positions dtenues pour calculer la VaR.

Ainsi, on aura: T VaR = SCS Avec: S = le vecteur des VaR pour chaque position ou facteur de risque= [... qi i i ...] q i = le quantile de la loi normale

i = la volatilit historique des facteurs de risque i = la part de la richesse investie dans le facteur i C = la matrice des corrlations entre les facteurs de risque. Les calculs utiliss dans la mthode RiskMetrics sont rapides et simples, et requirent uniquement la connaissance de la matrice des Variances Covariances des rendements du portefeuille. Nanmoins, cette mthode s'avre tre inadapte aux portefeuilles non linaires (instruments optionnels), et thoriquement peu adapte aux queues de distribution paisses et aux distributions non normales des rendements. La Simulation Monte Carlo : La mthode de Monte Carlo consiste simuler un grand nombre de fois les comportements futurs possibles des facteurs de risque selon un certain nombre d'hypothses, et d'en dduire une distribution des pertes et profits partir de laquelle on estime finalement un fractile. Plus prcisment, on peut considrer l'exemple de l'hypothse de normalit. La mthode Monte Carlo s'applique en trois tapes: La premire tape consiste simuler N scnario de l'volution des facteurs de risque. Un scnario est obtenu travers la formule suivante: S = tZ Avec : S = le vecteur des facteurs de risque t = la matrice rsultant de la dcomposition de Cholesky de la matrice des Variances Covariances des facteurs de risque ( ? S = tt' ) Z = un vecteur de variables alatoires indpendantes de loi normale centre et rduite. On obtient suite cette tape la srie ( S ,...., S 1 N ). La deuxime tape consiste dterminer les N variations respectives du N portefeuille. On obtient donc la suite ( L ,...., L
1

) des volutions de la valeur

de la position initiale. La troisime tape consiste dterminer le quantile de la mme faon que pour la simulation historique partir de la distribution simule. Si cette approche peut s'appliquer, en thorie, quelles que soient les lois de probabilit suivies par les facteurs de risque, elle est couramment utilise en pratique, pour des raisons techniques, en supposant que les variations relatives des paramtres de march suivent des lois normales. Cette mthode convient galement tous les types d'instruments, y compris optionnels, et permet de tester de nombreux scnarios et d'y inclure explicitement des queues de distribution paisses (vnements extrmes pris en compte dans une certaine mesure) (voir Glasserman et al. (2001)) Mthodes bases sur les modles GARCH La mthodologie d'estimation de la VaR en se basant sur la modlisation GARCH

est largement tudie en littrature (voir par exemple Christoffersen et al. (2001), Engle (2001)). En ce qui concerne la dtection de l'effet ARCH dans la srie des observations, deux principaux tests complmentaires peuvent tre effectu. Le premier s'intresse au phnomne d'auto corrlation entre les termes d'erreur au carr du modle : Test Q (p) de Ljung-Box (1978). Si le processus est ARCH, les rsidus au carr doivent tre corrls. L'hypothse nulle est l'absence d'auto corrlation d'ordre p. La statistique du test est suppose suivre une loi 2 avec p degrs de libert. Le deuxime test d'intresse plutt au phnomne d'homoscdasticit (constance de la volatilit des termes d'erreur): Test ARCH (p) d'Engle (1982). Ce test vrifie l'absence d'htroscdasticit autorgressive conditionnelle d'ordre p. Si le processus est ARCH, les rsidus au carr doivent tre htroscdastiques. L'hypothse nulle est celle de l'homoscdasticit. La statistique du test est suppose aussi suivre une loi 2 avec p degr de libert. La rgle de dcision est la mme pour les deux tests: accepter H0 si la statistique du test est infrieure la valeur critique de la loi 2 avec p degrs de libert un niveau de confiance donn. Notons que pour tester l'effet GARCH (p, q), il suffit de procder un test d'effet ARCH (p+q). La prvision de la Value-at-Risk partir d'un modle GARCH est effectu selon une dmarche indirecte: dans un premier temps, on fait une hypothse sur la distribution conditionnelle des rendements de l'actif, puis l'on estime les paramtres du modle GARCH sur les observations de la priode 1 T, gnralement par une procdure de type maximum de vraisemblance. Dans une seconde tape, on dduit du modle GARCH estim une prvision de la variance conditionnelle, qui couple l'hypothse retenue sur la distribution des rendements, permet de construire une prvision sur le fractile de la distribution de pertes et profits valable pour T+1. Considrons l'exemple d'un modle GARCH sous hypothse d'une distribution quelconque (normale, student...) de paramtre v. On suppose ainsi que les rendements d'un actif, nots rt , satisfont le modle suivant : rt = c+ t t = zt t 222 1 t = 0 + 1 t- 1 +1 t Les sont indpendantes identiquement distribus selon la loi mise en hypothse. Les zt paramtres 0 , 1 , 1 ,c sont des rels estimer vrifiant les contraintes suivantes: 0 >- 0 , 1 = 0 , 1 = 0 (v peut aussi faire partir des paramtres estimer comme dans le cas de la distribution de student). Le terme ( \ t -1 ) dsigne la variance conditionnelle du rsidu t 2 = E t t et donc des rendements . Une fois les variables sont estimes (par la mthode de maximum de rt vraissemblance par exemple), on obtient l'expression suivante:

?2?

?? 22

t +1 = 0 + 1 t + 1 t

Avec 2 1 donn et donc : ? 2 ?? ?? t1(rtc)t2 =+-+ 2 +011 Soit ( , ) la fonction de rpartition de la loi de . La Value-at-Risk pour t+1 et pour un G1v - zt niveau de confiance 1-a obtenue par la formule suivante: ???? VaR t + 1 = t+1 G-1 ( , v) + c

I-4 La VaR dans la littrature de la gestion de portefeuille

Depuis longtemps, les chercheurs dans le domaine de la finance reconnaissent l'importance cruciale de la mesure du risque d'un portefeuille d'actifs financiers dans le processus d'optimisation de l'allocation d'actifs. Ce souci remonte quatre dcennies lorsque Harry Markowitz (1952) initiant les recherches sur la slection de portefeuille explore la dfinition et la mesure de risque. Depuis la mesure de risque devient une composante bien intgr dans l'activit financire. Dans le modle propos par Markowitz, les investisseurs maximisent l'esprance de rendement pour un niveau de risque donn, ce dernier est mesur par la variance. Markowitz fait remarquer que les individus cherchent en fait raliser le meilleur compromis possible entre le gain espr et son risque associ. Reste formaliser ce compromis. Puisqu'on est dans une conomie risqu, le gain espr sera l'esprance du revenu, le risque sera simplement mesur par la variance ou l'cart type du revenu alatoire. La variance est une mesure de fluctuation. Faire ce choix comme mesure de risque de march implique donc que l'on considre comme risqu tout ce qui bouge par rapport la moyenne aussi bien les mouvements la hausse que les mouvements la baisse. De faon plus formalise, le critre de Markowitz s'crit : X Y E X E Y Var X VaR Y > ( ) ( ) et ( ) ( ) =p ou bien

E X E Y Var X VaR Y ( ) ( ) et ( ) ( ) = Le critre choisit par Markowitz est visualis dans un plan appel plan de Markowitz, o l'on reprsente en ordonne le revenu (ou le rendement) attendu et en abscisse le risque. Chaque couple possible d'actifs peut tre reprsent dans ce plan. Pour chaque rendement, il existe un portefeuille qui minimise le risque. l'inverse, pour chaque niveau de risque, on peut trouver un portefeuille maximisant le rendement attendu. L'ensemble de ces portefeuilles est appel frontire d'efficience ou frontire de Markowitz. Cette frontire est convexe par construction : le risque n'augmente pas linairement en fonction des poids des actifs dans le portefeuille. Dans le mme cadre d'tude, Tobin (1958) rsume le processus de dcision d'investissement en deux tapes: la premire est similaire pour tous les investisseurs et au cours de laquelle ils choisissent le mme "meilleur" portefeuille d'actifs risqus sur la frontire efficiente (appele le portefeuille de march), la deuxime tape est spcifique chacun d'entre eux. Elle dpend de leur attitude vis vis du risque. En effet, chaque investisseur combine le portefeuille de march avec un emprunt ou un prt de faon obtenir le niveau de risque qu'il dsire supporter. Chaque investisseur ne doit donc placer son argent que dans deux actifs : d'une part un portefeuille risqu commun et d'autre part un actif sans risque ayant le caractre d'un prt ou d'un emprunt. Il est utile de remarquer que le critre de Markowitz ne permet pas de comparer tous les projets de point de vue domination de l'un sur l'autre. Black et Litterman (1992) ont largi le champ d'application possible de cette approche classique. L'extension du cadre classique pour tenir compte du skewness et du kurtosis ainsi que l'tude des mesures de risque alternative est aussi largement traite en littrature (Kaplanski et Kroll (2002)). Fleming, Kirby et Ostdiek (2001) tudient la valeur conomique de l'indexation temporelle de la volatilit et De Roon, Nijman et Werker (2003) montrent son utilit dans la couverture des risques de change pour les portefeuilles d'actifs internationaux. Certains dsavantages de cette mthode, tel que l'incertitude au niveau de la matrice des covariances ou dans les esprances de rendement, sont valus (Jorion (1985), Bouchaud et Potters (2000)). En effet, face aux inconvnient majeures du modle de Markowitz, principalement l'hypothse de normalit de la distribution des rendements et l'hypothse de l'indiffrence de l'investisseur vis--vis des pertes et des profits, d'autres critres de mesure du risque ont apparu comme mesure alternative capable d'viter ces inconvnients. La plus importante de ces critres est la Value-at-Risk (ou valeur risque). Cette notion est traite depuis longtemps dans la littrature de slection de portefeuille sous un autre concept qui est la notion de perte potentielle. En effet, prsente dans les travaux de Roy (1952) sur la slection de portefeuille sous les contraintes de perte de valeur potentielle, l'ide de mesurer le risque par ce phnomne revient videmment la notion de valeur risque. Roy dfinit cette contrainte en terme de probabilit limite de la dvaluation de la valeur du portefeuille au dessous d'un niveau prfix. Depuis, la littrature d'allocation d'actifs sous cette contrainte est largit (voir par exemple Leibowitz et Kogelman (1991)). Lucas et Klaassen (1998) ont constitu des portefeuilles en maximisant l'esprance de rendement sous la contrainte d'un rendement positif minimal sur un horizon de temps donne et pour un niveau de confiance prdtermin. Alexander et Baptista (2001) comparent l'utilisation de la VaR et de la variance afin de construire la frontire d'efficience. Ils montrent que pour un investisseur averse au risque l'utilisation de la VaR peut conduire la slection de portefeuille avec des variances de rendement plus leves compares aux analyses Moyenne Variance. Le principal inconvnient de la VaR est qu'elle ne vrifie pas la condition de sous additivit, condition ncessaire pour considrer la mesure comme tant cohrente au sens de Artzner, Delbaen, Eber et Heath (2000). Pour cela certaines tudes se sont orientes vers des mesures alternatives cohrentes, drives de la notion de VaR, tel que l'expected shotfall appel aussi VaR conditionnelle (CVaR) (

Pflug(2000), Acerbi et Tasche (2001, 2002), Rockafellar et Uryasev (2002)), la dviation absolue tudie par Denneberg (1990) ou la semi variance mesurant le risque de base (Fischer (2001)). Certaines de ces tudes se sont focalises sur l'tude l'utilisation des mesures alternatives de risque en gestion de portefeuille. Krokhmal, Uryasev et Zrazhevsky (2002) cherchent l'optimisation de portefeuille pour les fonds de couvertures sous diffrentes mesures de risque tel que le CVaR, la dviation absolue moyenne, la perte maximale. Ils montent que les rsultats pour la frontire d'efficience concidente pour ces diffrentes mesures et que leurs combinaisons permettent d'obtenir une gestion de risque meilleure. Rockafellar et Uryasev (2000) prsentent une approche de programmation linaire permettant la construction de la frontire efficiente sous la contrainte d'expected shortfall empirique. Ils contribuent aussi la rsolution du problme d'optimisation dans le plan Moyenne-CVaR. De mme, Konno et al (2003) fournissent des algorithmes d'optimisation sous la contrainte de semi variance qui sont facile implmenter. Dans le cadre d'optimisation dans le plan Moyenne-VaR, Gaivoronski et Pflug (1999) traite d'une faon gnrale le cadre mathmatique du processus d'allocation de la richesse. Campbell et al. (2001) analysent le problme d'optimisation dans le mme plan en prsence de rendements distribus sous diffrentes hypothses (empirique, normale, student) et a en prsence de deux classes d'actifs. Rengifo et Rombouts (2004) procdent l'extension du cadre statique de cette tude de Campbell et al. (2001) vers un cadre dynamique d'allocation d'actifs en procdant la comparaison des performances de deux modles d'estimation de la VaR savoir le modle GARCH (1,1) et le modle APARCH (1,1) sous diffrentes hypothses de distribution. ). Chabaane et al. (2003) optimisent l'esprance de rendement sous diffrentes contraintes de risque : l'cart type, la semi-variance, la VaR et l'Expected Shortfall. Diffrentes mthodes d'estimation de la VaR sont utilises. Ils concluent que l'optimisation sous la contrainte de la VaR est plus dlicate au niveau des algorithmes et de l'implmentation que l'optimisation sous les autres contraintes. De mme, le choix de la mthode d'estimation de la VaR a moins d'influence que le choix de la contrainte de risque sur les portefeuilles optimaux. Ils remarquent aussi que le portefeuille optimal sous la contrainte de la VaR se rapproche de celui obtenu sous la contrainte de l'Expected Shortfall.

II-1 La modlisation du problme d'optimisation du portefeuille :

Dans un cadre statique d'tude, notre objectif sera principalement de dterminer deux lments de la gestion de portefeuille. Dans un premier temps, on cherchera les proportions optimales de chaque actif risqu dans le portefeuille. Dans un deuxime temps, on dterminera le montant B de liquidit prter ou emprunter de faon constituer un portefeuille avec une VaR qui correspond la VaR prfix par l'investisseur. Ce niveau de VaR* refltera le degr de l'aversion au risque de l'investisseur. Bien videmment, le portefeuille constitu maximise l'esprance de rendement que peut obtenir l'investisseur sous la contrainte d'une VaR recherch. Dans ce qui suit, l'objectif est de prsenter un modle traduisant la problmatique. On suppose que l'on dispose d'un montant W(0) investir sur un horizon de temps T. On rappelle qu'on cherche investir de manire avoir un niveau de VaR bien dfinie de notre portefeuille. Ce niveau peut tre fix par le gestionnaire de risque dans les institutions financires de sorte qu'il correspond aux exigences des autorits rglementaires, ou fix par un investisseur particulier relativement son degr d'aversion au risque. Ce montant peut tre investie avec un autre montant B qui reprsente un prt si B<0 et un emprunt si B>0.

est le rf taux d'intrt sans risque pour lequel l'investisseur peut prter ou emprunter pendant la priode T. On a n actifs disponibles sur le march. (i) indique la fraction investie dans l'actif risqu i ainsi la somme des (i) doit tre gale 1. Soit aussi P(i, t) le prix de l'actif i au temps t (le prsent correspond t=0). La valeur initiale du portefeuille reprsente la contrainte budgtaire: n W(0) + = 0) (1) B ?= ( ) ( , iPi i1 Le problme fondamental sera ainsi de dterminer les fractions (i) ainsi que le montant initial B emprunter ou prter. En choisissant le niveau dsir de la VaR comme VaR * (exprim en valeur absolue), on peut formuler la contrainte de perte potentielle de valeur comme suit: Pr( (0) ( ) *) 1 (2) W - W T = VaR = - c Avec W(T) est la richesse final de l'investisseur compte tenu de son remboursement de l'emprunt ou le cas ventuel de son recouvrement du prt avec les intrts y associs, c est le niveau de confiance. Ceci donne: Pr( ( ) (0) *) 1 W T = W - VaR = - c Du fait que la VaR est la perte maximale, sur l'horizon de temps T, qui peut avoir lieu avec un niveau de confiance c, on constate que le degr d'aversion au risque de l'investisseur est reflt la fois par le niveau de VaR dsir et par le niveau de confiance associ. L'investisseur est intress par la maximisation de la richesse la fin de la priode T. Soit r(p) le rendement total espr sur le portefeuille p sur cette priode. La richesse finale espre de l'investissement dans le portefeuille p peut s'crire: ) (4) EWT 0 ( ( )) ( (0) )(1 ) (1 =W+BrpBr1 +-+ Rsolution du problme d'optimisation du portefeuille A partir de l'quation (1), on dtermine l'expression de B: n B = ?= ( ) ( i W (0)

(3)

i P ,0) i1 Si on remplace cette expression dans l'quation (4), on obtient: n EWTW ( ( )) (0)(1 ) ( ) ( , 0)( ) =r1iPirr 0p1 + + ?= i1

?= i1

(i) P( i, 0)

VaR * +W (0 ) rf = q (5) rf n (c , p) On suppose pour simplifier que E0 ( W( T )) = W(T ) , la valeur de rp est ainsi donn par: )) -W (0 )rf + rf (W( T ) W(0 ? (i) P ( i , 0 ) i =1 A partir de la contrainte de la perte de la valeur de l'quation (2), on essayera d'introduire rp dans l'inquation. On a ainsi : Pr( W (0) - W(T ) VaR*)1- c Donc: Pr( W (T ) - W(0) =- VaR*)1- c Pr( rp = rf

VaR * +W (0

Donc: =1)r c f n ?= 1 (i) P ( i, 0) i Introduisons maintenant le terme q(c,p) qui reprsente le quantile correspondant un niveau de confiance c dans la distribution des rendements du portefeuille. En effet, partir de la dernire quation on peut obtenir les deux rsultats souhaites: d'une part l'expression de la valeur espr de la richesse finale en fonction du quantile q(c,p) et d'autre part l'expression de B. Ceci passe par les tapes suivantes : ce qui donne: n VaR W r * (0) +1 ?= ( ) ( , 0) iPi= rqcp -(,) i11 Une fois remplac dans la dernire quation exprimant E0 ( W( T , p )) , on obtient: rr p1 EWTW 0 ( ( )) (0)(1 ) =++ r ( * (0) ) VaR W r +

11 r1 q (,) cp En divisant par W(0) on obtient: (6) WT ()rr p1 E 0 ( ) (1 ) =++ r ( * (0) ) VaR W r + 11 W(0) W r W q c p (0) (0) ( , ) 1 Cette dernire quation implique que la maximisation de l'esprance de rendement de l'investisseur passe travers la maximisation de l'expression M (p) suivante: M() p rp-r1 = 0) r W q c p - (0) ( , ) 1 W( (7) On constate que la richesse initiale W(0) n'affecte pas le choix du portefeuille optimal puisque elle est considre comme une constante dans l'expression M (p)

maximiser. Le processus d'allocation d'actif est ainsi indpendant de la richesse. Cependant, l'avantage d'avoir la richesse initiale dans le dnominateur est son interprtation. En effet, M (p) est gale au ratio de prime de risque espr du portefeuille par rapport au risque assum. Ce dernier est reflt travers une perte potentielle maximale relativement une rfrence (le rendement au taux sans risque). Vu que le produit du quantile ngatif par la richesse initiale constitue la VaR du portefeuille pour un niveau donn de confiance, on pourra trouver une nouvelle expression (c, p) pour le risque. En notons VaR(c, p) la VaR du portefeuille (avec un signe ngatif vu que q(c,p) est un quantile ngatif), le dnominateur devient: ? ( c , p ) = W(0) r f -VaR(c, p ) (8) Cette mesure du risque correspond au profil des investisseurs considrant le taux de rendement sans risque comme un benchmark pour le rendement de leur portefeuille et souhaitant en mme temps que l'expression du risque soit en terme de perte potentielle. M (p) est ainsi une mesure de performance comme l'indice de Sharpe et peut tre utilis pour valuer l'efficience de portefeuille (voir Sharpe (1994)). En plus sous l'hypothse que l'esprance de rendement du portefeuille est normalement distribue et que le taux sans risque est nul, M (p) converge vers un multiple de l'indice de Sharpe. Dans ce cas, les portefeuilles pour lesquelles ces deux indices sont maximiss sont les mmes. On constate aussi que le portefeuille optimal qui maximise M (p) est choisi indpendamment du niveau de la richesse initial ainsi que du niveau de VaR dsir (VaR *). En effet, la mesure de risque (c, p) pour les diffrents portefeuilles dpend de la VaR estim du portefeuille et non de celui dsir. Les investisseurs dbutent par la dtermination de l'allocation optimale entre les actifs risqus, l'intervention ensuite du montant B vient pour montrer la diffrence entre la VaR estim du portefeuille et la VaR dsir. Deux tapes spares caractrisent le processus de dcision comme dans le cas de l'approche de Moyenne Variance. Afin de dterminer la valeur de B on combine l'quation (1) et l'quation (5). Ceci donne enfin : = W * ( VaR *( + VaR c p ' B )) (0) , ? ( c, p ' ) (9) On note que dans cette dernire expression, la est exprim en valeur absolue et VaR * que la VaR est de signe ngative. On remarque aussi le fait que ce modle est indpendant des hypothses de distribution de sorte que le modle est driv dans le cadre de la maximisation de l'esprance de rendement sous la contrainte de perte de valeur dsir.

II-2 Le cadre de l'tude empirique :

Afin de dterminer l'effet de la dviation de l'hypothse de normalit et de la variation de l'horizon d'estimation sur les portefeuilles optimaux construire, nous avons choisit de se rfrer deux indices du march des capitaux des Etats-Unis : le Nasdaq 100 et le S&P500. Ces deux actifs reprsentent dans notre travail les actifs risqus. Rappelons que l'indice NASDAQ 100 contient 100 compagnies amricaines de haute technologie cotes sur le march du Nasdaq. La valeur des actions de ce type de socits est plus volatile que la valeur des actions des compagnies de l'conomie traditionnelle. Le S&P 500 est un indice boursier bas sur 500 grandes socits cotes sur les bourses amricaines. L'indice est possd et gr par Standard & Poor's, l'une des trois principales socits de notation financire. Il reprsente srement un niveau de volatilit moins lev que le Nasdaq 100. En fait, il contient plus de socit ce qui implique un effet de diversification surtout que sa composition couvre des secteurs diffrents plus ou moins corrls. Le logiciel utilis pour l'analyse des donnes relatives ces deux indices et l'implmentation du modle sera le Matlab version 6.5. On suppose que les cots de transactions sont ngligeables et que les actifs financiers sont divisibles. La priode d'tude sera partir du 01/04 /1997 jusqu'au 31/03/2007 et donc s'tale sur dix ans. Le nombre des observations des rendements journaliers est de 2515 (Figure 2). Le rendement journalier de l'indice est obtenu par la formule suivante : CC jj
j Cj

R 1 1 Avec : Cj = valeur de l'indice pour le jour j Cj- 1 = valeur de l'indice pour le jour j-1 Le taux de rendement sans risque est considr comme celui des Bons de trsor amricains sur trois mois (US Treasury Bill). Il est de l'ordre de 4,97% annuellement fin du mois de mars 2007. La richesse initiale de l'investisseur est suppose gale 1000$ (dollar amricain). Les horizons de dtention considrs sont trois : un jour, une semaine et dix jours. Ceci correspond aux priodes les plus pratiques par les agents financiers avant la liquidation du portefeuille. On se rfre la moyenne gomtrique pour calculer les moyennes de rendement des indices sur les diffrents horizons. L'expression gnrale pour l'obtenir est la suivante : n -1 R

=?+() [ (1 )] ( 1 / ) n Rih m i=1 Avec : h = dure de la sous priode de dtention (soit le jour, la semaine ou dix jours) n=nombre de sous priode de dure h dans la priode totale m Ri = rendement de la ime sous priode de dure h (h) Rm =rendement sur la priode totale m Par exemple, le rendement journalier moyen de l'indice du Nasdaq 100 sur la priode d'tude est de 0,032%. Celui de l'indice S&P 500 est moins lev et il est gal 0,025%. L'cart type journalier du rendement du Nasdaq est aussi suprieur celui de l'indice S&P 500. La volatilit est presque double puisque celle du premier indice atteint 2,22% alors que celle du deuxime est de 1,15%. La nouvelle mesure de risque prsente dans la section prcdente est calcule pour les diffrentes sries de rendement selon une approche empirique d'estimation de la VaR et un niveau de confiance de 99%. Rappelons qu'elle est obtenue par la formule suivante : ? = W0 rf - VaR estim Les valeurs obtenues de cette mesure dans la table 1, montre bien sa croissance avec le temps. Plus l'horizon de dtention est loin plus cette mesure est lev. De mme, la VaR relative du Nasdaq 100 reste toujours suprieure celle du S&P 500 pour la mme priode de dtention. Ceci est en conformit avec le fait que le premier indice offre un rendement espr plus lev et donc c'est vident qu'il fait supporter l'investisseur plus de risque. En se rfrant la table 1, on constate que le rendement moyen sur dix jours est suprieur celui sur un jour, ceci est bien vident. L'cart type est lui aussi plus lev mais il dpasse les attentes donnes par la rgle de la racine du temps (c'est--dire 10 j = 10 1 j ). Ceci indique l'existence du phnomne d'auto corrlation. On constate aussi que pour les trois frquences de donnes, les valeurs du coefficient d'asymtrie (skewness) et du coefficient d'aplatissement (kurtosis) sont diffrentes de celles donnes par une distribution normale. Pour le skewness, la seule valeur positive est celle du cas de rendement journalier du Nasdaq 100 ce qui indique une distribution asymtrique droite. Dans tous les autres cas, la distribution est asymtrique gauche. Pour le kurtosis les valeurs s'loignent de 3. Ils sont plus levs que cette valeur ce qui signifie de l'existence des queues paisses pour les diffrentes cas. Ceci tmoigne priori de la non normalit des distributions. Le recours au test de Jarque et Bera un niveau de confiance de 99% confirme ce constat puisque les statistiques JB calcules dpassent de loin la statistique de khi deux (2). On pourra penser dans ce cas modliser les distributions par la loi de student. Cette dernire a l'intrt de tenir compte de phnomne leptokurtique. On sait qu'en s'appuyant sur la thorie des valeurs extrmes, la mesure de l'indice de queue peut tre utiliser pour tester diffrents modles de distribution. Cet indice prend la valeur 0 dans le cas normal. Il prend des

valeurs entre 0 et 0.5 dans le cas de student. Le calcul de cet indice pour les rendements journaliers du Nasdaq 100 donne la valeur 0,186. Lorsqu'il est calcul pour les rendements journaliers du S&P 500 on le trouve proche de zro. Les rsultats sont similaires pour les autres horizons de dtentions. Ceci tmoigne du fait que la distribution du deuxime indice s'approche plutt de la normalit que de la loi de student. Pour le cas de la distribution de student, le problme qui se pose est celui du choix du degr de libert. Devant cette nuance provenant essentiellement de l'existence de queue paisse, nous avons choisie dans les sections suivantes d'tudier le modle d'allocation d'actifs en se rfrant trois mthodes d'estimation de la VaR : la mthode empirique, la mthode normale (issu du modle RiskMetrics) et la mthode TVE ( issu de la Thorie des Valeurs Extrmes). Notons enfin que l'estimation de la Value-at-Risk partir des mthodes historiques require thoriquement la stationnarit des sries des rendements. Pour cela on peut se rfrer au test de racine unitaire ADF (augmented Dickey-Fuller). A titre illustratif, l'application de ce test sur la srie de rendement journalier sur la priode d'tude du Nasdaq 100 donne une statistique gale -20.50381 (le logiciel utilis est Eviews 4.0). Cette dernire est infrieure la valeur critique au seuil de signification de 1% qui est gale -3,4575 ce qui indique la non stationnarit de la srie. On suppose dans ce qui suit la stationnarit des sries de rendement des portefeuilles constitus par les deux indices.

II-3 L'application des mthodes de mesure de la Value at Risk :

Un lment fondamental du modle d'allocation optimale d'actifs prsent dans cette tude est l'estimation de la Value-at-Risk. Pour cela, nous avons choisies d'appliquer et de comparer les rsultats de certaines mthodes les plus traites en littrature. Par hypothse, on suppose que notre portefeuille est compos de 50% de l'indice Nasdaq 100 et de 50% de l'indice S&P 500. On se place dans le cas de rendement journalier. La priode d'tude est celle mentionn ci-dessus, allant du 01/04/1997 jusqu'au 31/03/2007. Les rsultats obtenus pour les diffrentes mthodes et pour les diffrents niveaux de confiance sont donnes dans la table 2 et reprsente dans la Figure 3. On constate que la mthode issue de la Thorie des Valeurs Extrmes (EVT), que l'on appellera aussi mthode GPD (Generalised Pareto Distribution), a tendance donner les valeurs de la VaR les plus leves (en valeurs absolues) pour les diffrents niveaux de confiance. Le seuil (threshold) utilis dans la mthode GPD est celui dpass par 10% des observations de notre chantillon. On constate aussi qu' un niveau faible de confiance, les diffrentes mthodes se rapprochent au niveau de l'estimation de la VaR. A un niveau lev, on remarque que les deux mthodes non paramtriques (empirique et Bootstrap) convergent vers la mme valeur estime (-39,5). Dans le mme cas de niveau lev, les mthodes paramtriques bases sur l'hypothse de normalit (Monte Carlo et Risk Metrics) donnent les valeurs les moins leves de la VaR. Ceci est du ce que l'hypothse de normalit sous estime la VaR. Notons qu'on a procd 10 000 oprations de r chantillonnage pour la mthode de Bootstrap et 10 000 simulation de la loi normale centre rduite pour la mthode MonteCarlo. Comme mentionn prcdemment, dans ce qui suit on choisi de comparer les rsultats des modles bases sur l'estimation de la VaR par la mthode empirique, la mthode normale (ou RiskMetrics) et la mthode GPD. Ceci est justifi par le caractre dterministe des estimations obtenues par ces mthodes. Il s'agit d'une condition ncessaire pour effectuer les oprations de maximisation. Les autres mthodes se basent plutt sur la simulation et ont ainsi un caractre plus ou moins alatoire.

II-4 La construction des frontires d'efficience :

Afin de construire la nouvelle frontire d'efficience dans le plan Moyenne-VaR relative, nous estimons simultanment l'esprance de rendement et la VaR relative des portefeuilles diffrentes combinaisons de l'indice Nasdaq 100 et de l'indice S&P 500. En fait, en se basant sur ce nouveau plan, on arrive construire la frontire d'efficience ,pour un niveau donn de confiance, en allant d'un portefeuille contenant 100% de l'indice Nasdaq 100 celui contenant 100% de l'indice S&P 500. On garde la mme priode d'tude allant du 01/04/1997 jusqu'au 31/03/2007. Ainsi, l'estimation de la VaR est effectu selon les trois mthodes empiriques, normale et GPD sur trois horizons de dtention possibles : le jour, la semaine et dix jours. A chaque horizon correspond, on tablit les frontires d'efficiences pour trois niveaux de confiance : 95%, 97% et 99%. La nouvelle frontire d'efficience ressemble celle du plan MoyenneVariance. Ce qui diffre est la dfinition du concept du risque : ici on fait recours la VaR relative un benchmark de rendement (qui est le taux sans risque) au lieu de l'cart type des rendements. D'aprs les graphiques 4 6, on constate que les frontires d'efficiences obtenues par les trois mthodes tendent se rapprocher pour des niveaux de confiance faibles et ce pour diffrents horizons de dtention. A un niveau plus lev (99%), la frontire d'efficience obtenue par la mthode normale se dcale gauche sur le graphique se situant ainsi au dessus des deux autres frontires d'efficience. Cela indique que les portefeuilles de cette frontire reprsentent pour un mme niveau de rendement espr, un niveau de risque moins lev. Cela confirme une autrefois le caractre de sous estimation de la mthode normale. La frontire d'efficience de la mthode GPD s'loigne parfois des deux autres d'une faon significative surtout dans le cas de niveau de confiance lev (99%). Elle parat plus proche de la frontire d'efficience empirique que de celle de la mthode normale dans les diffrents cas tudis.

II-5 L'allocation optimale dans le cadre statique :

Dans cette section, on prsente les rsultats obtenus concernant les allocations optimales entre les deux actifs risqus pour diffrents niveaux de confiance et diffrents horizons de dtention. De mme le montant de prt emprunt ncessaire au respect de la contrainte de la VaR est dtermin. Ceci tant effectu dans un cadre statique c'est--dire en se plaant un instant donn dans l'axe du temps (le 31/03/2007) et en effectuant les prvisions pour la priode suivante (jour, semaine ou dix jours). En ce qui concerne les allocations optimales, les tables 3,5 et 7 reprsentent les proportions retrouvs ainsi que la VaR estim et la VaR relative du portefeuille optimal pour les diffrentes hypothses de distribution. Ces rsultats s'interprtent comme suit: Par exemple pour un investisseur qui cherche a constituer un portefeuille maximisant le rendement espr sous la contrainte d'une VaR limite journalire a un niveau de confiance de 95% et en se basant sur une estimation empirique de la VaR, il aura intrt a constituer un portefeuille dont la part de l'indice Nasdaq 100 est 48,18% et la part de l'indice S&P 500 est de 51,82%. La VaR a 95% de ce portefeuille calcul sur la base de la richesse initiale de l'investisseur sans recourir aux oprations de prt-emprunt est gale a -19,856. D'une faon gnrale, le recours a ces oprations prend place si, pour un niveau de confiance donn, la VaR limite souhait est diffrente de la VaR estim du portefeuille optimal pour le mme niveau de confiance (la VaR est retenu en signe ngatif). Rappelons que le montant de liquidit B a prter ou a emprunter est obtenu par la formule suivante : B= (0) W * ( VaR *(

)) , + VaR c p ' ? ( c, p ' ) Avec : W(0) = la richesse initiale de l'investisseur. VaR * = la VaR limite choisit par l'investisseur (retenu en valeur absolue) VaR ( c, p ' ) = la VaR estim du portefeuille optimal pour le niveau de confiance considr ?( c , p ' ) = la VaR relative du portefeuille optimal pour le niveau de confiance considr. En effet, dans le cadre du modle d'allocation optimale de cette tude, le profil de risque de l'investisseur est suppos tre reflt par le niveau de la VaR limite y inclut bien videmment le niveau de confiance recherch. Ainsi, nous avons pris le cas des investisseurs qui ont diffrents profils de risque ,allant de celui de 95% a celui de 99%, et qui cherchent tous a constituer un portefeuille optimal avec une VaR limite gale a la VaR estim du portefeuille optimale a 95%. Ceci est effectu pour les diffrents horizons de dtentions et pour les diffrentes mthodes d'estimation de la VaR. A titre d'exemple, si on choisit d'estimer la VaR par la mthode empirique et qu'on cherche a avoir un portefeuille avec une VaR journalire a 99% gale a -19,856 (ce montant de VaR limite correspond a la VaR du portefeuille optimal journalier 95%), l'investisseur devra prter un montant de 295,552 dollars. Toutefois, l'allocation de la richesse restante sera la hauteur de 40,86% dans le Nasdaq 100 et de 59,15% dans le S&P 500, ce qui correspond la rpartition optimale du niveau de confiance 99%. Ceci lui permet de diminuer la VaR du portefeuille initialement gal -28,268 tout en gardant le mme niveau de confiance. C'est cela qui constitue la richesse de ce modle gnrale d'allocation d'actifs. D'une faon gnrale, si la VaR limite pour un niveau de confiance donn est infrieur en valeur absolue la VaR du portefeuille optimal pour ce mme niveau de confiance, l'investisseur sera invit prter un montant B (ngatif) au taux sans risque. Ceci tait le cas gnral des recommandations obtenues dans nos calculs. Le seul cas d'emprunt tait dans le cadre de l'hypothse empirique, un horizon de dix jours et un niveau de confiance de 96% (Table 4) : l'investisseur devra emprunter 76,03 dollar pour faire passer la VaR du portefeuille optimale pour ce niveau de confiance de -43,546 -46,959. L'interprtation reste identique pour le cas des rendements hebdomadaires ou sur dix jours ainsi que pour le cas d'estimation de la VaR par les deux autres mthodes : normale et GPD. Cependant, on remarque que dans le cas de l'hypothse de distribution normale des rendements (Table 5), l'allocation optimale entre les deux actifs est indpendante des niveaux de confiance. A chaque horizon de dtention, correspond une combinaison optimale qui reste inchang mme si on change le niveau de confiance. L'attitude de l'investisseur vis--vis du risque exprim au niveau de ce paramtre de la VaR est ainsi nglige dans le cas de la normalit. Ce qui reste dterminant dans son profil est le montant de la VaR limite choisit. Ceci s'explique par le fait que les quantiles q(c,p) dans le cas de normalit sont des constantes quelque soit la composition du portefeuille. La maximisation de l'expression M (p) sera ainsi indpendante du niveau de confiance. Elle dpend uniquement du couple Esprance/Ecart type du rendement du portefeuille. Cela n'est pas le cas pour les allocations dtermines dans le cas empirique ou dans le cas de la mthode GPD o les combinaisons optimales varient en fonction du niveau de confiance.

On constate aussi que le niveau de risque pour ces portefeuilles optimaux, mesur par la VaR relative, est gnralement plus lev dans le cas empirique que dans le cas normal. Le quantile issu de la distribution empirique est plus lev en valeur absolue que le quantile de la distribution normale pour n'importe quel niveau de confiance. Le caractre leptokurtique de la distribution effective des rendements du portefeuille optimal explique donc ce constat.

II-6 L'allocation optimale dans le cadre dynamique :

Dans ce qui suit, l'objectif est de comparer et de valider les mthodes d'estimation de la VaR dans le modle d'allocation propos savoir : la mthode Empirique, la mthode normale et la mthode GPD. Ceci est effectu en passant un cadre dynamique d'tude. Chaque mthode permet d'avoir un modle de gestion dynamique issu du modle gnral propos. Nous nous intressons la gestion optimale quotidienne sur une priode appele priode de prvision (outof-sample). L'hypothse de normalit sera donc prsent travers le modle dynamique de prvision de la variance conditionnelle : GARCH avec des innovations de loi normale. Prsentation des donnes : On se rfre aux mmes donnes journalires des sections prcdentes sur l'indice Nasdaq 100 et sur l'indice S&P 500. La priode totale de l'tude s'tale donc du 01/04/1997 jusqu'au 31/03/07 (2515 observations). Cette priode initiale est spare en deux sous priodes : une priode d'estimation (in-sample) et une priode de prvision (out-of-sample). Cela permet d'obtenir une squence de prvision de la VaR et de comparer ensuite les pertes effectives historiques des portefeuilles optimaux avec les VaR limites prdfinies pour les mmes jours. Dans notre cas, on a choisit la priode d'estimation comme celle allant du 01/04/1997 jusqu'au 24/05/2005 (2050 observations) et la priode de prvision comme celle allant du 25/05/2005 jusqu'au 31/03/2007 (465 observations). La figure 7 reprsente l'volution du rendement des deux indices sur la priode de prvision. La table 9 indique certaines statistiques descriptives des deux sries de rendements sur cette mme priode ainsi que leur VaR relative. La table 10 prsente les rsultats des deux tests de dtection de l'effet ARCH (2) un niveau de confiance de 99% : test Q (2) et le test ARCH (2) d'Engle. Ils sont appliqus sur les deux sries de rendement des deux indices NASDAQ 100 et S&P 500 durant toute la priode d'tude. Rappelons que pour tester l'effet GARCH (p, q) il suffit de procder un test d'effet ARCH (p+q) et un test de LjungBox. Les rsultats pour la srie des observations du Nasdaq 100 affirment l'existence d'une auto corrlation entre les termes d'erreur au carr ainsi que l'htroscdascticit de ces derniers : une modlisation GARCH (1,1) est donc justifiable. Pour la srie du S&P 500, on constate une absence d'auto corrlation entre les termes d'erreurs au carr vu que la statistique calcule est infrieure la valeur critique de (2). On peut conclure que la modlisation par un 2 processus GARCH (1,1) est invalide dans ce cas malgr que le test d'effet ARCH (2) affirme l'htroscdasticit. La richesse initiale de l'investisseur est suppose gale 1000 dollars amricains. Le taux sans risque sur la priode de gestion sera proche de la moyenne des taux des Bons de trsor amricains sur trois mois (US Treasury Bill) pour la date du 24/05/2005 et du 31 /03/2007. Il est de l'ordre de 2,86% annuellement la premire date et de 4,97% dans la deuxime. Le taux sans risque journalier retenu sur la priode de gestion sera ainsi de 0,016% (supposition de 250 jours ouvrables par an). Rappelons que les cots de transactions sont supposs ngligeables dans notre modle. De mme, on suppose que les actifs financiers

sont divisibles. Dans le modle GPD, on retient 9% des donnes (seuil u) pour estimer l'indice de queue. Principe du modle dynamique : On suppose que la VaR limite recherche par l'investisseur pour le jour j ( * VaRj ) est gale 2% de sa richesse cumule jusqu' la fin du jour j-1. Avec l'information disponible jusqu'au jour j-1, chaque mthode permet de prvoir pour le jour j le montant qui doit tre emprunter (Bj > 0) ou prter (Bj < 0) compte tenu de l'aversion au risque de l'investisseur. Celle-ci tant exprime par le montant de la VaR limite choisi et le degr de confiance souhait. Chaque mthode permet aussi de prvoir le poids optimal de chaque actif risqu dans le portefeuille durant le jour j. Ensuite, avec les recommandations tablit en j-1, on dtermine l'volution effective de la richesse de l'investisseur durant j pour aprs reprendre la mme procdure en incluant les donnes du jour j dans la priode d'estimation afin d'tablir les recommandations de j+1. L'ide est ainsi de dterminer les recommandations d'investissement journalire en terme de poids optimaux des actifs risqus dans le portefeuille et en terme de montant prt-emprunt. Ensuite, on dtermine le taux d'chec rsultant du dpassement de la perte journalire effective la VaR limite prvu pour le mme jour (suppos gale 2% de la richesse finale du jour prcdent). Il s'agit du test de Kupiec-LR (1995). La perte journalire effective du jour j est obtenue partir du rendement effectif du portefeuille optimal constitu pour le mme jour dduction faite des charges financires si Bj > 0 (il s'agit d'un emprunt) ou en ajoutant les produits financiers si BjB < 0 (il s'agit de prt). Le taux d'chec multipli par 465 reprsente le nombre de fois o le rendement effectif dpasse cette VaR limite pendant la priode de prvision. La mthode qui prsente le taux d'chec le moins lev sera considre la plus fiable parmi les trois. Un deuxime critre peut tre utilis : la richesse finale l'issu de la priode de prvision. Si l'investisseur adopte ce point de vue, le modle le plus adquat pour lui sera celui qui procure la richesse finale la plus leve. Rsultats empiriques : On s'intresse la performance des trois modles : Empirique, GARCH et GPD pour trois niveaux de confiance de la VaR : 95%, 97% et 99%. Ces derniers correspondent une aversion au risque croissante. Les rsultats obtenus par l'application des trois modles sur une priode de gestion de 465 jours (out-ofsample) sont prsents dans les tableaux 11 et 12. Le premier tableau prsente le taux d'chec des trois modles pour les diffrents niveaux de confiance cits ci-dessus. On constate que pour les diffrents modles, le taux de dpassement de la perte effective du portefeuille la VaR limite respecte le seuil d'erreur prvu. Cela affirme le respect de la contrainte de notre modle de base. De mme, ce taux dcrot avec le niveau de confiance souhait ce qui est en parfaite conformit avec le fait qu' un niveau de confiance plus lev (et donc dans le cas d'un investisseur averse au risque) la marge d'erreur devra tre plus faible. Autrement, les recommandations d'investissement issu d'un niveau de confiance de 95% implique plus d'erreur de prvision que les recommandations d'investissement issu d'un niveau de confiance de 99%. En se rfrant au raisonnement de Kupiec LR (1995), le modle le plus adquat pour l'investisseur sera le modle GPD. Il prsente le taux d'chec le moins lev pour les diffrents niveaux de confiance. Ainsi, ce modle sera recommand pour un investisseur qui juge la prdominance du critre de taux d'chec sur les autres critres. Cependant, les taux d'chec de ce modle apparaissent relativement faible ce qui reflte une aversion assez grande. Le graphique 18 montre l'cart important entre les VaR limites et les pertes effectives dans le cadre de ce modle pour un niveau de confiance de 99%. Cela s'explique par des recommandations qui favorisent l'opration de prt allant jusqu' 800 $ (voir figure 16). Ainsi, la perte effective ralise sur les 200 $ investi en actif

risqu devienne assez faible devant une VaR limite de l'ordre de 2% de la richesse initiale investi (soit peu prs 20 $ par jour). Cette perte effective est en plus attnue par une stratgie recommandant l'investissement dans l'actif le moins risqu (S&P 500) ce qui a pour consquence de diminuer l'exposition du portefeuille risqu au risque (voir figure 17). Le modle GPD apparat donc comme un modle conservatif. Il recommande l'opration d'emprunt seulement sur la deuxime dizaine de jour sur les 465 jours de prvision. Pendant ces jours, la VaR limite est donc suprieur la VaR du portefeuille optimal constitu pour le mme jour. Le modle Empirique se place dans le deuxime rang selon le critre statistique de taux d'chec . On constate comme mme un taux faible d'chec pour les diffrents niveaux de confiance. Les recommandations de ce modle, pour un niveau de confiance de 99%, en terme de part de chacun des deux indices dans l'actif risqu sont moins sensibles l'augmentation de la srie de donnes historique (voir figure 9). Ainsi, w1 reste constante sur plusieurs jours conscutifs. Cela convient mieux dans le cadre de l'existence de cots de transactions. Tout au long de la priode out-of-sample, ce modle suggre de recourir au prt pour respecter la contrainte de VaR limite. En fait, ces deux premiers modles refltent implicitement par leur recommandation de prter une tendance ngative des rendements des deux indices ce qui conduit une VaR du portefeuille optimale suprieur la VaR limite et ainsi Bj < 0 (prt). Le modle GARCH respecte le taux d'chec maximal autoris. Cependant, un niveau de confiance de 99%, les stratgies recommandes par ce modle tendent favoriser l'investissement dans l'indice le plus risqu, le Nasdaq 100, tout au long de la priode de prvision (voir figure 13). Les oprations sur l'actif sans risque oscillent entre opration de prt et celle d'emprunt. Le tableau 12 prsente les rsultats concernant le deuxime critre : la richesse finale. Dans c e cadre, l'investisseur aura intrt suivre les recommandations du modle Empirique. Ce dernier permet d'avoir la richesse la plus leve l'issu de la priode de gestion et ce pour les diffrents niveaux de confiance. Le modle GPD arrive dans la deuxime position pour les niveaux de confiance de 95% et 97% et en troisime position pour un niveau de confiance plus lev. Dans les graphiques 11,15 et 19 on a prsent l'volution de la richesse durant la priode de prvision avec les diffrents modles , 99% de confiance, compar l'volution de la richesse obtenu par l'investissement exclusif en Nasdaq 100, S&P 500 et l'actif sans risque.

Les limites de la variance comme mesure de risque ont men les financiers chercher d'autres mesures plus prcises et plus pratiques. Parmi ces mesures, la Value-at-Risk s'est impos comme un standard et une rfrence rglementaire incontournable aussi bien dans les milieux financiers que dans les milieux d'assurance. Dans ce travail, on a montr comment on peut intgrer cette notion dans le processus de slection optimale de portefeuille dans une logique de contrle de risque. Ainsi, partir d'une Value-at-Risk souhaite (et ainsi d'un niveau de risque assum) on prsente un modle gnral permettant l'allocation optimale de la richesse entre les actifs risqus et les actifs non risqus. Ceci passe par la maximisation de l'esprance de rendement du portefeuille sous la contrainte de la VaR limite. Ce processus d'optimisation tient compte de l'estimation de la VaR. Ainsi, trois modles sont choisis : le modle empirique, le modle GARCH et le modle GPD. L'tude empirique se base sur deux actifs risqus : le Nasdaq 100 et le S&P 500 et ce pour une priode de dix ans (1997-2007). La validation du processus d'optimisation sous chacun des trois modles est effectue travers deux critres calculs sur une priode de prvision s'talant sur 465 jours. Le premier critre choisi est d'ordre statistique : le taux d'chec du modle au niveau des stratgies d'allocations respectant la contrainte de la VaR limite. Le deuxime critre de performance est d'ordre conomique : la richesse finale procur par

chaque modle la fin de la priode de prvision. Les rsultats montrent la supriorit du modle GPD pour le premier critre et la dominance du modle Empirique pour le deuxime critre. Cependant, on pourra se demander sur l'influence d'autres paramtres bien prsents dans le cadre dynamique, tel que les cots de transactions, sur les rsultats obtenus. De mme, inclure les produits drivs dans le portefeuille risqu apparat intressant vu l'importance du volume de transaction de ces actifs l'chelle mondiale. On sera ainsi men utiliser d'autres modles d'estimation de la VaR tel que la mthode delta normal.

Figure 2 : Les rendements journaliers des deux indices sur la priode d'tude du 01/04/1997 au 31/03/2007

Table 1- Les statistiques descriptives des rendements des deux indices NASDAQ 100 Moyenne Erreur-type Mdiane Mode cart-type Variance de l'chantillon VaR relative (cas empirique 99%) Kurstosis (Coefficient d'aplatissement) Skewness (Coefficient d'asymtrie) Plage Minimum Maximum Somme Journalier Hebdomadaire 0,000317681 0,000443461 0,001248879 0 0,022239447 0,000494593 57,17 7,353 10 jours

0,001458065 0,002223235 0,001903747 0,002839718 0,0034419 0,007728195 0 0,001909981 105,83 6,7125 #N/A 0,00290304 134,42 4,8481 0,043703332 0,053879862

0,362181238 0,286287108 0,098573958 0,18771315 1,418628296

-0,225398467 0,283755071 0,463434319 0,466605164 -0,252490371 0,256512979 0,210943949 0,210092185 1,275944057 1,328294549

Nombre d'chantillons Jarque et Bera (JB) S&P 500 Moyenne Erreur-type Mdiane Mode cart-type Variance de l'chantillon VaR relative (cas empirique 99%) Kurstosis (Coefficient d'applatissement) Skewness (Coefficient d'assymtrie) Plage Minimum Maximum Somme Nombre d'chantillons Jarque et Bera (B) Khi deux (2) 99% Taux sans risque

2515 2,04E+03

527 302,9204

360 54,5011

0,000248808 0,000229436 0,000522287 0,009116768 0,011506178 0,000132392 29,7677 6,0947 0,023422279 0,125984128 0,068656812 0,057327316 0,792707206 2515 1,00E+03 0,0201 0,000194036

0,001193247 0,001740883 0,001021361 0,001419755 0,001588924 0,004996629 0 #N/A

0,023446856 0,026937964 0,000549755 0,000725654 67,2569 5,1243 80,9452 4,7567 -0,302961499 0,281109516 0,188301993 0,218018302 -0,110501207 0,098852216 0,077800787 0,119166086 0,774083881 0,757551233 527 105,2544 0,0201 360 49,5744 0,0201

0,000933212 0,001348253

Table 2- Le montant de la Value at Risk journalire pour un portefeuille compos 50% de l'indice NASDAQ 100 et 50% de l'indice S&P 500 Empirique Bootstrap* MonteCarlo** RiskMetrics TVE(GPD)***

95% 96% 97% 98% 99%

-26,228 -28,298 -30,161 -33,936 -39,513

-26,203 -28,219 -30,205 -33,786 -39,484

-26,574 -28,622 -30,563 -33,427 -36,926

-26,621 -26,466 -28,334 -28,970 -30,440 -32,311 -33,239 -37,242 -37,651 -46,316

* Pour la mthode de Bootstrap, on se base sur 10 000 rechantillonage ** Pour ces mthodes, on suppose la distribution normale des rendements du portefeuille (10 000 simulations pour la mthode Monte Carlo) ***Le seuil u pris en compte est celui dpass par 10% des observations Figure 3 : L'estimation de la VaR journalire (portefeuille parts gaux de l'indice Nasdaq 100 et de l'indice S&P 500 Figure 4 : Les frontires d'efficience dans le cas de rendement journalier

Figure 5 : Les frontires d'efficience dans le cas de rendements hebdomadaires

Figure 6: Les frontires d'efficience dans le cas de rendement sur dix jours

Table 3- L'allocation statique optimale et VaR (estim et relative) dans le cas empirique Rendement journalier 95% 96% 97% 98% 99% Rendement hebdomadaire 95% 96% 97% 98% 99% Rendement sur dix jours 95% 96% 97% 98% 99% 56,18% 43,82% 39,27% 60,73% 57,38% 42,62% 35,93% 64,07% 31,74% 68,26% -46,959 -43,546 -60,487 -57,513 -68,839 48,307 44,894 61,835 58,861 70,187 53,04% 46,96% 60,09% 39,91% 44,11% 55,89% 53,64% 46,36% 30,46% 69,54% -39,457 -45,305 -43,508 -49,995 -53,019 40,390 46,239 44,442 50,928 53,952 NASDAQ 100 S&P 500 VaR estim VaR relative 48,18% 51,82% 40,03% 59,97% 51,63% 48,37% 47,71% 52,29% 40,86% 59,14% -19,856 -20,187 -23,664 -25,573 -28,268 20,050 20,381 23,858 25,767 28,462

Table 4- Le montant de prt-emprunt ncessaire pour obtenir une VaR du portefeuille gale celle du portefeuille optimal 95% de confiance (cas empirique) B journalier B hebdomadaire B sur dix jours 95% 96% 0 -16,2359 0 -126,478 76,0299 0

97% 98% 99% VaR limite

-159,5901 -221,8802 -295,5525 19,856

-91,1558 -206,9115 -251,3644 39,457

-218,7659 -179,2992 -311,7281 46,959

Table 5- L'allocation statique optimale et VaR (estim et relative) dans le cas de n ormalit Rendement journalier 95% 96% 97% 98% 99% Rendement hebdomadaire 95% 96% 97% 98% 99% Rendement sur dix jours 95% 96% 97% 98% 99% 43,37% 43,37% 43,37% 43,37% 43,37% 56,63% 56,63% 56,63% 56,63% 56,63% -44,948 -47,965 -51,675 -56,606 -64,378 46,296 49,313 53,023 57,954 65,726 43,80% 43,80% 43,80% 43,80% 43,80% 56,20% 56,20% 56,20% 56,20% 56,20% -38,974 -41,566 -44,752 -48,988 -55,664 39,906 42,498 45,684 49,920 56,596 NASDAQ 100 S&P 500 VaR estim VaR relative 45,55% 45,55% 45,55% 45,55% 45,55% 54,45% 54,45% 54,45% 54,45% 54,45% -19,674 -20,958 -22,536 -24,634 -27,941 19,868 21,152 22,730 24,828 28,135

Table 6- Le montant de prt-emprunt ncessaire pour obtenir une VaR du portefeuille gale celle du portefeuille optimal 95% de confiance (cas de normalit) B journalier B hebdomadaire B sur dix jours 95% 96% 97% 98% 99% VaR limite 0 -60,6988 -125,9237 -199,7895 -293,845 19,6737 0 -60,9886 -126,4829 -200,6016 -294,8986 38,974 0 -61,19 -126,8715 -201,1654 -295,6294 44,948

Table 7- L'allocation statique optimale et VaR (estim et relative) dans le cas GPD Rendement journalier 95% 96% 97% 98% 99% NASDAQ 100 S&P 500 VaR estim VaR relative 48,57% 48,57% 48,58% 48,58% 48,57% 51,43% 51,43% 51,42% 51,42% 51,43% -26,1317 -28,587 -31,871 -36,735 -45,731 20,430 22,336 24,884 28,659 35,640

Rendement hebdomadaire 95% 96% 97% 98% 99% Rendement sur dix jours 95% 96% 97% 98% 99% 38,68% 38,68% 38,68% 38,68% 38,68% 61,32% 61,32% 61,32% 61,32% 61,32% -53,092 -57,061 -62,346 -70,129 -84,389 42,420 45,512 49,631 55,695 66,807 28,48% 28,48% 28,48% 28,48% 28,84% 71,52% 71,52% 71,52% 71,52% 71,16% -39,190 -42,029 -45,972 -52,117 -64,670 32,318 34,604 37,781 42,730 52,793

Table 8- Le montant de prt-emprunt ncssaire pour obtenir une VaR du portefeuille gale celle du portefeuille optimal 95% de confiance (cas de GPD) B journalier B hebdomadaire B sur dix jours 95% 96% 97% 98% 99% VaR limite 0 -109,9456 -230,6458 -369,9973 -549,934 26,1317 0 -82,0205 -179,5135 -302,5267 -482,6289 39,190 0 -87,1954 -186,4525 -305,8919 -468,466 53,092

Figure 7 : Les rendements des deux indices sur la priode de prvision (outof-sample)

Table 9- Les statistiques descriptives de l'chantillon de prvision Nasdaq 100 S&P 500 Moyenne Ecart-type 0,000316 0,000374 0,0093 0,0068

Skewness Kurtosis VaR relative (cas empirique 99%)

-0,0677 4,0605 22,098

-1,0852 11,0183 18,476

Table 10- Les rsultats des tests de dtection de l'effet GARCH(1,1) pour un niveau de confiance de 99% NASDAQ 100 S&P 500 Q(2) Statistique du test Valeur critique ( (2)) Dcision 9,210 C* E(2) 9,210 C Q(2) 9,210 NC ** E(2) 9,210 C

19,543 197,764 4,584 136,733

* Confirmation de l'existence de l'effet ARCH ** Non Confirmation de l'existence de l'effet ARCH Table 11- Le taux d'chec des trois mthodes (empirique, GARCH et GPD) pour diffrents niveaux de confiance Empirique GARCH GPD 95% 97% 99% 0,86% 0,43% 0,43% 3,66% 0,43% 2,58% 0,22% 0,86% 0,00%

Table 12- La richesse finale de l'investisseur en procdant la gestion dynamique Empirique GARCH GPD

95% 1161,900 1112,400 1130,4 97% 1139,200 1111,800 1130,2 99% 1144,700 1108,200 1107,8 Figure 8: Le montant de prt-emprunt quotidien durant la priode de prvision dans le cas de la mthode Empirique un niveau de 99% de confiance

Figure 9: La part quotidienne de l'indice Nasdaq 100 durant la priode de prvision dans le cas de la mthode Empirique un niveau de 99% de confiance

Figure 10: L'volution de la VaR limite et des pertes effectives des portefeuilles optimaux quotidiens durant la priode de prvision dans le cas de la mthode Empirique un niveau de 99% de confiance

Figure 11: L'volution de la richesse durant la priode de prvision avec le modle Empirique (99% de confiance) compar l'volution de la richesse obtenu par l'investissement en Nasdaq 100, S&P 500 et l'actif sans risque d'une faon individuelle.

Figure 12: Le montant de prt-emprunt quotidien durant la priode de prvision dans le cas de la mthode GARCH un niveau de 99% de confiance

Figure 13: La part quotidienne de l'indice Nasdaq 100 durant la priode de prvision dans le cas de la mthode GARCH un niveau de 99% de confiance

Figure 14: L'volution de la VaR limite et des pertes effectives des portefeuilles optimaux quotidiens durant la priode de prvision dans le cas de la mthode GARCH un niveau de 99% de confiance

Figure 15: L'volution de la richesse durant la priode de prvision avec le modle GARCH (99% de confiance) compar l'volution de la richesse obtenu par l'investissement en Nasdaq 100, S&P 500 et l'actif sans risque d'une faon individuelle.

Figure 16: Le montant de prt-emprunt quotidien durant la priode de prvision dans le cas de la mthode GPD un niveau de 99% de confiance

Figure 17: La part quotidienne de l'indice Nasdaq 100 durant la priode de prvision dans le cas de la mthode GPD un niveau de 99% de confiance

Figure 18: L'volution de la VaR limite et des pertes effectives des portefeuilles optimaux quotidiens durant la priode de prvision dans le cas de la mthode GPD un niveau de 99% de confiance

Figure 19: L'volution de la richesse durant la priode de prvision avec le modle GPD (99% de confiance) compar l'volution de la richesse obtenu par l'investissement en Nasdaq 100, S&P 500 et l'actif sans risque d'une faon individuelle.

Acerbi C., Tasche D. (2001) Expected Shortfall: a Natural Coherent Alternative to Value at Risk. Working Paper. Acerbi C., Tasche D. (2002) On the Coherence of Expected Shortfall. Journal of Banking and Finance, vol. 26(7), 1487-1503. Alexander G., Baptista A. (2001) A VaR-Constrained Mean-Variance Model: implications for Portfolio Selection and the Basle Capital Accord. Working Paper, University of Minnesota. Artzner P., Delbaen F., Eber J.M., Heath D. (2000) Coherent measures of risk, Mathematical Finance, Vol 9 (3), 203-228. Aussenegg W., Pichler S. (1997) Empirical Evaluation of Simple Models to Calculate Valueat-Risk of Fixed Income Instruments. Working Paper, Technische Universitt Wien. Black F., Litterman R. (1992) Global Portfolio Optimization. Financial Analysts Journal, vol. 48(5) 28-43. Bouchaud J.P., Potters M. (2000) Theory of Financial Risks. Cambridge University Press. Bredin D., Hyde S., (2001) FOREX Risk: Measurement and Evaluation using Valueat-Risk. Central Bank of Ireland, November. Calvet A. L. (2000) La gestion globale des risques du march : de la Value at Risk Corporate MetricsTM. Revue Internationale de Gestion, volume 25, numro 3, automne. Campbell R., Huisman R., Koedijk K. (2001) Optimal Portfolio Selection in a Valueat-Risk Framework. Journal of Banking and Finance, 25, 1789-1804. Chabaane A., Laurent J.P., Malevergne Y., Turpin F. (2006) Alternative Risk

Measures for alternative Investments. Journal of Risk 8, n4, 1-32. Christoffersen P., Hahn J., Inoue A. (2001) Testing and comparing Value-at-Risk measures. Journal of Empirical Finance, 8, Number 3, July, pp. 325-342(18). Crnkovic C., Drachman J. (1996) A Universal Tool to Discriminate Among Risk Measurement Techniques. Working Paper, J. P. Morgan, corporation. Denneberg D. (1990) Premium Calculation: Why Standard Deviation Should Be Replaced By Absolute Deviation. ASTIN Bulletin, vol. 20, 181-190. De Roon F., Nijman T., Werker B. (2003) Currency Hedging for International Stock Portfolios: the Usefulness of Mean-Variance Analysis. Journal of Banking and Finance, 27, 327-349. Engle R. (1982) Autoregressive Conditional Heteroscedasticity with Estimates of the Variance of United Kingdom Inflation. Econometrica, 50, p 987-1007, 1982. Engle R. (2000) The Use of ARCH/GARCH Models in Applied Econometrics. Journal of Economic Perspectives, 15(4), 157-168. Fischer T. (2001) Coherent Risk Measures Depending on Higher Moments, Working Paper. Fleming J., Kirby C., Ostdiek B. (2001) The Economic Value of Volatility Timing. Journal of Finance, (1), 329-352. Gaivoronski A., Pflug G. (1999) Finding Optimal Portfolios with Constraints on Value at Risk. Working paper, University of Vienna. Glasserman P., Heidelberger P., Shahabuddin P. (2001) Efficient Monte Carlo Methods for Value-at-Risk. Mastering Risk, Vol 2, published by Financial TimesPrentice Hall. Glasserman P., Shahabuddin P., Heidelberger P. (2000) Variance Reduction Technics for Estimating Value at Risk. Management Sciences, Vol.46 No.10, October. Hendricks D. (1996) Evaluation of Value at Risk Models Using Historical data. Federal Reserve Bank of New York. Economic Policy Review 2, pp 39-70, Avril. Jackson P., Maude D., Perraudin W. (1997) Bank Capital and Value-at-Risk. Journal of Derivatives 4, pp73-90, spring. Jorion P. (1985) International Portfolio Diversification with Estimation Risk. Journal of Busines. vol. 58,no. 3. Jorion P. (2001) Value at Risk: The New Benchmark for Managing Financial Risk. second edition, McGraw- Hill, New York. Kahneman D., Knetsch J.L., Thaler R.H. (1990) Experimental tests of the endowment effect and the coax theorem. Journal of public Economics, 98, 1325-1350. Kaplanski G., Kroll Y. (2002) VaR risk measure vs. traditional risk measures: An analysis and survey . Journal of Risk, 4, Printemps , 1-27. Konno H., Waki H., Yuuki A. (2002) Portfolio Optimization under Lower Partial Risk Measures. Working paper, Kyoto University. Krokhmal P., Uryasev S., Zrazhevsky G. (2002) Risk Management for Hedge Fund Portfolios. The Journal of Alternative Investments, vol. 5(1), 10-29. Kupiec P.H. (1995) Techniques for verifying the Accuracy of Risk Measurement Models. Board of Governors of the Federal Reserve System. Finance and Economics Discussion Series, 95/24 May.

Leibowitz M.L., Kogelman S. (1991) Asset Allocation under Shortfall Constraints. Journal of Portfolio Management, Winter, 18-23. Linsmeier T. J., Neil D. P. (1996) Risk Measurement: An Introduction to Value at Risk. ACE OFOR 9604, University of Illinois at Urbana-Champaign Juillet. Ljung G.M., Box G.E.P. (1978) On a measure of a lack of fit in Time Series Models. Biometrika, 65, p 297-303, 1978. Lopez J. A. (1996) Regulatory Evaluation of Value at Risk Models. Working Paper, Federal Reserve Bank of New York. Lucas A., Klaassen P. (1998) Extreme Returns, Downside Risk, and Optimal Asset Allocation. Journal of Portfolio Management, Fall, 71-79. Manganelli,S., Engel R.F. (2001) Value at Risk models in finance. Working Paper n 75. Markowitz H. (1952) Portfolio Selection. Journal of Finance, vol. 7(1), 77-91. Marshall C., Siegel M. (1997) Value at Risk: Implementing a Risk Management Standard. Journal of Derivatives 4, .p73-84, spring. Pflug G. (2000) Some remarks on the Value-at-Risk and the conditional Value-atRisk in Probabilistic Constrained Optimization: Methodology and Applications, Kluwer Academic Publishers. S. Uryasev (Ed.), Dordrecht. Powell A., Balzarotti V. (1996) Capital requirement for Latin American Banks in Relation to their Market Risks: The Relevance of the Basle 1996 Amendment to Latin America. Working Paper, series 347, Washington, D.C. Pritsker M. (1997) Evaluating Value at Risk Methodologies: Accuracy versus Computational Time. Journal of Financial Services Research, 12 (2/3), October/ December, 201-242. Rengifo E.W., Rombouts J.V.K. (2004) Optimal portfolio selection in a VaR framework. Working Paper. Rockafellar R.T., Uryasev S. (2002) Conditional Value-at-Risk for General Loss Distributions. Journal of Banking and Finance, vol. 26(7), 1443-1471. Roy A.D. (1952) Safety-First and the Holding of Assets. Econometrica, 20, 431-449. Rockafellar R.T., Uryasev S. (2000) Optimization of Conditional Value-at-Risk. The Journal of Risk, vol 2(3), 21-41. Sharpe W. (1994) The Sharpe Ratio. Journal of Portfolio Management, 21, 49-58. Tobin J. (1958) Liquidity Preference as Behavior Towards Risk. Review of Economic Studies, vol. 67, pp 65-86. Rfrence en ligne : http://www.gloriamundi.org/ http://193.49.79.89/esa prof/index.php

Sony Xperia M noir

Sony Xperia Z1 Blanc

Sony Xperia SP Blanc

1
Go !

249,99
Go !

1
Go !

Rechercher sur le site:

Recherche

Mem oire Online 2000-2013 Pour toute question contactez le w ebmaster