Vous êtes sur la page 1sur 51

> ApogeeI Normalizer Couleur

RONCALLI_D1568_couv 12/08/04 14:41 Page 1

GESTION

*
*

Docteur s Sciences conomiques, Thierry RONCALLI est responsable Risk Analytics du Groupe de Recherche Oprationnelle du Crdit
Agricole S.A. et professeur associ dconomie lUniversit dvry. Il
a t auparavant Research Fellow au Financial Econometric Research
Centre de la City University Business School et membre du Laboratoire
dAnalyse et de Recherche conomique de lUniversit de Bordeaux.
Auteur de nombreux articles de finance et dconomie, il a aussi crit
deux livres sur le langage de programmation GAUSS et dvelopp la
bibliothque numrique TSM de sries temporelles et dondelettes.

9:HSMHLH=]Y]^VZ:

ISBN 2-7178-4891-6
35 5

La Gestion des Risques Financiers

a gestion des risques financiers est en pleine volution sous la


pression de la rglementation prudentielle et du dveloppement
des outils pour mieux les matriser. Le Comit de Ble a publi le
Nouvel Accord sur le ratio international de solvabilit (Ble II) le 26 juin
2004, et la Commission Europenne a dj adopt les diffrentes propositions de cet accord. Cet accord a t accueilli favorablement par la profession bancaire et les tablissements financiers ont maintenant deux ans
et demi pour mener bien cette rforme afin den bnficier pleinement.
Les banques nont cependant pas attendu le Nouvel Accord pour
moderniser leur gestion des risques. Depuis dix ans, on assiste un dveloppement technique du risk management et les modles pour mesurer
les risques sont de plus en plus sophistiqus. Le Nouvel Accord participe
cette volution, puisquil vise dfinir un capital rglementaire plus
proche du capital conomique obtenu avec les modles internes.
Le prsent ouvrage sinscrit dans ces deux lignes directrices : rglementation du risque et modlisation du risque. Il sadresse aussi bien
des tudiants de troisime cycle, qui dsirent acqurir une culture financire du risque et de sa gestion, qu des professionnels qui cherchent
mieux comprendre les fondements de la modlisation mathmatique du
risque.

Thierry RONCALLI

3654
1486
5461
1654
8641
6589
4564
+685
9865
4165
789+
6+56
4654
+659/
8*/96
+615
4894
8651
3216
5749
8421
4654
8974
8954
6574
8957
4896
5418
9541
6574
8954
1654
1854
1985
7416
5418
9574
1748
5 7 4566
8754
+ 9 1486
5461
1654
8641
6589
4564
+685
9865
4165
789+
6+56
4654
+659/
-

354698467
@5454454
4@465454
121245648
945546541
546541531
215341153
145545++32154+9
48784*631
@//=98744
9+7444565
445445454
654546545
465475477
8=5@65+6
52+656454
458544461
354698467
345775644
74844845
94316144
61739874
3724@73
12938549
1112374
423977
1@1*9
+2431
7134
451
564
04
3
2
1

748965
148654
611654
864165
894564
+6859
865416
5789+
6+564
654+6
5 9 / 8*/96+
615489
486513
216574
984214
654897
489546
574895
748965
418954
165748
954165
418541
985741
654189
574174
857456687
54+9*631@
//=987
49+74
445654
454454
546545
465454
654754
778=5
@65+6
52+65
645445
854446
135469
84673
44845
6144
9874
@73
489
74
87
9
1

G ESTION

La Gestion
des Risques
Financiers
Thierry RONCALLI
Prface de Antoine FRACHOT

ECONOMICA


PREFACE

La gestion des risques dune banque sest considerablement developpee


depuis dix ans dune part en termes de perim`etre couvert et dautre part
quant aux moyens mis en uvre pour couvrir ce perim`etre.
En effet, sagissant du perim`etre, la volonte de surveiller lexhaustivite
des risques est manifeste : un exemple est celui des risques operationnels
qui, il y a encore quelques annees, netaient pas ou peu surveilles alors
quils font desormais lobjet dune veritable demarche de gestion des risques, `a limage de celle adoptee sur le risque de credit et de marche.
Pour ce qui concerne les moyens, il ny a pas non plus dambigute :
les directions de risque se sont toutes renforcees tant en quantite quen
technicite. Les equipes ont ete etoffees et le niveau de technicite exige dun
risk manager sest fortement eleve.
Cest `a tous ces defis que louvrage de Thierry Roncalli sattaque.

La gestion des risques bancaires et financiers sest


consid
erablement sophistiqu
ee ces derni`
eres ann
ees
Si on prend lexemple des trois grandes classes de risque dune banque
risque de credit, risque de marche, risque operationnel il est evident
que la technicite requise, ne serait-ce que pour repondre aux exigences
reglementaires, a fortement augmente. Les exemples abondent : lutilisation des mod`eles internes Value-at-Risk sur les risques de marche du portefeuille de negociation ou sur les risques operationnels, les formules dites
IRB du texte Bale II pour calculer lexigence de fonds propres du risque

La gestion des risques financiers

de contrepartie, le calibrage de ces formules en taux de defaut, taux de


recuperation, la mesure des effets de correlation, etc. Ces questions, qui
ne se posaient quasiment pas il y a dix ans, necessitent desormais des
ingenieurs de tr`es haut niveau pour etre traitees correctement.
Quelles en sont les raisons ? La plupart sont bien connues. Il y a en
premier lieu une pression des marches vers davantage de sophistication :
les produits plain vanilla que toutes les banques savent construire,
vendre et gerer finissent toujours par degager des marges faibles, `a la limite de la rentabilite. Inversement, les produits complexes et innovants,
sous reserve quils repondent `a une demande, ont des marges plus elevees,
tout au moins tant quun savoir-faire specifique et rare est necessaire pour
les gerer. La loi du marche conduit donc spontanement les banques (et
dailleurs toutes les industries) `a investir des territoires toujours plus sophistiques. Concr`etement, il peut aussi bien sagir dun produit derive exotique (banque de marche), dun financement de projet complexe (banque
commerciale), dun pret immobilier avec toutes sortes doptions (banque
de detail), etc. Le risk management etant bien oblige de comprendre les
produits et dapprehender leurs risques, la sophistication du risk management suit et si tout va bien, dassez pr`es celle des front offices.
En deuxi`eme lieu, la reglementation en elle-meme pousse `a la sophistication. Certes, il sagit dabord de repondre `a la sophistication des marches,
comme decrit `a linstant, mais la reglementation bancaire est structurellement tentee daller plus loin. La faillite dune banque occasionne des dommages collateraux lourds `a lensemble de leconomie. En outre, contrairement aux autres industries, les banques sont mal controlees par leurs
creanciers les deposants car ces derniers ont peu de competences et
pas la motivation pour se charger de ce controle. Toutes ces raisons, `a la
base de la theorie de la reglementation bancaire, sont bien connues des
micro-economistes et servent `a justifier une reglementation specifique et
particuli`erement exigeante du secteur bancaire.
La sophistication est aussi la resultante dun souci de transparence.
Que ce soit via les normes comptables IFRS, le pilier III de Bale II, la
loi de Sarbanes-Oxley, etc., il existe une exigence forte et generalisee pour
accrotre la transparence des comptes, des ratios financiers, des indicateurs
` cet egard, cette transparence passe par la publication
de toute sorte. A
de chiffres, censes synthetiser letat des risques, comme le paradigme de
la Fair Value des normes comptables, la Value-at-Risk pour les risques de
marche et bientot risques operationnels et risques de credit, lEarningsat-Risk, etc.
Enfin, la sophistication du risk management est aussi le resultat de
la recherche des gains de productivite. Les plans de cost-cutting dans
une industrie comme la banque visent essentiellement `a matriser les frais
de personnel et `a nutiliser lintervention humaine que sur les taches `a

Preface

haute valeur ajoutee. En gestion des risques, cela signifie tr`es concr`etement
de developper des outils statistiques daide `a la decision (score, syst`eme
expert) ou des indicateurs de risque synthetiques, accroissant encore la
sophistication.

La sophistication de la gestion des risques g


en`
ere
elle-m
eme des risques
Cette sophistication a donc une justification et une legitimite claires
mais elle pose un certain nombre de probl`emes quil ne faut pas sousestimer.
En premier lieu, la complexite est evidemment plus difficile `a matriser.
Lutilisation des methodes de quantification du risque gen`ere des nouveaux risques : risque operationnel de mauvaise implementation dun outil
ou dun indicateur de risque, de mauvaise comprehension, de calibration
defectueuse, etc. On peut penser par exemple `a la mefiance quon peut
avoir vis-`a-vis dun mark-to-model quand on sait que certains param`etres
du mod`ele sont connus avec une precision tr`es relative (param`etre de
correlation par exemple dans un pricer de produits multi sous-jacents ou
dans un pricer de derives de credit).
Un risque apparat egalement lorsque lexistence dun outil de risque
sophistique induit une confiance excessive et conduit les risk managers `a
abdiquer leur esprit critique ou les enseignements de leur experience. Il
est desormais acquis quun outil comme la Value-at-Risk est certes indispensable pour suivre les risques de marche mais ne suffit pas pour se
sentir confortable . En outre, on oublie parfois la realite economique
dans laquelle ces outils sont utilises. Si on prend lexemple du suivi des
derives sur inflation, il est symptomatique que les ingenieurs en charge
de construire des mod`eles de pricing soient dabord des matheux avant
detre des economistes et pour qui linflation est dabord un processus
stochastique avant detre une variable macro-economique.
La sophistication de la reglementation pourrait paradoxalement generer
aussi des risques pour la stabilite des syst`emes financiers. En effet, toute
reglementation suscite des comportements de contournement de la part
des acteurs qui y sont soumis, notamment quand cette reglementation est
tr`es prescriptive comme celle que le Comite de Bale est en train de
mettre en place sur le risque de credit. On constate parall`element une
propagation des derives de credit vers des sph`eres moins reglementees et
moins competentes telles que les hedge funds et les gestionnaires dactifs,
voire les directions financi`eres des grands corporates. Entre Warren Buffet
qui assimile les derives de credit `a une arme de destruction massive et
Alan Greenspan qui met au credit de ces memes produits la resistance (i.e.
la resilience ) des syst`emes financiers ces derni`eres annees, il y a une
opposition totale que seule lexperience future permettra de departager.

Le risque de marche

69

Pn
avec
j =
erente et
i=1 xi,j / n. Dans RiskMetrics, lestimation est diff
utilise une approche moyenne mobile pour ponderer les observations :
j ,j =

1 2

n
X

i xi,j1
j1 xi,j2
j2

i=1

RiskMetrics impose la methode de la moyenne mobile exponentielle : plus


la date dobservation est recente, plus le poids associe est important. Nous
avons :
(1 ) i1
i =
(1 n )
en supposant que i = 1 corresponde `a la date dobservation la plus recente
et i = n corresponde `a la date la plus ancienne de lhistorique. Remarquons
que :
(1 ) i1
1
lim
=
n
1 (1 )
n
Le graphique 12 represente la fonction i pour n egal `a 250 jours. Nous
constatons que plus la valeur de est petite, plus les observations recentes
ont de linfluence sur lestimation. Nous pouvons nous interesser
Pp `a la
contribution des p premi`eres observations, cest-`a-dire `a la somme i=1 i .
Nous voyons parfaitement le caract`ere exponentiel de la methode RiskMetrics. Ainsi, pour = 0,94 (valeur retenue par RiskMetrics), 50% des poids
concernent les 12 premi`eres observations10 . Et ceci est independant de la
taille de lechantillon, contrairement aux poids constants.

2.4.

Les produits exotiques

La gestion du risque des produits exotiques est beaucoup plus complexe que celle des produits lineaires (Rebonato, 2001 ; Derman, 2001).
Considerons le cas simple dun portefeuille contenant une action S (t)
et une option dachat C (t) sur cette action. La valeur du portefeuille
` linstant t + 1, nous avons
`a linstant t est P (t) = S (t) + C (t). A
P (t + 1) = S (t + 1) + C (t + 1). Nous en deduisons la valeur du PnL :
PnL

= P (t + 1) P (t)
= (S (t + 1) S (t)) + (C (t + 1) C (t))

Nous sommes tentes de decomposer ce PnL de la facon suivante :


PnL = (1 + rS ) S (t) + (1 + rC ) C (t)
avec rS et rC les rendements journaliers de laction et de loption dachat
et didentifier deux facteurs de risque. Ceci est inexact puisque loption
dachat est une fonction du sous-jacent C (t) = f (S (t)). Il ny a donc
quun seul facteur de risque. De plus, comme la fonction f est non lineaire,
il nest pas facile dutiliser une VaR analytique.
10 Et

75% et 95% des poids correspondent aux 23 et 49 premi`


eres observations.

70

Capital reglementaire et ratio international de solvabilite


Graphique 12. Poids dune moyenne mobile exponentielle

2.4.1.

Lidentification des facteurs de risque

Les facteurs de risque sont souvent explicites pour les produits lineaires,
ce qui nest pas le cas pour les produits exotiques. Considerons une option
europeenne dachat dune action de maturite T et de prix dexercice ou
strike K. Dans le mod`ele de Black et Scholes, leprix de loption
est
egal

S
`a C = S (d1 ) KerT (d2 ) avec d1 = 1 T ln K
+ rT + 12 T et

d2 = d1 T . Etant
donne une valeur de volatilite , la formule de
Black et Scholes permet de donner un prix `a loption puisque tous les
autres param`etres sont objectifs. Dans la pratique, elle est utilisee pour
calculer la volatilite etant donne le prix de loption. On observe alors que
la volatilite nest pas constante en fonction du strike, cest le phenom`ene
de volatility smile ou volatility skew. De plus, meme pour un strike donne,
la volatilite nest pas constante en fonction de la maturite T . On obtient
donc une nappe de volatilite (T, K). Ces volatilites calculees (`a partir
des options standards ou produits vanilles) sont designees sous le terme
de volatilites implicites. Elles vont servir `a calculer les prix de produits
exotiques. Nous venons didentifier un second facteur de risque.
Plus generalement, les produits exotiques sont evalues avec un mod`ele
et un certain nombre dinputs. Lanalyse du pricer (produit + mod`ele +
inputs) permet de definir les facteurs de risque. Par exemple, pour les produits equity, ce sont principalement les nappes de volatilite et les prix des
sous-jacents. Il serait cependant simpliste dassimiler les facteurs de risque

Le risque de marche

71

a` des param`etres du mod`ele. Par exemple, les facteurs de risque peuvent


affecter indirectement les param`etres du mod`ele. Cest par exemple le cas
des mod`eles dont les param`etres sont calibres. Dans ce cas, les facteurs
de risque sont le plus souvent le set de calibration et non les param`etres
calibres.
2.4.2.

Les differentes methodes pour calculer la VaR

Nous rappelons que PnL = a (X1 (t + 1) , . . . , XK (t + 1)) P (t). La


methode la plus utilisee pour calculer la valeur en risque des produits exotiques est de tr`es loin la VaR historique. Outre limplementation classique,
on peut aussi calculer la VaR historique en utilisant une approximation
du PnL, par exemple en considerant les sensibilites aux facteurs de risque.
Le calcul de la VaR par les sensibilites est la methode dite degradee par
opposition `a la methode dite full pricing. Prenons un exemple pour bien
comprendre les differences.
Considerons lactif A de lexemple 2. Soit une option dachat europeenne
sur cet actif de maturite 1 an et de strike egal `a 250. La volatilite implicite
actuelle est de 23%. La valeur du portefeuille est P (t) = S S (t) + C C (t)
avec S = 1 et C = 10. Nous supposons pour linstant un seul facteur
de risque, le rendement de lactif. Nous notons C (t) = f (S (t)). Nous
avons :
PnL = S rS S (t) + C (f ((1 + rS ) S (t)) C (t))
Pour calculer la valeur en risque historique, il suffit de calculer les 250
valeurs de PnL en utilisant les valeurs historiques de rS . Notons que,
pour etre parfaitement exacte, la valorisation de C (t + 1) doit utiliser une
maturite egale `a un an moins un jour. Nous obtenons une valeur en risque
egale `a 55,78 euros. Nous representons sur le graphique 13 lhistogramme
des 250 PnLs calcules le graphe de PnL1 = rS S (t) contre PnL2 =
f ((1 + rS ) S (t)) C (t) illustre bien le fait quil ny a pas deux facteurs
` titre de comparaison, nous pouvons calculer
de risque, mais un seul. A
la VaR Monte Carlo en considerant que le facteur est gaussien. Nous
obtenons une VaR egale `a 49,27 euros. Pour la methode degradee, nous
avons :
PnL =
'

S (S (t + 1) S (t)) + C (C (t + 1) C (t))
S rS S (t) + C rS S (t)

avec = S C le delta de loption. Cette methode est particuli`erement


interessante lorsque le pricing est tr`es long. Nous navons plus `a valoriser
251 fois le produit exotique, mais une seule fois. Pour la methode degradee,
nous obtenons une VaR egale `a 60,89 euros.
Remarque 17. La methode degradee peut etre combinee `
a la methode
full pricing. Pour cela, on calcule les PnLs avec la methode degradee et on
identifie les pires cas. On applique alors la methode full pricing seulement
`
a ces pires cas.

72

Capital reglementaire et ratio international de solvabilite

Graphique 13. Distribution du PnL lorsque le facteur de risque est le


rendement de lactif

Remarque 18. On appelle portefeuille delta neutre le portefeuille insensible aux variations du 1er ordre du sous-jacent, cest-`
a-dire S rS S (t) +
C rS S (t) = 0 ou encore :
S = C
Nous considerons maintenant quil y a deux facteurs de risque : le rendement du sous-jacent et la volatilite. Nous avons C (t) = f (S (t) , (t))
do`
u:
PnL = S rS S (t) + C (f ((1 + rS ) S (t) , (t + 1)) C (t))
Pour choquer la volatilite, nous pouvons considerer que (t + 1) = (1 + r )
(t). Nous obtenons pour la valeur en risque historique un montant de
57,02 euros. Avec la prise en compte de ce second facteur, la VaR augmente de 1,24 euro soit 2,2%.
Remarque 19. La mise en place dune VaR degradee nest pas plus difficile que precedemment, il suffit de prendre en compte le risque de vega
en plus du risque de delta.
2.4.3.

Le backtesting

Lorsquon utilise un mod`ele pour calculer des prix, on parle de valorisation mark-to-model, alors que la valorisation est dite mark-to-market lors-

Le risque de marche

73

Graphique 14. Comparaison des PnLs simules historiquement

quon utilise des prix de marche. Pour les portefeuilles lineaires, les PnLs
simules pour calculer la valeur en risque correspondent `a la difference entre
la valeur mark-to-model du portefeuille en t+1 et la valeur mark-to-market
du portefeuille en t :
PnLsimule =

P (t + 1)

P (t)
z
}|
{ z
}|
{
mark-to-model mark-to-market
En t + 1, le PnL effectivement realise est la difference entre deux markto-market :
PnLconstate =

P (t + 1)

P (t)
z
}|
{ z
}|
{
mark-to-market mark-to-market
Pour certains produits exotiques, on na pas forcement de prix de marche.
On peut donc avoir des portefeuilles qui sont valorises en mark-to-model
et non en mark-to-market. Cela implique que les PnLs simules pour la
VaR sont calcules comme la difference de deux mark-to-model :

P (t)
P (t + 1)
}|
{ z
}|
{
z
mark-to-model mark-to-model
tout comme le PnL effectivement realise
PnLsimule =

PnLconstate =

P (t + 1)

P (t)
z
}|
{ z
}|
{
mark-to-model mark-to-model

74

Capital reglementaire et ratio international de solvabilite

Nous voyons donc limportance du pricing en termes de gestion des risques.


Si la valorisation est mauvaise, les VaRs produites par le risk management
et les resultats annonces par la salle de marche nont aucun sens. Cest
pourquoi les autorites de supervision (et les commissaires au compte)
attachent une tr`es grande importance `a la gestion du risque de mod`ele
des produits exotiques.
2.4.4.

La gestion du risque de mod`ele des produits exotiques

Ce paragraphe sinspire tr`es largement des travaux de Rebonato (2001),


Derman (2001) et surtout de Kurtz et Riboulet11 . Ces derniers proposent
la definition suivante :
Le risque de mod`ele est lensemble des risques auxquels sexpose une institution financi`ere dont le risk management repose
sur des mod`eles mathematiques .
Le risque de mod`ele est generalement divise en trois types :
1. Le risque operationnel
Cest lensemble des risques provenant derreurs dans le developpement des outils de valorisation. Ces erreurs peuvent etre des erreurs
dimplementation, des erreurs dans les formules fermees, des erreurs
dans lutilisation de methodes numeriques, etc.
2. Le risque de param`etre
Les mod`eles sont alimentes par des param`etres qui peuvent etre
plus ou moins difficiles `a estimer. Une mauvaise estimation dun
param`etre peut conduire `a une mauvaise valorisation (mispricing)
alors meme que le mod`ele est juste. Parfois, certains param`etres ne
peuvent etre estimes, et on utilise des valeurs `a dire dexpert, ce qui
peut conduire aussi `a une mauvaise valorisation. Letude du risque
de param`etre consiste donc `a souligner limpact sur le prix (ou les
ratios de couverture) dune variation de chacun des param`etres du
mod`ele.
3. Le risque de specification
Le risque de specification est le risque auquel sexpose lutilisateur
dun mod`ele mal specifie en ce sens quil ne modelise quimparfaitement la realite. Un mod`ele peut etre errone pour plusieurs raisons :
mauvaise specification des facteurs de risque, dynamique des facteurs de risque improprement specifiee, relation entre les facteurs de
risque incorrectement decrite, etc.
On voit donc limportance du risque de mod`ele dans un calcul de valeur
en risque pour les produits exotiques. Il faut aussi noter lexistence dun
risque parfois sous-estime : le risque de gestion. Les marges commerciales
sur les produits exotiques correspondent generalement `a la difference entre

<

>

11 D. Kurtz et G. Riboulet,
Laudit des pricers : une
etude du risque de mod`
ele ,
Document interne, Cr
edit Lyonnais, 2002.

Le risque de marche

75

le prix de transaction et le prix mark-to-model. Pour figer ces marges commerciales, il convient donc de gerer le produit, cest-`a-dire de mettre en
place une couverture. Le risque de gestion est justement le risque dune
mauvaise couverture. Idealement, le risque de mod`ele ne doit pas seulement sinteresser au produit exotique, mais bien `a lensemble produit et
portefeuille de couverture.
Remarque 20. Les scenarios de stress ont une grande importance dans
la gestion des produits exotiques et compl`etent les gestions en VaR et en
sensibilites. Ils sont par exemple utilises pour mesurer le risque lie `
a un
param`etre de mod`ele qui nest pas observable (ou qui ne peut etre calibre `
a
partir de donnees de marche). Ils peuvent aussi servir `
a definir des limites
de trading.
Remarque 21. Il y a un debat sur le risque de mod`ele que certains assimilent `
a un risque operationnel. Nous pensons que cest une erreur, et
que le risque de mod`ele est un risque de marche, car une mauvaise valorisation (par un mod`ele ou par le marche) est intrins`equement un risque
de marche. Lorsque le choix dun mod`ele mathematique nest pas evident,
cest souvent parce que le produit est difficile `
a valoriser et donc que le
risque commercial est important. Cest pourquoi les marges commerciales
sont generalement plus importantes que pour dautres produits et int`egrent
implicitement ce risque supplementaire de valorisation.

3.

Les programmes de stress-testing12

Comme le demandent les autorites reglementaires, les etablissements


financiers doivent effectuer reguli`erement des simulations de crise (ou
scenarios de stress) afin de connatre le montant des pertes exceptionnelles en cas de fluctuations dangereuses et importantes du marche. Il
faut tout de suite preciser que ces simulations de crises ne sont en aucun
cas utilisees pour calculer lexigence de fonds propres, mais doivent permettre didentifier les zones du portefeuille les plus sensibles aux crises.
Le but de ces simulations est donc de completer le dispositif de gestion et
de mesure du risque de marche13 .
Remarque 22. Lutilisation de simulations de crise est lun des quatre
principes de base definis par la Commission Bancaire pour quun mod`ele
interne soit valide.
12 La

premi`
ere partie de cette section sinspire des travaux r
ealis
es par Arnaud Costinot lors de son stage au Groupe de Recherche Op
erationnelle du Cr
edit Lyonnais.
A. Costinot, La construction dun programme de simulation de crise, Rapport de stage,
Groupe de Recherche Op
erationnelle, Cr
edit Lyonnais, 2000.
13 Une
etude men
ee par Tucker et Lawrence sur le risk management aupr`
es de 679
institutions de 25 pays montre que 93% des risk managers consid`
erent quune mesure
VaR est insuffisante comme mesure de risque.
T. Tucker et A. Lawrence, Chain Reaction , FOW, November 1998, p. 25-28.

<

>

Le risque de marche

85

Graphique 19. Densite du maximum du rendement du CAC 40 pour


differents horizons

etait peut-etre interessante parce quelle se pretait assez facilement `a un


calcul analytique par exemple. En finance, les professionnels ont lhabitude de considerer des solutions simples et robustes `a des probl`emes relativement complexes. Par exemple, cela fait tr`es longtemps que lon sait
que le mod`ele de Black et Scholes repose sur une hypoth`ese fausse sur la
volatilite : cette volatilite na quasiment aucun lien avec la volatilite historique et elle nest pas constante puisque nous observons les phenom`enes
de volatility smile. Pourtant, pour certains marches, les traders continuent
dutiliser le mod`ele BS en jouant sur le param`etre de volatilite. Nous pouvons donc tr`es bien garder notre hypoth`ese de distribution et jouer sur les
param`etres afin que le mod`ele avec des valeurs corrigees de param`etres
fonctionne.

Reprenons lhypoth`ese H1. Soit la serie historique des rendements journaliers {rj , j = 1, . . . , T }. Les estimateurs
=
classiques de et sont
qP
.
PT
T
2
)
T . En fait, ces estimateurs sont
T et
=
j=1 (rj
j=1 rj
` partir de la serie historique prececeux du maximum de vraisemblance. A
dente, nous pouvons creer la serie historique {rj , j = 1, . . . , T / n} des
maxima rn:n (t). La log-vraisemblance individuelle du j-i`eme maximum

86

Capital reglementaire et ratio international de solvabilite

est egale `a :
` (rj ; , )

= ln fn:n (rj )
= ln n + (n 1) ln F (rj ) + ln f (rj )

rj
1
= ln n + (n 1) ln
ln 2 ln

2
1 rj
2

Si la distribution est vraiment gaussienne, alors les deux estimations donnent sensiblement les memes resultats. De meme, nous pourrions considerer
toute autre statistique dordre. Soit la serie historique {rj , j = 1, . . . , T / n}
de la i-i`eme statistique dordre rn:n (t). Nous avons :
` (rj ; , ) = ln fi:n (rj )
= ln n! ln (i 1)! ln (n i)! +

rj
rj
(i 1) ln
+ (n i) ln

"
#

2
1
1 1 rj
ln (2) + ln 2 +
2
2
2

En reprenant les donnees de lindice CAC 40, nous estimons les param`etres
et pour differentes valeurs de i (ordre de la statistique) et de n (horizon). Les valeurs sont donnees dans les tableaux 8 et 9. Pour i et n egal
`a 1, nous obtenons les estimations classiques du maximum de vraisemblance. Nous remarquons que les valeurs prises par sont generalement
plus elevees pour les statistiques dordre extreme que pour les statistiques
dordre median.
Tableau 8. Estimation ML de (en pb) `
a partir des statistiques
dordre (distribution gaussienne)
n/i
1
2
3
4
5
6
7
8
9
10

1
8
21
37
60
78
97
121
116
154
153

10

11
5
6
10
17
26
60
35
82

33
4
6
5
3
11
13
19

58
0
4
5
4
8
6

80
4
3
3
4
5

104
5
2
2
4

132
18
4
3

145
25
6

166
47

185

Ce phenom`ene sexplique par la sous-estimation des extremes par la


distribution gaussienne. Considerons maintenant une hypoth`ese proche

Le risque de marche

87

Tableau 9. Estimation ML de (en pb) `


a partir des statistiques
dordre (distribution gaussienne)
n/i
1
2
3
4
5
6
7
8
9
10

1
154
149
162
178
188
198
212
204
231
224

10

161
116
112
125
132
141
182
145
196

180
115
112
110
112
122
121
131

198
122
111
108
104
114
115

212
128
113
108
106
110

228
131
117
111
108

243
146
124
109

248
151
130

260
175

269

de H2 : (r (t) )/ t . Nous obtenons les resultats des tableaux


10 et 11. Pour la distribution t6 , nous obtenons des valeurs relativement
stables. Dans le cas de la distribution t1 , nous observons le phenom`ene
oppose `a celui de la distribution gaussienne : les valeurs prises par
sont moins elevees pour les statistiques dordre extreme que pour les
statistiques dordre median. La distribution t1 a donc tendance `a surestimer les extremes. Le graphique 20 presente la synth`ese des estimations
de la volatilite annuelle (en prenant 250 jours de trading).
Tableau 10. Estimation ML de (en pb) `
a partir des statistiques
dordre (distribution t6 )
n/i
1
2
3
4
5
6
7
8
9
10

1
102
102
101
105
102
103
107
102
104
100

10

105
103
100
102
103
108
111
110
117

106
103
102
100
100
107
106
112

109
105
102
099
095
104
104

108
107
103
099
099
102

111
109
104
102
100

111
111
110
099

111
115
111

109
111

107

Boudoukh et al. (1995) definissent lanalyse worst-case scenario (ou


WCS) de la facon suivante16 :
16 J. Boudoukh, M. Richardson et R. Whitelaw,
tember 1995, p. 100-101.

< Expect the Worst >, Risk, 8, Sep-

88

Capital reglementaire et ratio international de solvabilite

Tableau 11. Estimation ML de (en pb) `


a partir des statistiques
dordre (distribution t1 )
n/i
1
2
3
4
5
6
7
8
9
10

1
64
63
56
53
46
43
42
36
32
28

10

65
70
68
63
59
59
54
52
50

60
70
72
70
66
69
65
63

56
66
71
70
67
72
69

52
66
70
71
72
74

48
62
68
70
71

44
58
68
65

40
58
63

36
49

32

WCS asks the following question : what is the worst that


can happen to the value of the firms trading portfolio over a
given period (eg, 20 trading days) ?
Comme lexpliquent Bahar et al. (1997), lutilisation de lanalyse WCS
est motivee par les preoccupations reelles des risk managers17 :
[...] VaR has been criticised at a more fundamental level
that it asks the wrong question [...] VaR requires a probability
that loss shocks, over a short horizon, will not exceed a certain
figure. This is often interpreted as expressing the number of
times a loss shock in excess of the subjective threshold would
occur over a long time horizon. But managers are more likely
be concerned with the probability of realising a specific loss
shock, rather than the probability of landing in a region of
large loss shocks.
Lanalyse WCS consiste `a diviser une periode de reference T en N sousintervalles de meme longueur. Soit Xn la variable aleatoire decrivant
la position nette du portefeuille pour le n-i`eme sous-intervalle. Dans ce
contexte, nous pouvons definir la mesure de risque `a partir du nombre de
sous-intervalles qui presentent une perte superieure `a une valeur donnee
x :
XN
1 {Xn x }
n=1
=1
N
avec le seuil de confiance. Presente de cette facon, x nest rien dautre
que la mesure VaR. En revanche, lanalyse WCS consid`ere la distribution de la perte maximale (ou la fonction de distribution du pire)
parmi les sous-intervalles. Presentee de cette facon, lanalyse WCS est
donc un sous-produit de lanalyse des statistiques dordre.
17 R. Bahar, M. Gold, T. Kitto et C. Polizu,
10, August 1997, p. 100-103.

< Making the Best of the Worst >, Risk,

Le risque de marche

89

Graphique 20. Estimation de


250 `
a partir des statistiques dordre ri:10 (t)

3.5.3.

La theorie asymptotique

La theorie asymptotique des valeurs extremes consiste `a etudier le comportement des statistiques dordre extreme lorsque la taille de lechantillon
tend vers linfini. Nous verrons que ce comportement est original et que
la distribution de ces statistiques dordre converge vers une distribution
relativement simple. Nous montrerons ensuite comment estimer cette distribution asymptotique et comme lutiliser pour construire des scenarios
de crise.
Le theor`eme de Fisher-Tippet
Ce theor`eme permet de caracteriser la loi de distribution asymptotique
des valeurs extremes18 .
Th
eor`
eme 1. Soient n variables aleatoires X1 , . . . , Xn independantes et
de meme loi de distribution F. Sil existe des constantes an et bn et une
distribution limite non degeneree G telles que :

lim Pr

Xn:n bn
x
an

= G (x)

x R

(1.1)

18 P. Embrechts, C. Kl
uppelberg et T. Mikosch, Modelling Extremal Events for Insurance and Finance, Springer, 1997.

146

avec :

Capital reglementaire et ratio international de solvabilite

2
EC2 pC (1 pC ) (pC $C [X])

c =
2
E ?2 p? (1 p? ) (p? $? [X])

Nous retrouvons lexpression de n? du Comite de Bale (445 du CP2/IRB).


Il existe neanmoins une difference fondamentale entre lanalyse de Gordy
(2003) et la formulation proposee par le Comite de Bale concernant c .
Dans le document CP2/IRB, la calibration de n? ne se fait pas uniquement `a partir du risque de defaut idiosyncratique, mais utilise aussi le
risque de recouvrement idiosyncratique. Dans ce cas, nous avons :

2
EC2 pC (1 pC ) (pC $C [X]) + pC 2 [LGDC ]

c =
2
E ?2 p? (1 p? ) (p? $? [X]) + p? 2 [LGD? ]
En reprenant les hypoth`eses du Comite de Bale, nous avons :

2
[X]
2
(pi $i [X]) =
Fi
( (X; ) 1)
et :

1p
Ei (1 Ei )
2
Puisque X (0,25; 4), (X; 99,5%) et [X] prennent les valeurs respectives 12,007243 et 2, et nous obtenons :
[LGDi ] =

(pi $i [X]) = 0,033014360 Fi2


Lexpression de c est bien celle du Comite de Bale :

EC2 pC (1 pC ) 0,033 FC2 + 0,25 pC EC (1 EC )

c = ?2 ?
E
p (1 p? ) 0,033 F ?2 + 0,25 p? E ? (1 E ? )
P
avec FC = PC pC et F ? = C sC FC .
3.3.4.

Bien comprendre la notion de granularite

Nous revenons sur la granularite qui est une notion souvent mal comprise. Lexemple le plus frappant est le nombre de personnes qui pensent `a
tort que le mod`ele Bale II utilise un taux de recouvrement non aleatoire.
Considerons tout dabord un portefeuille compose dune seule creance.
Lexpression de la perte etant L = EAD LGD 1 { < T }, la valeur en
risque de ce portefeuille (ou de cette creance) au seuil de confiance est
alors :

1
si 1 PD
EAD G1 +PD
PD
VaR =
0
sinon
o`
u G est la fonction de distribution de LGD. Nous notons RC la contribution en risque de la creance dans un portefeuille infiniment granulaire.

Le risque de credit

147

Nous fixons lexposition au defaut egale `a 1. Le graphique 5 presente la


valeur en risque VaR de la creance pour differentes valeurs de PD et la
contribution en risque RC. Nous remarquons tout dabord que la valeur
en risque depend de la distribution de LGD, et non pas uniquement de son
esperance mathematique. Nous observons ensuite que la VaR est inferieure
`a RC, lorsque PD est tr`es faible (PD 1). Cela veut dire que la somme
des contributions en risque dun portefeuille infiniment granulaire nest
pas systematiquement un minorant de la valeur en risque du portefeuille
non granulaire equivalent. Cest effectivement un minorant lorsque les effets de diversification jouent pleinement. Pour des petits portefeuilles tr`es
bien notes (de type sovereign par exemple), la valeur en risque est parfois
plus petite que la somme des RC. On constate enfin que RC est egale `a
VaR pour le cas limite = 1. Cest parfaitement normal, puisque dans
` titre dillustration, nous
ce cas, il ny a plus deffet de diversification. A
representons sur le graphique 6 la distribution de perte dun portefeuille
infiniment granulaire17 . Une correlation nulle des actifs implique un effet
de diversification maximum. Dans ce cas, la distribution de perte est egale
`a la distribution de perte conditionnelle qui ne depend plus du facteur X.
Nous avons donc :
L = EAD LGD PD
La valeur en risque du portefeuille est donc egale au co
ut du risque.
Lorsque est different de zero, la perte du portefeuille depend de la perte
conditionnelle et de la distribution du facteur (voir le graphique 6 pour le
mod`ele Bale II).
Remarque 38. Dans le cas dun mod`ele B
ale II `
a plusieurs facteurs, il
nest pas possible dobtenir une formule fermee pour calculer la valeur en
risque dun portefeuille infiniment granulaire. Nous pouvons alors calculer celle-ci par une methode de Monte Carlo. La solution la plus directe
consiste `
a simuler les temps de defaut et `
a calculer ensuite la distribution de perte. Nous pouvons aussi utiliser un Monte Carlo plus rapide et
qui converge plus rapidement. Dans ce cas, il suffit de simuler seulement
les facteurs et de calculer la distribution de perte en integrant lesperance
conditionnelle par rapport aux facteurs.
Le graphique 7 presente les distributions de perte normalisee (par le
nombre de creances N ) dun portefeuille homog`ene18 . Nous remarquons
que la distribution dans le cas non granulaire tend vers celle du cas granulaire lorsque la granularite augmente. Dans cet exemple, nous assimilons
le degre de granularite au nombre de creances parce quelles ont toutes
la meme exposition. Nous pouvons aussi nous demander comment caracteriser la granularite dans le cas general. En fait, il ny a pas de reponse
generale. On ne peut pas considerer quun portefeuille est infiniment gra17 Cest un portefeuille homog`
ene compos
e de 50 cr
eances dont les caract
eristiques
sont les suivantes : EAD = 1, [LGD] = 50% et PD = 10%.
18 Les param`
etres sont ceux de la note de bas de page pr
ec
edente.

148

Capital reglementaire et ratio international de solvabilite

Graphique 5. Comparaison entre la valeur en risque dune creance et


la contribution en risque dans un portefeuille granulaire

Graphique 6. Distribution de perte dun portefeuille infiniment granulaire

Le risque de credit

149

nulaire lorsque lexposition maximale est inferieure `a x %. Tout depend


des caracteristiques du portefeuille, et la convergence vers le cas granulaire depend de beaucoup de param`etres. Par exemple, la convergence
augmente avec la correlation de defaut et la probabilite de defaut dans le
cas dun portefeuille homog`ene. En revanche, cette convergence nest pas
` titre dillustration,
uniforme et diff`ere selon les niveaux de confiance. A
nous reportons la difference relative en % entre les contributions en risque
non granulaire et granulaire19 dans la tableau 12.
Graphique 7. Comparaison des distributions de perte normalisee

4.

Lapproche IRB du Nouvel Accord de


B
ale

Lapproche IRB de la version definitive du Nouvel Accord presente de


nombreuses differences par rapport `a celle du deuxi`eme document consultatif. Cette evolution sest revelee necessaire afin de trouver un compromis
plus large avec lindustrie et surtout afin quelle soit beaucoup mieux calibree.
19 Le

cas non granulaire est calcul


e avec 50 000 simulations.

150

Capital reglementaire et ratio international de solvabilite

Tableau 12. Difference relative en % entre les contributions en risque


non granulaire et granulaire

PD = 10%, = 20%

PD = 10%, = 10%

PD = 1%, = 20%

4.1.

LGD
\N
90%
99%
99,9%
90%
99%
99,9%
90%
99%
99,9%

50
2,7
6,7
6,5
12
13
12
60
33
9,9

50%
100 500
2,7
0,9
1,6
0,1
2,8
0,2
6,8
1,2
6,2
1,2
6,9
1,0
20
4,0
20
1,0
9,9
0,3

50
8,5
10
11
14
20
21
45
35
25

uniforme
100
500
4,5
1,4
4,3 0,1
3,8
0,2
7,4
1,9
9,5
1,5
9,6
1,3
24
5,6
19
2,4
15 0,7

Les enseignements des QIS

Pour calibrer les methodes de calcul, le Comite de Bale fait des analyses
dimpact quantitatif (Quantitative Impact Study ou QIS) avec laide de
lindustrie bancaire20 . Un QIS se presente sous la forme dun classeur
Excel que la banque remplit. Par exemple, on peut demander `a la banque
de calculer ses actifs ponderes du risque avec la methode actuelle (celle du
ratio Cooke), avec la methode SA du ratio McDonough et avec la methode
IRB. La reponse aux QIS se fait sur la base du volontariat et les donnees
sont traitees confidentiellement par le Comite de Bale. De plus, la banque
nest pas obligee de repondre `a toutes les questions. Par exemple, une
banque peu avancee sur le risque de credit peut neanmoins repondre aux
QIS en remplissant uniquement la partie consacree `a la methode standard.
Le premier QIS date de lannee 2000. Cest un QIS tr`es partiel qui a
aide le Comite de Bale `a calibrer le deuxi`eme document consultatif ou
CP2. En avril 2001, le Comite de Bale lance QIS 2. Les resultats sont publies le 5 novembre 2001. 138 banques de 25 pays differents ont repondu
`a QIS 2. Parmi celles-ci, 127 banques ont fourni des calculs complets
pour lapproche SA et 55 dentre elles ont calcule les actifs ponderes du
risque avec lapproche IRB simple. Pour lapproche IRB avancee, seules 22
banques ont mene les calculs de facon compl`ete. Le tableau 13 presente les
resultats concernant les variations de charge en capital au titre du risque
de credit par rapport `a la methode Cooke. Le Comite de Bale distingue
deux groupes : le groupe 1 est constitue de grandes banques internatio20 Basel Committee on Banking Supervision, Results of the Second Quantitative Impact Study, November 2001.
Basel Committee on Banking Supervision, Results of Quantitative Impact Study 2.5,
June 2002.
Basel Committee on Banking Supervision, Quantitative Impact Study 3 Overview of
Global Results, May 2003.

182

3.5.

Capital reglementaire et ratio international de solvabilite

Analyse de sc
enarios

Le concept danalyse de scenarios merite une petite clarification. Lorsque


lon parle de scenario analysis, on desire exprimer lidee selon laquelle les
experts dune banque ou bien les gestionnaires experimentes ont certaines
intuitions ou des informations sur le risque qui ne sont pas contenues
dans lhistorique de donnees. On peut prendre en compte ces intuitions
en construisant des scenarios. Plus precisement, un scenario consiste en
une prevision du montant de perte et de sa probabilite. Par exemple, un
expert peut estimer que la banque doit sattendre `a une perte dun million
deuros ou plus une fois tous les cinq ans. Lenjeu est alors de determiner
la facon dont on peut extraire de ces scenarios une information utile.
Cest assez simple si lon se rend compte que les scenarios peuvent etre
traduits en termes de restrictions sur les param`etres de la frequence et
de la severite. Une fois ces restrictions definies, on est amene `a resoudre
un programme de maximisation dun certain crit`ere sous contraintes. On
peut voir le resultat comme un melange entre une estimation basee sur
les donnees et une estimation provenant de scenarios.
Remarque 43. Pour determiner le programme de maximisation, on a
besoin dun resultat theorique. On suppose que le nombre de pertes suit
une loi de Poisson de param`etre . On note Ti la date `
a laquelle apparat
la ieme perte. Cela signifie que les durees ei = Ti Ti1 entre deux pertes
consecutives sont independantes et distribuees selon une loi exponentielle
de param`etre . On suppose que les pertes i sont i.i.d. de fonction de
repartition F. On note `
a present dj la duree entre deux pertes superieures
`
a x. Il est evident que les durees sont i.i.d. Il suffit donc de trouver la
distribution de probabilite de d1 . En utilisant le fait quune somme finie
de temps exponentiels suit une loi de distribution dErlang, on a :
X

Pr {d1 > t} =
Pr Ti > t; 1 < x, . . . , i1 < x; i x
i1

i1

Pr {Ti > t} F (x)

(1 F (x))

i1

(1 F (x)) F (x)

i1

i1

= (1 F (x))

= et
=e

k!

et

k=0

k X

(t)
k!

et

k=0

k
X
(t)

i1
X

(t)
k!

F (x)

i=k

F (x)

k=0
(1F(x))t

On en deduit que d1 suit une loi exponentielle de param`etre (1 F (x)).


Le duree moyenne entre deux pertes superieures `
a x est donc la moyenne
1
de d1 ou (1F(x))
.

Le risque operationnel

183

On consid`ere maintenant un scenario defini de la facon suivante :


une perte superieure ou egale `a x arrive toutes les d annees .
On suppose de plus que la frequence est une distribution de Poisson (de
param`etre ) et que la severite est une distribution lognormale (de param`etres et ). En utilisant le resultat theorique precedent, represente
le nombre annuel moyen de pertes, (1 F (x; , )) est le nombre
1
moyen de pertes superieures `a x et enfin, (1F(x;,))
est la duree
moyenne entre deux pertes superieures `a x. Il en resulte que, pour un
scenario donne (x, d), les param`etres doivent satisfaire la contrainte suivante :
1
d=
(1 F (x; , ))
Il est evident que trois scenarios suffisent pour estimer les trois param`etres
, et . On peut alors estimer les param`etres en utilisant un crit`ere
quadratique :

X

w j dj
,
,
= arg min
j=1

1
(1 F (xj ; , ))

Considerons lexemple suivant :


x (en millions deuros)
d (en annees)

2,5
1

1
4

5
3

7,5
6

10
10

20
40

= 654,
En utilisant une ponderation optimale, nous obtenons
= 8,60 et

= 2,08. On peut comparer directement ces estimations avec celles provenant des donnees. De plus, on peut calibrer les param`etres en maximisant
un crit`ere obtenu comme une combinaison du maximum de vraisemblance
et des restrictions precedentes :
max (1 $) `n (, ) $
(,)

p
X

wj

j=1

1
dj
(1 F (xj ; , ))

o`
u $ est le poids que lon veut donner aux dires dexperts.
Remarque 44. Nous pouvons montrer que les poids optimaux wj correspondent `
a linverse de la variance de dj . Nous avons donc :
wj =

1
2
= 2 (1 F (xj ; , ))
var (dj )

Pour resoudre
le programme
quadratique, nous procedons par iterations.

Notons iter ,
iter ,
iter la solution du programme doptimisation :

X
iter ,

iter ,
iter = arg min
wj dj
j=1

1
(1 F (xj ; , ))

184

Capital reglementaire et ratio international de solvabilite

2
iter1 1 F xj ;

iter1 ,
iter1
. Sous certaines condi

iter ,
tions, les estimations
iter ,
iter convergent vers la solution. Notons que nous pouvons simplifier le programme doptimisation en remarquant que wj = 1/ var (dj ) = 1/E2 [dj ] ' 1/d2j .
o`
u wj =

Conclusion
La gestion du risque operationnel est tr`es recente dans les banques et son
developpement est fortement lie `a la reforme du ratio international de solvabilite. Dans ce chapitre, nous avons principalement aborde le probl`eme
de la mesure des fonds propres (Pilier I). Il ne faut cependant pas oublier
que le principal enjeu du risque operationnel est la matrise du co
ut du
risque, qui est plus du domaine des unites commerciales.
La valeur en risque permet de calculer lexigence de fonds propres, qui
apparat dans le bilan de la banque. La perte recurrente ou le co
ut du
risque (qui correspond `a lexpected loss) affecte directement les resultats
annuels, donc le compte de resultat. Le co
ut du risque operationnel est
loin detre negligeable, et peut representer une proportion significative
du PNB pour certaines activites. La gestion du co
ut du risque cherche
`a identifier les zones les plus sensibles par le biais du suivi des pertes,
mais aussi par le biais des differentes cartographies. Cela permet davoir
une cotation du risque, pour benchmarker les differentes unites et gerer
le risque recurrent (cest-`a-dire le facturer ou le provisionner ou encore le
reduire).

224

Modelisation des risques multiples

Th
eor`
eme 8. La distribution de la copule Normale bivariee est :
!
Z u1 1
(u2 ) 1 (u)
p
C (u1 , u2 ; ) =

du
1 2
0
Preuve. Soient X = (X1 , X2 ) un vecteur aleatoire gaussien standard
dont la correlation est et X3 une variable gaussienne independante de
X1 et X2 . Nous avons :
(x1 , x2 ; ) =

Pr {X1 x1 , X2 x2 }
h n
oi
p
= E Pr X1 x1 , X1 + 1 2 X3 x2 | X1
!
Z x1
x2 x
=
p
(x) dx
1 2

Lexpression de la distribution de la copule Normale est donc :


!
Z 1 (u1 ) 1
(u2 ) x
p
C (u1 , u2 ; ) =

(x) dx
1 2

!
Z u1 1
(u2 ) 1 (u)
p
=
du

1 2
0
La copule Normale se rev`ele tr`es maniable pour les calculs (un peu
comme la distribution normale multivariee). Par exemple, nous pouvons
calculer explicitement le tau de Kendall = 2 arcsin et le rho de Spearman % = 6 arcsin 2 . La distribution conditionnelle C2|1 (u1 , u2 ) est :
C2|1 (u1 , u2 ) =
=

1 C (u1 , u2 )

!
1 (u2 ) 1 (u1 )
p

1 2

Nous pouvons utiliser ce resultat pour etendre les resultats classiques de


la regression quantile lineaire. Nous notons x2 = q (x1 ; ) la regression
quantile de X2 sur X1 : x2 = q (x1 ; ) Pr {X2 x2 | X1 = x1 } = .
Soient U1 = F1 (X1 ) et U2 = F2 (X2 ). Nous avons

1
Pr X2 F1
2 (u2 ) | X1 = F1 (u1 ) =
1
avec x1 = F1
egression quantile de X2 sur X1
1 (u1 ) et x2 = F2 (u2 ). La r
revient donc `a resoudre le probl`eme suivant Pr {U2 u2 | U1 = u1 } =
ou encore 1 C (u1 , u2 ) = . Si nous notons u2 = q? (u1 ; ) la solu?
tion de cette equation, nous avons x2 = F1
2 (q (F1 (x1 ) ; )) et donc
?
q (x; ) = F1
(q
(F
(x)
;
)).
La
r
e
gression
quantile
(et mediane) est
1
2
donc un probl`eme statistique de copules.

Les fonctions copules

225

Dans le cas de la distribution normale bivariee, nous savons que la


regression quantile de X2 sur X1 est :

p
2
2
x2 =
2 1 + 1 2 1 () + x1
1
1
= a () + bX1
La regression est donc lin
eaire (tout comme le probl`eme de la regression
esp
erance conditionnelle qui est traditionnellement appelee regression
lineaire). Dans le cas de la copule Normale, nous avons :

!
1 (u2 ) 1 (u1 )
p
Pr {U2 u2 | U1 = u1 } =
1 2
Lexpression
de la fonction quantile
u2 = q? (u1 ; ) est donc u2 =

p
1 (u1 ) + 1 2 1 () . Introduisons la transformee .
D
efinition 10. Nous definissons loperateur de la facon suivante :
[F]

RR
x 7 [F] (x) = 1 (F (x))

Nous notons aussi 1 loperateur inverse (gauche) (1 = 1), i.e.


1 [F] (x) = F1 ( (x)).
Nous avons vu que la regression quantile est lineaire dans le cas gaussien. Dans le cas de la copule Normale, cette regression reste lineaire dans
lespace de projection . Si nous supposons que seule la copule est Normale
(sans faire dhypoth`eses sur les marginales), nous pouvons utitliser lalgorithme de Portnoy-Koenker10 avec les variables aleatoires Yi = [Fi ] (Xi ).
Soient a
et b les estimateurs de la regression lineaire :

Y2 = a + bY1 + U
Pr {Y2 y2 | Y1 = y1 } =
La regression quantile de X2 sur X1 est alors

X2 = 1 [F2 ] a
+ b [F1 ] (X1 )
Concernant la dependance de queue, nous avons :

0 si < 1
U = L =
1 si = 1
La copule Normale ne permet donc pas de correler les valeurs extremes
(voir le graphique 23).

<

>

10 S. Portnoy et R. Koenker,
The Gaussian Hare and the Laplacean Tortoise :
Computability of `1 vs `2 regression estimators , Statistical Science, 12, 1997, p. 279300.

248

Modelisation des risques multiples

2. simuler une variable aleatoire x de distribution (1, ) ;

3. poser u1 = (1 + x1 /x)

et u2 = (1 + x2 /x)

Il existe plusieurs algorithmes pour simuler les copules Archimediennes.


Genest et MacKay (1986) proposent celui-ci :
1. simuler deux variables aleatoires uniformes v1 et v2 ;
2. prendre u1 = v1 ;

3. prendre u2 = 1 01 0 vv12
(v1 ) .
Remarque 59. On peut montrer que cet algorithme est celui des distributions conditionnelles.

6.4.

La m
ethode des quantiles empiriques

Le probl`eme de cette section nest plus la simulation du vecteur U dont


la distribution est une copule C, mais concerne la simulation du vecteur
X dont la copule est C et les marges non necessairement uniformes. Dans
les paragraphes precedents, X etait simule `a partir de la transformation
suivante :
1

F1 (U1 )

..
X=

.
F1
n (Un )
Cela implique de connatre les distributions analytiques F1 , . . . , Fn . Cela
nest pas toujours le cas (par exemple les distributions composees des
pertes dans le risque operationnel). Neanmoins, sil est possible de simuler les marges F1 , . . . , Fn , alors nous pouvons simuler la distribution
multidimensionnelle F grace `a la methode des quantiles empiriques. Soit
Fi,m le processus de distribution empirique (non normalise). Nous avons
le resultat suivant :
a.s.

sup |Fi,m (x) Fi (x)| 0 lorsque m 0


x

Soient Um et Fm les processus de distribution empirique correspondant


aux distributions C (u1 , . . . , un ) et F (x1 , . . . , xn ). En utilisant un argument de type Glivenko-Cantelli, nous avons :

1
a.s.
1
1
0
sup Up F1
1,m (u1 ) , . . . , Fn,m (un ) C F1 (u1 ) , . . . , Fn (un )
u1 ,...,un

` titre dillustration, le graphique 40 montre la converlorsque mp 0. A


gence de la methode des quantiles empiriques vers la methode des distributions. X1 et X2 sont deux variables aleatoires gaussiennes (copule Normale de param`etre 0,5). m est le nombre de simulations pour construire
les fonctions F1 (x1 ) et F2 (x2 ). Le graphique 42 presente 1 024 simulations dune distribution bivariee dont les marges sont N (0, 1) + (1, 2) et
N (0, 1) (1, 2) et la copule est Normale de param`etre 0,5.

Chapitre 5

ASPECTS
MULTIDIMENSIONNELS
DU RISQUE

Ce chapitre est un prologement direct du chapitre precedent. Il porte sur


lapplication des fonctions copules `a la gestion des risques multiples. Nous
poursuivons deux objectifs dans ce chapitre. Le premier est de construire
des mod`eles multidimensionnels en correlant les facteurs de risque `a laide
des copules. Le second objectif est de comprendre comment les mesures
de risque sont affectees par la dependance.
Dans une premi`ere section, nous nous interessons au probl`eme de lagregation des risques de marche. Nous introduisons alors la notion fondamentale de diversification en risque. La deuxi`eme section est consacree
`a la construction et `a levaluation des scenarios de crise multidimensionnels. Ensuite, nous abordons le probl`eme du risque de specification de la
dependance entre les facteurs de risque. La quatri`eme section porte sur
le risque operationnel et presente differentes methodes pour estimer la
charge en capital dune banque. Enfin, la derni`ere section est consacree `a
la modelisation du risque de credit.

1.

Agr
egation des risques de march
e

Revenons sur la problematique generale de la mesure des risques dans


le cas multidimensionnel. Lapproche copule permet de la considerer sous
trois angles :
1. La premi`ere source de risque concerne les facteurs pris de facon
individuelle. Il est evident que le choix de la modelisation de la

266

Modelisation des risques multiples

distribution dun facteur peut avoir une influence importante sur


la mesure de risque. De plus, meme si deux distributions ont ete
calibrees pour donner la meme mesure pour un seuil de confiance
donne, le passage `a un seuil de confiance plus eleve peut entraner des
differences importantes. Ceci est lie au comportement (asymptotique
et non asymptotique) des valeurs extremes. Par exemple, le tableau
1 illustre les differences induites par des distributions , t4 et t2 .
Nous reportons en particulier le facteur dechelle c (; ) entre les
quantiles de la distribution gaussienne et de la distribution t de
1
(0,99) 1
Student, que nous definissons par c (; ) = t1 (0,99)
t ().

Tableau 1. Influence de la distribution sur la mesure de risque

Rating

t
1
()
t1
4 ()
c (; 4)
t1
2 ()
c (; 2)

99%
100 jours
2,33
3,75
2,33
6,96
2,33

BBB
99,75%
400 jours
2,81
5,60
3,48
14,1
4,71

A
99,9%
4 annees
3,09
7,17
4,45
22,3
7,46

AA
99,95%
8 annees
3,29
8,61
5,35
31,6
10,6

AAA
99,97%
13 annees
3,43
9,83
6,10
40,8
13,6

2. La deuxi`eme source de risque porte sur la dependance des facteurs,


cest-`a-dire comment sont correles les risques unidimensionnels. Il est
difficile danalyser le risque multidimensionnel lorsque nous nutilisons pas une approche copule, car il nest pas evident de voir
quelle est la part des marginales et la part de la copule. Reprenons
lexemple 17. Nous avons L1 N (0, 1) et L2 t3 . Nous cherchons `a calculer la mesure agregee VaR (L1 + L2 ; ). Le graphique
1 represente VaR (L1 + L2 ; ) en fonction du param`etre des copules Normale et Student ( = 1). Nous constatons que la mesure
est plus grande pour cette derni`ere copule. Remarquez que la source
de risque due `a la copule peut encore etre decomposee en deux :
(a) La famille de copule est un choix important `a faire. Nous rappelons que le probl`eme de lagregation de la mesure de risque
est un probl`eme dagregation de quantiles extremement eleves
( > 99%). Une copule qui presente une dependance de queue
ne corr`ele pas ces quantiles de la meme facon quune copule qui
na pas de dependance de queue.
(b) La valeur du param`etre (qui peut etre multidimensionnel) de
la copule est aussi un autre choix important `a faire. En general,
ce choix est guide par une methode de calibration.
3. La troisi`eme source de risque concerne directement la composition
du portefeuille. Il est difficile de dire que tel choix de modelisation

Aspects multidimensionnels du risque

267

Graphique 1. Comparaison de la mesure VaR (L1 + L2 ; 99%) (copules


Normale et t1 )

conduit `a une mesure de risque elevee ou faible sans considerer la


nature du portefeuille.
Dans les paragraphes qui suivent, nous etudions comment la dependance
influence la mesure de risque.

1.1.

Leffet de diversification

Considerons deux variables aleatoires L1 et L2 representant les pertes


de deux marches. Soient F1 et F2 les distributions de L1 et L2 et C la
copule entre L1 et L2 .. Les valeurs en risque au seuil de confiance sont
1
alors VaR (L1 ; ) = F1
1 () et VaR (L2 ; ) = F2 (). Nous cherchons
`a agreger ces deux valeurs en risque, cest-`a-dire `a determiner la VaR de
L1 + L2 : VaR (L1 + L2 ; ) := inf {x : Pr {L1 + L2 x} }. Soit F1+2
la distribution de L1 + L2 . Nous avons :
ZZ
ZZ
F1+2 (x) =
dF1+2 (x1 , x2 ) =
dC (F1 (x1 ) , F2 (x2 ))
x1 +x2 x

x1 +x2 x

La valeur en risque VaR (L1 + L2 ; ) depend donc des distributions marginales, ainsi que de la copule C entre L1 et L2 .
Nous considerons le cas C = C+ . Nous supposons que F1 et F2 sont
continues. Dapr`es la definition de la comonotonie, nous avons L2 =

324

Le risque de credit

credit afin de bien comprendre les differents produits. La premi`ere section


concerne les creances bancaires qui representent la principale source du
risque de credit. Les obligations risquees sont etudiees dans la deuxi`eme
section, enfin nous presenterons les derives de credit et la titrisation
synthetique dans la troisi`eme section.

1.

Le march
e des cr
eances bancaires

Dans cette section, nous faisons un bref rappel du marche traditionnel


du credit. Nous distinguons generalement les creances bancaires selon deux
axes danalyse (contrepartie et produit). Laxe contrepartie sinteresse `a
la nature du client (entreprise, banque, petite client`ele, etc.). Les groupes
bancaires ont adopte cette approche client (banque de detail/banque de
financement et dinvestissement ou corporate and investment banking).
Pour la banque de detail, les principales creances sont les prets immobiliers, les credits personnels, les credits permanents (ou revolving) et les
decouverts en compte. En termes dencours en capitaux, les prets immobiliers representent la plus grande partie. Les credits personnels correspondent aux credits automobile et aux credits `a la consommation. Dans
la banque de detail, la problematique du credit concerne surtout loctroi et assez peu la tarification qui est generalement unique pour des caracteristiques donnees quel que soit le client. La question pour la banque
est de savoir si elle accorde le credit `a son client, et non `a quel taux elle est
prete `a accorder le credit `a son client. La banque cherche donc `a identifier les potentiels bons payeurs des potentiels mauvais payeurs. Pour cela,
elle sappuie sur les techniques dites de credit scoring1 . En fonction des
caracteristiques du client et du credit, on calcule un score (generalement
sur 1 000). La banque acceptera daccorder le credit si ce score est suffisamment eleve (au dessus dun score plancher). La problematique pour
la banque dinvestissement est differente. Celle-ci cherche `a determiner le
taux minimum `a partir duquel loperation est dite rentable. Elle sappuie
alors sur les techniques de Raroc. Cette distinction scoring/Raroc se retrouve dans la classification des clients : dans la banque de detail, on parle
de segmentation de client`ele, alors que dans la banque dinvestissement on
parle de notation des clients (en fonction des classes de risque). De plus,
la gamme des produits est beaucoup plus large dans la banque dinvestissement. Les grands types de creances sont les lignes de credit, les prets,
le credit-bail et les cautions. Une ouverture de ligne de credit peut etre
confirmee ou non (dans ce cas, le client doit faire une demande pour tirer
sur sa ligne de credit), court terme ou moyen terme. Le credit court terme
permet de financer generalement les besoins specifiques de tresorerie. On y
range les facilites de caisse ou decouverts autorises, les credits de tresorerie
1 P. Georges et E. Marot,
de cours, ENSAI, 2002.

< Techniques de scoring et applications bancaires >, Notes

Le marche du risque de credit

325

et lescompte. Les lignes de credit moyen terme sont peu repandues. En


effet, les entreprises utilisent plutot des prets (ou credits echeances) pour
financer des immobilisations (mobilier, materiel, etc.). Ces prets peuvent
etre `a taux fixe ou `a taux variable (qui depend soit dun taux de reference
comme lEuribor soit dun indice comme lEonia). Le credit-bail est une
formule de leasing : la banque ach`ete le bien et recoit des loyers de la part
de lemprunteur qui peut racheter le bien pour une valeur residuelle au
terme du contrat. Les cautions sont des engagements de la banque de se
substituer au client si celui-ci ne respecte pas ses obligations financi`eres
ou autres. Ce sont par exemple des cautions bancaires pour garantir la
finalisation de travaux (en cas de defaillance de lentreprise) ou le paiement de penalites en cas de non-respect du contrat. Enfin, nous devons
aussi mentionner les financements sur letranger, comme les avances sur
devises, les lignes de change ou les credits documentaires. Dans le cas dun
credit documentaire ou credoc, la banque sengage `a payer le montant de
la marchandise au fournisseur contre la remise de documents qui prouvent
que la marchandise a bien ete expediee.

2.

Le march
e des obligations risqu
ees

Contrairement aux creances bancaires, les obligations sont des produits


qui sechangent directement sur un marche financier. En gestion de portefeuille, linvestissement en obligations risquees est souvent appele investissement en cash, afin de differencier cet investissement de celui en
derives de credit. Les obligations constituent un element important dans
la gestion du risque de credit. Au meme titre que les actions, les obligations poss`edent des prix de marche et peuvent etre echangees librement
entre les differents acteurs du marche. De fait, le risque majeur est un
risque de variation (negative) de la valeur de lobligation imputable `a une
degradation de la qualite de lemetteur (downgrading risk ou default risk ).
Toutefois, sil est vrai que le risque de cr
edit se traduit par un risque de
marche (variation du Mark-to-Market), il ne sagit pas pour autant dun
risque de marche pur, cest-`a-dire dun risque de volatilite. Par ailleurs,
il est important de noter que le marche des obligations risquees nest pas
tr`es liquide. Il concerne essentiellement le grand corporate et les marches
emergents. Actuellement, pour de nombreuses contreparties, linvestissement en risque de credit nest pas possible autrement que par le biais de
credit default swaps. Le risque de liquidit
e (cest-`a-dire la possibilite de
retourner sa position dans de relativement bonnes conditions) est donc un
deuxi`eme risque `a prendre en compte pour valoriser une obligation. Enfin,
il existe une composante risque de taux dans le prix dune obligation
qui ne doit pas etre oubliee.
Avant de presenter la methode de pricing des obligations risquees, nous
donnons quelques elements sur levolution de ce marche.

390

Le risque de credit

est exactement egal au nombre de secteurs. Comme nous lavons vu dans


la remarque precedente, il peut parfois etre interessant de reparametriser
les facteurs afin que ces derniers soient plus faciles `a interpreter. Nous
remarquons par exemple que le mod`ele `a J + 1 facteurs defini par :
Zi =

X +

m(i) Xm(i) +

1 m(i) i

correspond au mod`ele de copule Normale `a J secteurs avec une correlation


inter-sectorielle unique .
Remarque 98. Si la correlation inter-sectorielle est unique, nous pouvons utiliser la decomposition precedente pour simuler les temps de defaut.
Nous notons cet algorithme [CISC] (pour Constant Inter-Sector Correlation). Lalgorithme [CISC] necessite de simuler un nombre aleatoire supplementaire par rapport `
a lalgorithme [Sloane]. Nous rappelons que, pour
ce dernier algorithme, le nombre doperations elementaires + et est
I (J + 1) pour un portefeuille de I creances et pour J secteurs. Pour
lalgorithme [CISC], le nombre doperations elementaires devient 3 I. Il
est evident que ce dernier algorithme est dautant plus efficace par rapport
`
a lalgorithme [Sloane] que le nombre de secteurs est important.
Soient 1 et 2 deux temps de defaut dont la fonction de survie jointe
(S1 (t1 ) , S2 (t2 )). Nous avons :
est S (t1 , t2 ) = C
(S1 (t) , S2 (t? ))
S1 (t | 2 = t? ) = 2 C
Si C 6= C , la probabilite de defaut dune firme change lorsque lautre
firme fait defaut (Schmidt et Ward, 2002). Cela implique quau moment
du defaut de la seconde firme, le spread de credit de la premi`ere firme
saute brutalement. On appelle ce phenom`ene spread jump. Il est parfois
difficile dexpliquer les mouvements de sauts de spread en termes de copules. Linterpretation en termes de mod`ele factoriel est beaucoup plus
facile.
Les graphiques 21 `a 25 montrent les sauts de la fonction de hasard
de la matrice de transition annuelle de S&P. Soient K letat correspondant au defaut et i le rating initial de la firme. Nous avons Si (t) =
1 e>
enerateur de la matrice de Markov. La
i exp (t) eK avec le g
fonction de hasard est :
i (t) =

e> exp (t) eK


fi (t)
= i >
Si (t)
1 ei exp (t) eK

Avec une copule Normale de correlation canonique , nous avons :

Si1 (t | i2 = t? ) =

1 (1 PDi1 (t)) 1 (1 PDi2 (t? ))


p
1 2

Les param`etres

391

et :

fi1 (t | i2 = t )

1 (1 PDi1 (t)) 1 (1 PDi2 (t? ))


p
1 2

e>
i1 exp (t) eK
p
2
1 (1 (1 PDi1 (t)))
o`
u PDi (t) = e>
eduisons alors la fonction de hasard
i exp (t) eK . Nous en d
i1 (t | i2 = t? ) apr`es defaut. La reference au mod`ele factoriel implicite
du mod`ele copule permet dinterpreter plus facilement ces sauts de la
fonction de hasard. Par exemple, il est normal que le defaut dans 10 ans
dune firme CCC implique un saut negatif dans la fonction de hasard des
firmes bien notees. En effet, cela veut dire que le risque idiosyncratique de
la firme CCC a ete contrebalance par une bonne conjoncture economique
(le facteur commun X). Si le defaut de la firme CCC etait intervenu tr`es
tot, les sauts seraient quasiment nuls, car on peut penser que le defaut est
d
u au risque specifique de la firme. Si une firme notee AAA fait defaut, le
saut sera dautant plus important que le defaut est soudain (et donc plus
attribuable au facteur commun quau facteur specifique). Il ny a donc pas
de relation monotone a priori entre les sauts de spread et la correlation.
Graphique 21. Taux de hasard (en pb) des ratings

392

Le risque de credit

Graphique 22. Taux de hasard (en pb) des ratings lorsquune firme notee
AAA fait defaut au bout de 10 ans ( = 5%)

Graphique 23. Taux de hasard (en pb) des ratings lorsquune firme notee
AAA fait defaut au bout de 10 ans ( = 50%)

398

Le risque de credit

la correlation mediane par pays est egale `a 7,29% en France, 10,19%


en Irelande, 8,76% au Japon, 5,22% au Portugal, 9,06% en Espagne,
8,78% aux Etats-Unis, etc ;
la correlation mediane par industrie est egale `a 8,48% pour lautomobile, 9,88% pour la chimie, 10,85% pour les compagnies financi`eres,
7,08% pour le textile, etc.
3.4.3.

Econom
etrie des correlations de defaut

Dans le cas dun mod`ele factoriel, nous avons :


p
Zi (t) = > Xi (t) + 1 kki (t)
o`
u Zi (t) est la valeur (centree et reduite) de lactif de la i-i`eme contrepartie `a linstant t et Xi (t) est le vecteur des valeurs (centrees et reduites)
des facteurs `a linstant t pour la contrepartie i. Nous pouvons donc estimer les sensibilites par une methode econometrique de type OLS ou
GMM. Il suffit ensuite detablir la correspondance entre ces sensibilites et
les correlations qui nous interessent.
Exemple 31. Reprenons le mod`ele avec une correlation inter-sectorielle
unique. Nous avons :
q
p

Zi = X + m(i) Xm(i) + 1 m(i) i


La regression correspondante est :
Zi (t) = 0 X0 (t) + > Xi (t) +

q
1 m(i) i (t)

a ei X (t), X (t) le vecteur des facteurs


avec Xi (t) un vecteur egal `
sectoriels specifiques `
a linstant t et X0 (t) le facteur commun. Nous en
deduisons que les estimations de et 1 , . . . , J sont donnees par les re 2 et
2 +
2 . Remarquons aussi que les
lations suivantes :
=
j =
0
0
j
correlations sectorielles correspondent au carre des R2 sectoriels de la
regression.
Pour estimer les correlations des instants de defaut, nous pouvons considerer la correlation des taux de defaut de cohortes homog`enes (cest-`a-dire
que chaque cohorte correspond `a une classe de risque). Cette correlation
converge vers la correlation des instants de defaut asymptotiquement.
Il suffit ensuite dinverser la relation entre la correlation des instants de
defaut et la correlation canonique de la copule pour estimer cette derni`ere.
Nous mentionnons une troisi`eme methode destimation13 . On se place
dans un mod`ele factoriel et on suppose que la valeur de lactif de la firme i

<

>

A. Das et S. Ishii, Methods for Calculating Asset Correlations : A Technical Note ,


Working paper, KMV, 2001.
13 M. Gordy et E. Heitfield,
Estimating Default Correlations from Short Panels of
Credit Rating Performance Data , Working paper, janvier 2002.
P. Demey, J.-F. Jouanin, C. Roget et T. Roncalli, Maximum Likelihood Estimation
of Default Correlations , Working paper, Cr
edit Agricole S.A., d
ecembre 2003.

<

>

>

<

Les param`etres

399

est egale `a Zi = X + 1 i . X est le facteur commun de distribution


H et i est le risque idiosyncratique gaussien de la firme i de distribution
N (0, 1). On suppose que le defaut intervient lorsque la valeur de lactif
i passe en dessous dune barri`ere Bi . La probabilit
e de defaut condition


1 . Notons
nelle `a X = x est alors Pi (x; Bi , ) = Bi x
dt le nombre de firmes ayant fait defaut en t et nt le nombre total de
firmes en t. Si nous disposons dun historique de T taux de defaut, nous
pouvons estimer la correlation de defaut par la methode du maximum
de vraisemblance. Nous notons `t () la log-vraisemblance de la t-i`eme
observation. Nous supposons pour linstant une seule
de risque C,
classe


cest-`a-dire que Bi = B ou encore P (x; B, ) = B x
1 .
Conditionnellement au facteur X = x, le nombre de defaut D est une
variable aleatoire binomiale avec :

nt
d
n d
Pr {D = dt | X = x} =
P (x; B, ) t (1 P (x; B, )) t t
dt
Nous en deduisons que :
Z
`t () = ln Pr {D = dt | X = x} dH (x)
Z
nt
d
n d
= ln
P (x; B, ) t (1 P (x; B, )) t t dH (x)
dt
Generalement, lhorizon pour mesurer les taux de defaut est annuel. Dans
ce cas, si le facteur commun X est gaussien, nous en deduisons que B =
1 (PD) avec PD la probabilite de defaillance dhorizon 1 an de la classe
de risque C. Nous en deduisons que la log-vraisemblance de lobservation
t secrit :
Z

`t () = ln

!
dt
nt dt
nt
P x; 1 (PD) ,
1 P x; 1 (PD) ,
d (x)
dt

Le seul param`etre `a estimer est . Si les taux de defaut ne correspondent


pas `a une seule classe de risque, nous pouvons supposer que :
Z
nt
d
n d
`t () = ln
P (x; B, ) t (1 P (x; B, )) t t d (x)
dt
Dans ce cas, les param`etres `a estimer sont et une barri`ere implicite B.
Remarque 99. Lidee sous-jacente `
a cette methode destimation est que
la correlation des defauts se traduit dans la volatilite du taux de defaut14
(ou dans la distribution du taux de defaut). Considerons par exemple le
taux de defaut dune classe de risque de probabilite de defaillance annuelle
de 20%. Nous representons les frequences du taux de defaut (pour un
nombre de firmes egal `
a 1 000) sur le graphique 26 pour differentes valeurs
du param`etre .
14 Alors

que la probabilit
e de d
efaillance se traduit dans la moyenne.

400

Le risque de credit
Graphique 26. Frequence (en %) du taux de defaut

Exemple 32. Les nombres de defauts dune classe de risque dont la probabilite de defaillance annuelle est egale `
a 200 pb sont respectivement pour
les vingt derni`eres annees 3, 1, 14, 0, 33, 3, 53, 1, 4, 0, 1, 8, 7, 3, 5, 5, 0,
49, 0 et 7. On suppose que le nombre de firmes est egal `
a 500 quelle que
soit lannee. Si nous estimons la vraisemblance en considerant un facteur
gaussien et B = 1 (PD), nous obtenons
= 28,86%. Si nous estimons
= 2,066 (ce qui implique
aussi la barri`ere, nous avons
= 28,49% et B
une probabilite de defaillance implicite de 194 pb). Il est generalement
preferable destimer la barri`ere si on na pas confiance dans la valeur de
la probabilite de defaillance de la classe, car lestimation de la correlation
risque detre biaisee. Par exemple, avec une probabilite de 100 pb, nous
obtenons
= 23,57%, ce qui est plus faible que lestimation precedente.

Conclusion
La modelisation du risque de credit repose sur quatre briques essentielles : lexposition au defaut, la perte en cas de defaut, la probabilite de
defaut et la correlation de defaut. Les choix de modelisation influencent
la mesure de risque qui permet de dimensionner les fonds propres. Ils sont
neanmoins indissociables des syst`emes dinformation et des donnees disponibles. Cela est particuli`erement le cas de lexposition au defaut que de
nombreuses banques apprehendent actuellement de facon tr`es simplifiee.

438

Le risque de credit

le client B sav`ere etre bien plus rentable que celle avec le client A. En
revanche, lapproche Raroc estime statistiquement le risque recurrent en
fonction des caracteristiques de la contrepartie et permet dores et dej`
a de
voir que la marge demandee au client B nest pas en adequation avec les
co
uts inherents `
a loperation. Par ailleurs, lanalyse economique du risque
presente une consommation de fonds propres sept fois plus importante
pour le client B. En conclusion, le Raroc met en exergue la profitabilite
du client A et le danger dune operation avec le client B.
Le Raroc nest quun outil daide `a la decision et `a la gestion. Il est
excessivement dependant des donnees fournies en entree et des differents
phenom`enes modelises. Il ne saurait donc etre le seul crit`ere pour une
decision doctroi de credit. Bien des raisons en effet peuvent militer pour la
mise en place dune operation intrins`equement non rentable. La premi`ere
tient `a la concurrence exacerbee qui existe sur lactivite du credit. Sil
est vrai que les recentes r`egles prudentielles ont clarifie les r`egles de la
concurrence internationale, il est parfois necessaire voire vital de faire
preuve dune certaine agressivite commerciale. Par ailleurs, il peut arriver
quune banque ait un interet `a conserver une relation car elle lui permet
de recuperer denormes frais de gestion par ailleurs.

3.3.

Outil transactionnel et de gestion

Si ces deux approches Raroc peuvent sembler antagonistes, elles sont en


realite complementaires. Le mode transactionnel, egalement appele calcul `a lorigination, est directement associe `a la demande de credit. Il
sagit destimer de mani`ere ex-ante la profitabilite dune operation. De
fait, les donnees utilisees seront des donnees previsionnelles estimees par
le secteur commercial aux vues de sa connaissance et de son analyse du
client. En complement, lutilisation du Raroc comme outil de gestion permet de realiser un reporting regulier des niveaux de risques et donc un
meilleur controle de ces derniers. Lanalyse sera realisee de facon ex post
sur des donnees effectivement constatees et probablement recuperees dun
syst`eme dinformation des engagements. Le tableau ci-dessous reprend les
differentes caracteristiques exposees :

Niveau
Frequence
Horizon
Donnees
Alimentation
Detail

Transactionnel
transaction/client
demande de credit
ex ante sur la
duree des engagements
previsionnelles
manuelle
fin

Gestion
client/groupe/portefeuille
mensuelle ou trimestrielle
ex post sur un
an par exemple
reelles
automatique
grossier

Gestion du risque de credit

3.4.

439

Les diff
erentes utilisations

Sur le plan commercial, de nombreuses banques utilisent aujourdhui


des outils bases sur une methodologie de type Raroc. La mise en uvre
est effective `a plusieurs niveaux. Sur un plan global, laction commerciale
peut, apr`es avoir realise une segmentation de la client`ele en portefeuille,
elaborer et proposer une offre personnalisee en fonction de la profitabilite
du client. Par ailleurs, au niveau de la relation directe avec le client, le
commercial qui dispose dun outil de tarification de type Raroc calibre
pour prendre en compte lenvironnement concurrenciel, pourra proposer
dans des delais relativement courts une offre personnalisee `a son client.
Du point de vue du risk management, un outil de type Raroc necessite
que lon porte une tr`es grande attention aux differentes donnees utilisees.
En effet, les resultats etant excessivement sensibles `a certaines donnees, il
est imperatif que le risk management ait un dispositif de suivi du risque
client efficace (disclosure process). Il ne faudrait pas par exemple quun
client soit note AA dans les syst`emes alors que sa note sest degradee `a
A. Toutefois, si les donnees dans les syst`emes sont fiables, il est possible de generer avec un outil Raroc toute une serie de reportings et ainsi
de gerer des limites de concentration ou des consommations en co
ut du
risque. Les reportings generes peuvent egalement etre exploites lors des
procedures budgetaires. On peut en effet allouer les budgets en fonction
de la performance economique des differents departements ou definir leurs
objectifs sur des crit`eres Raroc.
La mise en uvre dun provisionnement ex ante est un sujet tr`es sensible en raison de ses implications fiscales. Il sagit de provisionner sur des
bases statistiques le montant des pertes estimees au debut de la periode, le
provisionnement actuel etant generalement realise de facon ex post. Or les
provisions connaissent un traitement fiscal specifique jusqu`a un certain
seuil et les banques ne sont pas pretes `a depasser ces seuils sans contrepartie. Au niveau dune approche Raroc, lindicateur de perte moyenne
calcule sur le portefeuille global donne une bonne estimation du montant quil faudrait provisionner de facon ex ante. De fait, si en periode
de recession economique cet indicateur fournit des charges en risque estimees bien plus fortes que lannee precedente, il peut saverer important
darbitrer entre fiscalite et couverture anticipee de la charge en risque.
Dans la pratique, les outils Raroc compl`etement integres sont relativement co
uteux et lourds `a mettre en place et `a maintenir. Ils necessitent des
besoins techniques, intellectuels et humains tr`es importants. Il convient
donc, avant de se lancer dans une telle direction, de mesurer au prealable
lampleur des co
uts induits par une telle aventure. Avant toute chose, il
est imperatif quun etablissement qui souhaite mettre en uvre des outils
de type Raroc pour ses differents marches (grand corporate, upper/middle
market, professionnel, etc.) ait au prealable un syst`eme dinformation correctement alimente. Par ailleurs, il faut aussi mettre laccent sur la diffusion de linformation aux utilisateurs et `a leur formation.

440

3.5.

Le risque de credit

Calibration des outils Raroc

Dans les outils Raroc, nous rappelons que la modelisation des pertes Li
des differentes operations financi`eres est beaucoup plus fine que dans les
calculs de capital reglementaire ou de gestion de portefeuille (utilisation
decheanciers damortissement du capital et des garanties, prise en compte
du risque de taux, etc.) et int`egre de plus des elements de rentabilite
(modelisation des commissions et de limposition, prise en compte des
co
uts operationnels et des revenus du side-business, etc.). Pour determiner
le Raroc dune operation financi`ere, nous devons calculer le co
ut du risque
et la contribution en risque. Par definition, le co
ut du risque est lesperance
de la perte Li qui est facile `a calculer. Le calcul de la contribution en risque
est plus difficile `a realiser, puisque lexpression de la perte L du portefeuille
de la banque est relativement complexe. Puisque les outils Raroc utilisent
lunexpected loss pour mesurer le risque, nous avons theoriquement :
RCi = E [Li | L = EL + UL] E [Li ]
Lidee est alors dutiliser un proxy UL? de lunexpected loss defini comme
un multiple de la volatilite de la perte du portefeuille :
UL? = k (L)
Dans ce cas, la contribution en risque RC?i est la contribution de la volatilite (Li ) de loperation financi`ere `a la volatilite totale. Nous avons :
(L)

=
=
=

cov (L, L)
(L)

!
X
1
Li
cov L,
(L)
i
X
cov (L, Li )
(Li )

(L) (Li )
i

Nous en deduisons que (L) =

fi =

fi (Li ) avec :

cov (L, Li )
(L) (Li )

fi est souvent appele le facteur de diversification. La decomposition precedente correspond au principe dEuler de la covariance. Generalement, on
suppose que le portefeuille (ou le portefeuille cible) est infiniment granulaire (objectif de diversification de la banque). Dans ce cas, et sous
certaines
hypoth`eses techniques, nous pouvons montrer que fi est egal

u ? est la correlation moyenne des differentes pertes Li . Nous


`a ? o`
obtenons finalement lexpression suivante de la contribution en risque :

RC?i = k ? (Li )

Gestion du risque de credit

441

Nous remarquons que la contribution


en risque depend de deux pa
ram`etres inobservables k et f = ? . Il faut donc calibrer leurs valeurs.
Ceci peut se faire en deux etapes :
1. k est determine de telle facon que la somme des contributions en
risque Raroc soit egale `a lunexpected loss calcule avec le mod`ele de
portefeuille ;
2. f est le rapport entre la volatilite de la perte du portefeuille et la
somme des volatilites des pertes individuelles.
Cette procedure de calibration suppose de degrader lexpression de pertes
Li de telle facon quil est possible de calculer facilement lunexpected loss
du portefeuille.
Pour donner quelques idees sur les valeurs prises par k et f , nous
considerons lexemple du mod`ele Bale II. Nous rappelons que lexpression de la perte est :
L=

n
X

EADi LGDi 1 { i Ti }

i=1

Nous en deduisons que :


var (L)

n
X

EAD2i

i=1
n X
n
X

2 [LGDi ] + E2 [LGDi ] PDi E2 [LGDi ] PD2i +

EADi EADj E [LGDi ] E [LGDj ] (PDi,j PDi PDj )

i=1 j>i

et :
(Li ) = EADi

q
( 2 [LGDi ] + E2 [LGDi ]) PDi E2 [LGDi ] PD2i

Placons-nous dans le cas infiniment granulaire. Nous avons


UL =

(PDi ) + 1 ()

EADi E [LGDi ]
PDi
1
i=1

n
X

Prenons lexemple dun portefeuille contenant un million de creances de


memes caracteristiques (lexposition est fixee `a 1 et la perte en cas de
defaillance est non aleatoire et vaut 50%). Nous obtenons les resultats du
tableau 4. Nous remarquons que k est une fonction decroissante de PD
et une fonction croissante de la correlation des actifs. Cela veut dire que
le facteur dechelle k est plus petit pour un portefeuille moins bien note
et/ou de maturite moyenne plus grande.
Remarque 113. Dans le cas dun portefeuille infiniment granulaire et
statistiquement homog`ene (cest-`
a-dire avec une seule classe de risque et

442

Le risque de credit
Tableau 4. Param`etres Raroc k et f

PD
(en pb)
100
500
500

10%
10%
20%

99%
3,8
3,4
3,8

k
99,5% 99,9%
4,7
7,0
4,0
5,5
4,6
6,4

f
99,97%
8,9
6,5
7,7

0,097
0,160
0,240

? = f 2
(en %)
0,94
2,55
5,78

une seule maturite), nous pouvons obtenir des formules analytiques. Par
exemple, nous avons :
1

(PD)+ 1 ()

PD
1
k = q

2 [LGD]
1 n1 C (PD, PD; ) PD n1 PD + nE
2 [LGD] PD
o`
u C est la copule Normale bivariee. Nous en deduisons que la valeur de
k pour le portefeuille asymptotique est :
1

(PD)+ 1 ()

PD
1
q
k=
C (PD, PD; ) PD2
Pour le facteur de diversification, nous obtenons :
v
s
u
u C (PD, PD; ) PD2
C (PD, PD; ) PD2
+

f
=
f = t 2 [LGD]

2
PD PD2
E2 [LGD] PD + PD PD
Remarque 114. Lanalyse precedente utilise un facteur de diversification unique et nous avons RC?i = kf (Li ). Nous pouvons aussi utiliser
un facteur de diversification differencie pour chaque creance. Nous avons
alors RCi? = k fi (Li ). Par exemple, si nous utilisons le mod`ele B
ale
II, fi est calibre en posant :
1

(PDi )+ 1 ()

E [LGDi ]
PDi
(Li )
1
q
fi =
=
k ULi
k ( 2 [LGDi ] + E2 [LGDi ]) PDi E2 [LGDi ] PD2i

Conclusion
Lobjet de la gestion de portefeuille est dameliorer la qualite globale du
portefeuille bancaire via des techniques dassurance ou de diversification.
Pour ce faire, il est necessaire de posseder, en plus dun outil de type
Raroc, dun bon mod`ele de correlation qui permette de mesurer limpact
dune politique de diversification sur le portefeuille.

`
TABLE DES MATIERES

Remerciements

Pr
eface

Introduction g
en
erale

11

Premi`
ere partie
Capital r
eglementaire et
ratio international de solvabilit
e
Chapitre 1 Le risque de march
e
1.
La reglementation prudentielle ......................................
1.1.
Les normes generales .........................................
1.2.
Les crit`eres qualitatifs........................................
1.3.
Les crit`eres quantitatifs......................................
1.4.
Simulations de crise ...........................................
1.5.
Traitement du risque specifique ...........................
1.6.
Dispositif prudentiel de controle ex post lie `a
lutilisation des mod`eles internes..........................
2.
La valeur en risque ......................................................
2.1.
Definition ........................................................
2.1.1.
La VaR parametrique ...........................

33
33
37
37
39
41
42
43
45
46
48

La gestion des risques financiers

2.1.2.
La VaR historique ................................
2.1.3.
La VaR Monte Carlo ............................
2.2.
Les aspects reglementaires du calcul de la VaR ......
2.2.1.
Le seuil de confiance ..........................
2.2.2.
Une explication du facteur complementaire
2.2.3.
Le probl`eme du scaling..........................
2.3.
Les aspects methodologiques ...............................
2.3.1.
Lintervalle de confiance dune valeur
en risque .............................................
2.3.2.
Le choix de la distribution de probabilite .
2.3.3.
Lestimation de la matrice de covariance ..
2.4.
Les produits exotiques .......................................
2.4.1.
Lidentification des facteurs de risque ......
2.4.2.
Les differentes methodes pour calculer
la VaR................................................
2.4.3.
Le backtesting .....................................
2.4.4.
La gestion du risque de mod`ele des produits exotiques.....................................
3.
Les programmes de stress-testing...................................
3.1.
Definition ........................................................
3.2.
Directions methodologiques choisies par les institutions bancaires.............................................
3.3.
Lapproche historique ........................................
3.4.
Une approche subjective : le macro stress-testing ...
3.5.
La theorie des valeurs extremes ...........................
enements rares et hypoth`ese de nor3.5.1.
Ev
malite.................................................
3.5.2.
Les statistiques dordre .........................
3.5.3.
La theorie asymptotique ........................
Conclusion ........................................................................
Chapitre 2 Le risque de cr
edit
1.
Typologie du risque de credit ........................................
2.
Lapproche standard....................................................
2.1.
La reglementation prudentielle actuelle .................
2.2.
Lapproche standard du ratio McDonough ............
2.2.1.
Les ponderations du risque ....................
2.2.2.
Les notations externes...........................
2.3.
Les procedures de reduction des risques dans
lapproche SA du ratio McDonough .....................
2.3.1.
Les transactions assorties de s
uretes ........
2.3.2.
Les garanties et les derives de credit ........
2.3.3.
Autres considerations ............................
2.3.4.
Quelques exemples ...............................
3.
Lapproche IRB du deuxi`eme document consultatif ..........
3.1.
Les principes generaux .......................................

50
51
53
54
55
56
57
57
61
68
69
70
71
72
74
75
76
77
78
79
79
81
81
89
103
105
105
107
107
109
109
112
114
114
117
118
119
120
120

3.2.

Lexemple de la methode IRB pour les entreprises ..


3.2.1.
Formulation des ponderations du risque ...
3.2.2.
Justification de la methode IRB..............
3.3.
Granularite du portefeuille .................................
3.3.1.
La methodologie...................................
3.3.2.
Un exemple numerique ..........................
3.3.3.
Derivation du coefficient dajustement
de granularite ......................................
3.3.4.
Bien comprendre la notion de granularite .
4.
Lapproche IRB du Nouvel Accord de Bale .....................
4.1.
Les enseignements des QIS .................................
4.2.
Le premier pilier et lexigence minimale de fonds
propres............................................................
4.2.1.
Les categories corporate risk, sovereign
risk et banking risk ...............................
4.2.2.
La categorie retail risk ..........................
4.2.3.
Le risque equity ...................................
4.2.4.
Impact des nouvelles formules ................
4.3.
Le deuxi`eme pilier et la surveillance prudentielle ....
4.4.
Le troisi`eme pilier et la discipline de marche..........
Conclusion ........................................................................

123
123
126
133
134
135

Chapitre 3 Le risque op
erationnel
1.
La definition du risque operationnel ...............................
2.
Les differentes approches pour mesurer
le risque operationnel...................................................
2.1.
Lapproche indicateur de base .............................
2.2.
Lapproche standardisee .....................................
2.3.
Les mesures AMA .............................................
3.
La methode LDA ........................................................
3.1.
Estimation de la distribution de severite ...............
3.1.1.
Les methode directes du maximum de
vraisemblance ou des moments generalises
3.1.2.
Heterogeneite des donnees et biais de
reporting (ou de collecte).......................
3.1.3.
Comment corriger le biais de collecte ? .....
3.2.
Estimation de la distribution de frequence ............
3.3.
Calcul de la charge en capital..............................
3.3.1.
Quelle est la definition de la charge en
capital ? ..............................................
3.3.2.
Comment prendre en compte les assurances ?...............................................
3.3.3.
Comment agreger les charges en capital ? .
3.4.
Determination des intervalles de confiance.............
3.4.1.
Distribution de lestimateur de la charge
en capital ............................................

159
159

137
146
149
150
153
154
156
156
156
157
158
158

163
163
164
165
168
170
170
172
173
174
175
175
176
176
179
179

La gestion des risques financiers

3.4.2.

La question du nombre necessaire de


donnees .............................................. 180
3.5.
Analyse de scenarios .......................................... 182
Conclusion ........................................................................ 184

Deuxi`
eme partie
Mod
elisation des risques multiples
Chapitre 4 Les fonctions copules
1.
Representation canonique dune distribution de probabilite multidimensionnelle .............................................
1.1.
Theor`eme de Sklar ............................................
1.2.
Expression de la densite bidimensionnelle..............
1.3.
Premi`eres proprietes des fonctions copules ............
1.4.
Extension au cas multidimensionnel .....................
1.5.
Representation graphique dune copule .................
2.
Les classes de Frechet ..................................................
2.1.
Definition ........................................................
2.2.
Ordre stochastique de concordance ......................
3.
Copules et variables aleatoires.......................................
3.1.
Principaux resultats ..........................................
3.2.
Composantes singuli`eres .....................................
3.3.
Mesures de dependance ......................................
3.4.
Et la correlation ? .............................................
3.5.
Le tau de Kendall et le rho de Spearman ..............
3.6.
La dependance de queue ....................................
4.
Les copules parametriques ............................................
4.1.
Les copules Archimediennes ................................
4.2.
La copule Normale ............................................
4.3.
La copule t de Student.......................................
4.4.
Comparaison des copules Normale et Student ........
4.5.
Copules parametriques bivariees avec plusieurs
param`etres.......................................................
5.
Les copules de valeurs extremes.....................................
5.1.
Theorie des valeurs extremes multiples .................
5.2.
Caracterisation des domaines dattraction .............
6.
Simulation et methodes de Monte Carlo .........................
6.1.
La methode des distributions ..............................
6.2.
La methode des distributions conditionnelles .........
6.3.
Les methodes dites analytiques............................
6.4.
La methode des quantiles empiriques ...................
7.
Inference statistique des copules ....................................
7.1.
La copule empirique de Paul Deheuvels ................
7.2.
Lidentification dune copule Archimedienne ..........
7.3.
La methode des moments ...................................

187
187
188
189
191
193
193
197
197
198
202
202
204
208
210
214
217
219
220
223
226
228
234
235
236
240
242
242
243
246
248
250
250
253
256

7.4.
La methode du maximum de vraisemblance ..........
7.5.
La methode IFM...............................................
7.6.
Lestimateur omnibus ........................................
Conclusion ........................................................................

257
258
260
263

Chapitre 5 Aspects multidimensionnels du risque


1.
Agregation des risques de marche ..................................
1.1.
Leffet de diversification .....................................
1.2.
Linfluence de la dependance...............................
1.3.
Construire une VaR marche semi-historique ..........
1.4.
Lagregation des valeurs en risque ........................
1.4.1.
Les inegalites de Makarov et les bornes
de dependance .....................................
1.4.2.
La borne superieure de la valeur en risque
VaR (L1 + L2 ; ) ..................................
1.4.3.
Un exemple dagregation .......................
2.
Construction et evaluation de scenarios de crise ...............
2.1.
Rappel sur le cas unidimensionnel........................
2.2.
Le cas bidimensionnel ........................................
2.3.
Le cas multidimensionnel ...................................
3.
Risque de mod`ele et risque de param`etre ........................
3.1.
Risque de param`etre dans le cas de deux actifs ......
3.2.
Risque de param`etre dans le cas de plusieurs actifs.
3.3.
Risque de mod`ele ..............................................
4.
Calcul de la charge en capital pour le risque operationnel ..
4.1.
La correlation des frequences ..............................
4.2.
La correlation des pertes agregees ........................
5.
Modelisation de la correlation dans les mod`eles de risque
de credit ....................................................................
5.1.
Le mod`ele de la firme ........................................
5.2.
Le mod`ele CreditMetrics ....................................
5.2.1.
La distribution de probabilite de transition

5.2.2.
Etude
du cas bivarie .............................
5.2.3.
Simulation de changement de rating ........
5.2.4.
Simulation de trajectoires dynamiques
de rating .............................................
5.3.
Lapproche par intensite .....................................
5.4.
Construction de fonctions de survie multidimensionnelle ..........................................................
5.4.1.
Copule de survie et fonction de survie
multivariee ..........................................
5.4.2.
Les copules Frailty ................................
5.4.3.
Les statistiques dordre .........................
Conclusion ........................................................................

265
265
267
270
271
271
272
274
278
279
279
281
282
284
284
285
286
288
289
291
293
293
297
298
300
303
309
311
315
315
317
319
320

La gestion des risques financiers

Troisi`
eme partie
Le risque de cr
edit
Chapitre 6 Le march
e du risque de cr
edit
1.
Le marche des creances bancaires ..................................
2.
Le marche des obligations risquees .................................

2.1.
Evolution
recente du marche des obligations..........
2.1.1.
Le volume demission ............................
2.1.2.
Le risque de defaut ...............................
2.2.
Valorisation dune obligation risquee ....................
3.
Le marche des derives de credit
et de la titrisation synthetique ......................................
3.1.
Les derives de credit ..........................................
3.1.1.
Les credit default swaps ou CDS.............
3.1.2.
First-to-default ou FTD ........................
3.2.
Les produits structures ......................................
3.2.1.
Le tranching ........................................
3.2.2.
Les CDO (collateralized debt obligations)
3.2.3.
Le pricing ...........................................
3.3.
Le traitement prudentiel des derives de credit........
3.3.1.
Le traitement prudentiel des instruments
derives de credit (Bulletin de la Commission Bancaire davril 1998) ................
3.3.2.
Le traitement reglementaire dans les
autres pays..........................................
3.4.
Lutilisation des derives de credit dans la gestion
des risques .......................................................
Conclusion ........................................................................

323
324
325
326
326
326
328

Chapitre 7 Les param`


etres
1.
La probabilite de defaillance .........................................
1.1.
La fonction de survie .........................................
1.2.
Modelisation du temps de defaut .........................
1.2.1.
Les mod`eles `a intensite..........................
1.2.2.
Les mod`eles de la firme (ou mod`eles
structurels) .........................................
1.2.3.
Les mod`eles `a barri`ere de defaut .............
1.3.
Generateur dune chane de Markov et les approches de migration de credit ............................
1.3.1.
Modelisation des temps de defaut `a partir dun generateur ...............................
1.3.2.
Estimation dun generateur `a partir dune
matrice de transition empirique ..............
2.
Le taux de recouvrement ..............................................
2.1.
Quelques statistiques .........................................
2.2.
Modelisation stochastique...................................

351
351
352
356
357

333
335
335
338
339
339
340
341
342

344
348
349
350

358
363
365
365
367
371
372
374

2.2.1.
2.2.2.
2.2.3.
2.2.4.

Avec une distribution Beta ....................


Avec une distribution discr`ete ................
Un exemple .........................................
Remarque sur la modelisation du taux
de recouvrement dans le cas dun portefeuille infiniment granulaire .................
3.
La dependance des defaillances......................................
3.1.
Les mod`eles de copule........................................
3.1.1.
Un nouveau rappel sur les copules de
survie .................................................
3.1.2.
La copule implicite du mod`ele de Bale II..
3.1.3.
Mise en place dun mod`ele copule avec
des correlations canoniques sectorielles.....
3.2.
Dualite entre le mod`ele de copule Normale et le
mod`ele factoriel ................................................
3.3.
Les mod`eles de contagion ...................................
3.4.
Lestimation des correlations de defaut .................
3.4.1.
Relations entre ces differentes correlations
3.4.2.
Statistiques sur les correlations de defaut .

3.4.3.
Econom
etrie des correlations de defaut ....
Conclusion ........................................................................

375
378
379

Chapitre 8 Gestion du risque de cr


edit
1.
Calcul du capital economique........................................
1.1.
La distribution de perte .....................................
1.2.
La mesure de risque...........................................
1.3.
La contribution en risque ...................................
1.4.
La sensibilite en risque.......................................
1.4.1.
Lexemple de la mesure ER ....................
1.4.2.
La sensibilite en risque de la VaR credit...
1.4.3.
Les autres techniques ............................
1.5.
Retour sur le mod`ele Bale II ...............................
2.
Gestion de portefeuille de credit ....................................
2.1.
Le couple risque/rendement ................................
2.2.
La fronti`ere efficiente .........................................
2.2.1.
La methode des simulations ...................
2.2.2.
Les methodes doptimisation ..................
2.3.
Les methodes directionnelles ...............................
2.3.1.
La methode des contributions.................
2.3.2.
La methode des multiplicateurs de Lagrange ................................................
2.4.
La prise en compte des derives de credit ...............
3.
Lapproche Raroc........................................................
3.1.
Definitions .......................................................
3.2.
Les indicateurs Raroc ........................................
3.3.
Outil transactionnel et de gestion ........................

401
401
402
406
408
414
414
414
420
421
422
423
426
426
426
429
430

380
382
383
383
384
385
389
394
395
395
397
398
400

430
432
433
433
435
438

La gestion des risques financiers

3.4.
Les differentes utilisations .................................. 439
3.5.
Calibration des outils Raroc ............................... 440
Conclusion ........................................................................ 442
Conclusion g
en
erale

443

Bibliographie g
en
erale

445