Vous êtes sur la page 1sur 77

Royaume du Maroc

UNIVERSIT MOHAMED V AGDAL - RABAT


COLE MOHAMMADIA DINGNIEURS

Dpartement Modlisation et Informatique Scientifique

Mmoire de Projet de Fin dEtudes

Optimisation dun portefeuille multi-assets


selon
les approches VaR & CVaR

Soutenu le : 01/06/2015
Prsent par :
M r AATEK Rachad

M lle EL BAJTA Intissare

Devant le jury compos de :


M r Abdelaziz AMINE

P.E.S. EMI

Prsident

M me Joumala ALAOUI

P.E.S. EMI

Rapporteur

M r Rachid ELLAIA

P.E.S. EMI

Encadrant

M Moncef GHAFFOULI

Responsable desk actions WAFAGESTION

Anne universitaire 2014/2015

Parrain

Rsum
Le problme dallocation optimale dactifs constituants un portefeuille reprsente
le dfi majeur pour une socit de gestion. Le problme classique est datteindre un
niveau de rendement anticip avec un minimum de risque. Cest dans loptique de
rpondre au besoin du grant, savoir atteindre un maximum de rendement moyen
espr pour un niveau de risque donn, que ce projet de fin dtudes t ralis.
La premire tape du travail consiste valuer la mesure de risque impose,
savoir la Value at Risk, et valider les diffrentes mthodes de calcul labores. Nous
nous sommes intresss par la suite la modlisation mathmatique du problme
doptimisation. Nous prsentons deux modles ; savoir le modle de Rockafellar
& Uryasev et notre nouvelle approche dallocation sous contrainte VaR. Nous nous
intressons dans un premier temps ladaptation des modles selon les exigences
dinvestissement de chaque grant. Dans un second temps, nous nous intressons au
back test des modles labors. Enfin nous testons la performance des modles et
exposons les intrts majeurs de chacune des deux stratgies dallocation.
Mots cls : Valeur Risque, Valeur Risque Conditionnelle, Portefeuille,
Optimisation, Modlisation.

Abstract
The problem of researching the optimal allocation of assets composing a portfolio
represents the major challenge for a management company. The classic problem is
to achieve a level of expected returns with minimal risk. In this context, this work
aims to meet the need of the manager to maximize the average expected return for a
given level of risk.
The first step of this work is to assess the risk measure imposed, namely Value at
Risk, and validate the different calculation methods developed. We are interested in
modeling the mathematical optimization problem. We present two models ; namely
the Rockafellar & Uryasev model and our new approach of optimization under VaR
constraint. We focus initially on the models of adaptation according to the investment
requirements of each manager. Secondly, we back test the developed models. Finally
we test the model performance and expose the major interests of both allocation
strategies.
Keywords : Value at Risk, Conditional Value at Risk, Portfolio, Optimization,
Modeling.

Remerciements
Au terme de ce travail, nous avons lhonneur dexprimer nos vifs remerciements
pour notre respectueux professeur, M.Rachid ELLAIA , davoir accept notre
encadrement ainsi que pour son soutien, ses remarques pertinentes et son encouragement.
Nous tenons exprimer notre plus profonde gratitude la socit de gestion
WAFA GESTION pour nous avoir offert lopportunit deffectuer ce stage, qui est
enrichissant pour notre carrire.
Aussi remercions-nous notre parrain, M. Moncef GHAFFOULI, responsable
desk action WAFA GESTION, pour la confiance quil nous a accorde en nous
proposant ce projet de fin dtude. Nous le remercions galement pour son aide, ses
prcieux conseils et clarifications prodigus tout au long de la priode de notre stage.
Quils trouvent ici le tmoignage de notre profonde et sincre gratitude.
Nous tenons remercier en particulier M me Joumala ALAOUI davoir accept
dvaluer notre travail ainsi que M r Abdelaziz AMINE davoir prsid note jury
de soutenance.
Afin de noublier personne, nous remercions toutes les personnes ayant contribu
de prs ou de loin satisfaire notre curiosit et qui ont rendu possible la ralisation
de ce projet.

Table des matires


Rsum

Abstract

Remerciements

Introduction

1 Contexte gnral :
1.1 Prsentation de lorganisme : . . . .
1.2 Gestion de portefeuille : . . . . . .
1.2.1 Portefeuille : . . . . . . . .
1.2.2 Les stratgies de gestion : .
1.3 La thorie moderne du portefeuille :
1.4 Le risque de march : . . . . . . .
1.4.1 Dfinition : . . . . . . . . .
1.4.2 Les mesures de risque : . .

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

11
11
13
14
15
16
17
17
17

2 Value at Risk
2.1 Gnralits : . . . . . . . . . . . . . . . . . .
2.1.1 Histoire : . . . . . . . . . . . . . . . .
2.1.2 Dfinition : . . . . . . . . . . . . . .
2.1.3 Les paramtres de la Value at Risk :
2.2 Mthodes de calcul de la VaR : . . . . . . .
2.2.1 Mthode historique : . . . . . . . . .
2.2.2 Mthode bootstrap : . . . . . . . . .
2.2.3 Mthode paramtrique : . . . . . . .
2.2.4 Mthode Monte Carlo : . . . . . . . .
2.3 Backtesting : . . . . . . . . . . . . . . . . .
2.4 Conditional Value at Risk ( CVaR ) : . . . .
2.4.1 Limites de la VaR : . . . . . . . . . .
2.4.2 Conditional Value at Risk ( CVaR ) :

.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.

19
19
19
20
21
23
23
28
29
32
34
37
37
38

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

3 Modlisation des problmes doptimisation de portefeuilles & Algorithmes de rsolution


42
3.1 Modlisation du problme doptimisation sous contrainte CVaR : . . 42
3.1.1 Descriptif de lapproche : . . . . . . . . . . . . . . . . . . . . . 42
4

Optimisation dun portefeuille multi-assets selon lapproche VaR/CVaR

3.2

3.1.2 Ecriture mathmatique du problme : . . . . . . . . . . . .


3.1.3 Problme doptimisation : . . . . . . . . . . . . . . . . . .
3.1.4 Algorithme de rsolution (Mthode de Points Intrieurs) :
Modlisation du problme doptimisation sous contrainte VaR : .
3.2.1 Descriptif de lapproche : . . . . . . . . . . . . . . . . . . .
3.2.2 Ecriture mathmatique du problme : . . . . . . . . . . . .
3.2.3 Problme doptimisation : . . . . . . . . . . . . . . . . . .
3.2.4 Algorithme de rsolution (Particle Swarm Optimization) :

4 Ralisation et validation des modles :


4.1 Construction du portefeuille : . . . . .
4.2 Interface et Rsultats : . . . . . . . . .
4.2.1 Descriptif de linterface : . . . .
4.2.2 Rsultats et interprtation : . .
4.3 Optimisation par recherche exhaustive :
4.3.1 Back test de lapproche CVaR :
4.3.2 Back test de lapproche VaR : .
4.4 Performance du modle : . . . . . . . .

. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
Back test des
. . . . . . . .
. . . . . . . .
. . . . . . . .

. . . . . .
. . . . . .
. . . . . .
. . . . . .
approches
. . . . . .
. . . . . .
. . . . . .

.
.
.
.
:
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

43
46
48
53
53
53
55
55

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

59
59
62
62
64
70
70
71
72

Conclusion du projet

74

Bibliographie

75

Table des figures


1.1

LOGO de WAFA GESTION . . . . . . . . . . . . . . . . . . . . . . . 11

Calcul de la VaR au seuil de confiance X partir dune loi normale


pour les variations de valeur du portefeuille. . . . . . . . . . . . . . .
2.2 Interface de choix des actifs composants le portefeuille . . . . . . . .
2.3 Interface de composition des classes dactifs, validation et rinitialisation
2.4 Gnrateur de portefeuille . . . . . . . . . . . . . . . . . . . . . . . .
2.5 Historique des donnes dvolution des prix et des rendements . . . .
2.6 Interface de calcul de la VaR historique . . . . . . . . . . . . . . . . .
2.7 Interface de calcul de la VaR bootstrap . . . . . . . . . . . . . . . . .
2.8 Interface de calcul de la VaR paramtrique . . . . . . . . . . . . . . .
2.9 Interface de calcul de la VaR Monte Carlo . . . . . . . . . . . . . . .
2.10 Relation entre VaR et CVaR . . . . . . . . . . . . . . . . . . . . . . .

2.1

3.1

21
25
26
26
27
27
29
31
34
38

3.2

Construction dellipsodes pour optimisation par la mthode Affine


Scaling . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
Un comportement de vol doiseaux. . . . . . . . . . . . . . . . . . . . 56

4.1
4.2
4.3
4.4
4.5
4.6
4.7

Evolution des prix des actions en dhs . . . . . . . . . . . . . . . .


Evolution des prix des matires premires en dollar . . . . . . . .
Evolution des prix des indices sur obligations en dhs . . . . . . . .
Interface de choix de paramtres pour optimisation de portefeuille
Interface doptimisation de rendement sous contrainte CVaR . . .
portefeuille gnr partir de la mthode exhaustive . . . . . . .
portefeuille gnr partir de la mthode exhaustive . . . . . . .

.
.
.
.
.
.
.

.
.
.
.
.
.
.

60
60
61
63
64
70
71

Liste des tableaux


2.1
2.2
2.3
4.1
4.2
4.3
4.4
4.5
4.6
4.7
4.8

Diffrentes VaRs en fonction de la taille de lchantillon . . . . . . . . 35


Nombre de dpassements base des 100 donnes postrieures selon la
taille de lchantillon . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
Nombre de dpassements base des 60 donnes postrieures selon la
taille de lchantillon . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
Caractristiques statistiques des diffrents actifs . . . . . . . . . .
Rsultats doptimisation pour diffrents seuils de CVaR (1er cas) .
Rsultats doptimisation pour diffrents seuils de CVaR (2me cas)
Rsultats doptimisation pour diffrents seuils de CVaR (3me cas)
Rsultats doptimisation pour diffrents seuils de VaR . . . . . .
Rendements esprs selon limite CV aR95% . . . . . . . . . . . . .
Rendements esprs selon limite V aR95% . . . . . . . . . . . . . .
Les performances des diffrentes stratgies dinvestissement. . . .

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

61
65
66
68
69
71
72
73

Liste des acronymes

VaR : Value at Risk


CVaR : Conditional Value at Risk
PSO : Particle Swarm Optimization
OPCVM : Organisme de Placement Collectif en Valeurs Mobilires
FCP : Fond Commun de Placement
SICAV : Socit dInvestissement Capital Variable
MP : Matires Premires
MASI : Moroccan All Shares Index
MADEX : Moroccan Most Active Shares Index
MBI : Moroccan Bond Index
SEC : Securities and Exchange Commission
MC : Monte Carlo
BAT : Bat-Inspired Algorithm
MBI CT : MBI Court Terme
MBI LT : MBI Long Terme
MBI MT : MBI Moyen Terme
MBI MLT : MBI Moyen Long Terme

Introduction
Le problme dallocation stratgique dans une socit de gestion est un problme
capital et ce en tenant compte de toutes les contraintes de gestion. Une optimisation
efficiente dun portefeuille multi assets partir de scnarios historiques requiert
une modlisation pertinente des fonctions dutilit, de risque, et des contraintes
dinvestissement. La thorie traditionnelle de gestion de portefeuille manque de
fiabilit tant donn certaines limites de modlisation notamment les considrations
sur la normalit des distributions. Les rglementations financires actuelles axent
leurs stratgies sur les queues de distributions des risques, ce qui est difficile
manipuler dans les problmes doptimisation. Lapproche de Rockafellar et Uryasev
est une approche trs efficace tant donn sa facilit dimplmentation qui dcoule
de sa convexit et de sa linarit. Cest une approche qui se base sur une technique
de minimisation simultane de la VaR et de la CVaR.
Notre travail explicite les diffrentes mthodes de calcul de VaR et labore
lapproche doptimisation de Rockafellar et Uryasev et dcrit limplmentation
du programme linaire correspondant. Lapproche est par la suite teste sur des
portefeuilles multi assets de WAFA GESTION. Cependant le seuil fix et prdfini
de lapproche reprsente la limite CVaR ne pas dpasser lors de la maximisation
de rendement espr, fixant par consquent une VaR minime mais non prdfinie et
donc non gre par linvestisseur.
Certains grants considrent une sous valuation de lesprance de rendement
par lapproche Rockafellar et Uryasev due la diffrence de valeur entre la VaR du
portefeuille rsultat et le seuil prfix par le grant. Pour rpondre cette exigence,
nous avons modlis une formulation mathmatique du problme doptimisation sous
contrainte VaR et avons implment une mta heuristique (PSO) pour la rsolution
du problme.
Chaque modle est back test, avant sa validation, laide de comparaison avec
des mthodes ou des portefeuilles gnriques.
Ce rapport prsente le fruit de quatre mois de travail au sein du desk action de
WafaGestion. Le premier chapitre est une prsentation de lorganisme daccueil, de
son activit et des notions lmentaires utiles pour la bonne gestion de portefeuille.
Le deuxime chapitre est consacr au dveloppement des caractristiques et mthodes
de calcul de la Valut at Risque (VaR). Une interface est implmente pour permettre
9

Optimisation dun portefeuille multi-assets selon lapproche VaR/CVaR

au grant de calculer la VaR de tout portefeuille grce la mthode qui convienne


ses critres. Ce mme chapitre valide nos modles de calculs travers plusieurs
back tests puis introduit lvolution de la thorie menant la notion de Value
at Risque Conditionnelle (CVaR). Le troisime chapitre explicite soigneusement
lapproche de Rockafellar et Uryasev et explicite la mthode ainsi que le programme
implment pour sa rsolution. La deuxime partie de ce chapitre prsente notre
approche doptimisation sous contrainte VaR et la mta heuristique de recherche
choisie. Le dernier chapitre labore la stratgie de construction du portefeuille multi
assets, les interfaces doptimisation labores base des deux approches et le back
test de ces dernires grce la mthode exhaustive, pour finir par la mise en vidence
la performance de chacun des modles. Des exemples de rsultats obtenus sont
explicits tout au long de ce rapport.

10

Chapitre 1
Contexte gnral :
1.1

Prsentation de lorganisme :

La finance marocaine, tant de plus en plus intgre dans le march international,


on peut constater cela travers lvolution des modes de gestion de lpargne.
Le lancement du premier organisme de placement collectif en valeurs mobilires
(OPCVM) tait en 1995.

Figure 1.1 LOGO de WAFA GESTION


WAFAGESTION est la filiale du groupe AttijariWafa Bank spcialise dans
la gestion dactifs. Dtenue 66% par AttijariWafa Bank et 34% par Amundi
Asset Management, la socit a t cre en 1995 et ft pionnire dans le secteur en
tant lune des premires socits introduire les OPCVM au Maroc. Offrant ses
services une clientle diversifie compose aussi bien dinvestisseurs institutionnels,
dentreprises que dpargnants particuliers, WAFAGESTION reste leader dans son
domaine avec pas moins de 91 Milliards de dirhams dactifs sous gestion et 29% de
parts de march. Son capital social est de 4.900.000.000 DH avec 75 OPCVM sous
gestion et son effectif compte 40 personnes dont 11 professionnels de linvestissement.
Wafa Gestion renforce de manire permanente sa position de leader de la gestion
collective de lpargne, aussi bien par sa taille, son approche multi expertises que par
le transfert de savoir-faire unique qui sopre avec Amundi. La performance reconnue
11

Optimisation dun portefeuille multi-assets selon lapproche VaR/CVaR

et prime de Wafa Gestion repose sur une combinaison de diffrentes stratgies


dallocation dactifs qui couvrent toutes les classes dactifs, un processus continu
dinnovation permettant de reconnatre les besoins des clients et de mieux les aider
valoriser, scuriser et fructifier leurs placements et des quipes pluridisciplinaires,
rompues aux techniques les plus pointues de gestion dactifs.
Les OPCVM sont des fonds dinvestissement qui permettent tout pargnant
de confier la gestion de ses capitaux un professionnel qui se charge de les investir
sur un ou plusieurs marchs financiers dtermins tout en assurant la liquidit,
la transparence, la fiabilit et la professionnalisation de la gestion. Les OPCVM
marocains sont la majorit 2/3 ouvert au grand public, le reste tant constitu de
fonds ddis. Linstitution des OPCVM vise ainsi deux objectifs fondamentaux :
Permettre aux investisseurs non-initis daccder aux marchs financiers dans
les meilleures conditions de scurit et de performance.
Canaliser lpargne des particuliers vers les marchs financiers ce qui constitue
un levier pour le financement de lconomie.
La spcificit des OPCVM rside dans :
Le regroupement dun grand nombre de petits pargnants pour constituer des
vhicules dinvestissement solides.
La mutualisation des gains et des risques.
Une rglementation stricte et un suivi continu de la part de lautorit de march.
Ces OPCVM sont diviss en deux formes savoir les FCP et les SICAV .
Fond Commun de Placement FCP : coproprit de valeurs mobilires qui met
des parts. Il na pas de personnalit morale. Chaque porteur de parts dispose dun
droit de coproprit sur les actifs du fonds, droit proportionnel au nombre de parts
possdes.
Socit dInvestissement Capital Variable SICAV : socit qui a pour objectif
de mettre en commun les risques et les bnfices dun investissement en valeurs
mobilires. La socit dispose dun conseil dadministration et les actionnaires de la
SICAV bnficient dun droit de vote lassemble gnrale annuelle.

12

Optimisation dun portefeuille multi-assets selon lapproche VaR/CVaR

Classification en fonction de la politique dinvestissement :


Les OPCVM sont classs en 3 catgories :
I Les OPCVM actions :
Dans ce cadre, les SICAV et les FCP ont lobligation dtre investis, en permanence,
hauteur de 60% au moins sur le march des actions. Le calcul de leur exposition
est effectu selon la formule suivante :
Actif s en actions
100
Actif net
Cest en effet la catgorie dOPCVM la plus risque.
Degr d0 xposition =

I Les OPCVM obligataires :


Ces OPCVM doivent avoir un actif net dont au moins 90% est constitu dobligations et de Titres de Crances Ngociables. Leur exposition au risque actions ne
doit pas dpasser 10% de leur actif net. Cette catgorie est la moins risque.
I Les OPCVM diversifis :
Les SICAV et les FCP diversifis nont pas les mmes contingentements que ceux
dvelopps plus haut et sont libres dacqurir des actions, des obligations et des titres
du march montaire pour peu quils respectent les plafonds de placements sur une
mme valeur ou un mme metteur tels que prvus par les rgles prudentielles qui
leur sont applicables.
Organigramme :
Lorganigramme de Wafa Gestion est constitu de 4 blocs qui sont lis aux mtiers savoir le marketing et vente, la gestion et la production et puis les fonctions
transverses regroupes autour du secrtariat gnral, et le bloc de la gestion dactif.
Au niveau de la gestion, la stratgie de Wafagestion consiste grer par classe
dactif, il y a des personnes qui grent des actions, dautres qui sont sur les taux et
une autre entit analyse et recherche qui sintresse aujourdhui, beaucoup plus la
partie macroconomique, car quand on gre des actifs, les comptes de la nation nous
intressent beaucoup et donc nous devons les suivre de trs prs.

1.2

Gestion de portefeuille :

La gestion dactifs financiers ou lAsset Management, repose sur la gestion des


capitaux ou des fonds confis par des investisseurs afin de raliser un revenu plus ou
13

Optimisation dun portefeuille multi-assets selon lapproche VaR/CVaR

moins important et denregistrer des performances positives sur une dure plus ou
moins longue en investissant dans les diffrentes classes dactifs.
Cette gestion doit se faire en respectant les obligations rglementaires et les
engagements contractuels et en appliquant des stratgies dinvestissements dfinies
au pralable, afin de dgager le meilleur rendement possible et ceci pour un niveau
de risque choisi.

1.2.1

Portefeuille :

Un Portefeuille est lensemble dactifs financiers dtenus par un investisseur qui


est une personne morale ou physique. Ces actifs peuvent provenir de diffrentes
classes : actions, obligations, matires premires et galement, des produits plus
sophistiqus, comme les produits drivs.
Un actif " titre " financier se caractrise par une srie de flux futurs de trsorerie
qui sont plus ou moins risqus. On distingue les titres reprsentatifs de capitaux
propres (les actions), les titres reprsentatifs de lendettement (obligations, billets
de trsorerie, certificats de dpt, bons du Trsor,...) et les titres optionnels et
contractuels (les produits drivs).
Action : Une action est un titre de proprit avec des spcificits propres. Chaque
action dune entreprise reprsente une fraction du capital social de celle-ci et fait
de son dtenteur, lactionnaire, lun des "propritaires" de lentreprise. Celui-ci peut
donc participer lAssemble Gnrale annuelle des actionnaires, o les discussions
portent sur lorientation et la gestion de lentreprise.
Obligation : Une obligation nest pas un titre de proprit mais un titre de
crance. L o une action est une part du capital social dune entreprise, lobligation
est une part de la dette dune entreprise que celle-ci sengage rembourser. Lorsquune
entreprise met un emprunt obligataire, elle dcide de se tourner vers les marchs
financiers pour obtenir un financement, plutt que vers une banque, le rapport en
termes de taux et de dure tant souvent plus intressant.
Matires premires : Actifs souvent considrs comme "alternatifs", les matires
premires peuvent avoir une volution significativement diffrente des marchs de
valeurs mobilires traditionnelles (actions, obligations). En effet, lvolution de leur
prix est fortement lie au niveau de production voire au niveau des rserves naturelles
estimes, notamment dans le cas des produits sur lnergie. Les facteurs climatiques
et gopolitiques peuvent galement impacter leurs cours.
Produits drivs : En finance, une option est un produit driv qui tablit un
contrat entre un acheteur et un vendeur. Lacheteur de loption obtient le droit, et
14

Optimisation dun portefeuille multi-assets selon lapproche VaR/CVaR

non pas lobligation, dacheter (call) ou de vendre (put) un actif sous-jacent un


prix fix lavance (strike), pendant un temps donn ou une date fixe. Ce contrat
peut se faire dans une optique de spculation ou dassurance.

1.2.2

Les stratgies de gestion :

Les stratgies de gestion de portefeuille peuvent tre rparties selon plusieurs


classifications :
La gestion traditionnelle :
Lappellation "gestion traditionnelle" regroupe les types de gestion "benchmarks",
cest dire visant investir dans un type dactif financier dfini et comparer la
performance du fond un actif de rfrence tel quun indice. Les fonds de gestion
traditionnelle peuvent tre investis en actions, obligations, titres montaires ou en
fond diversifi
La gestion alternative :
La gestion alternative, contrairement la gestion traditionnelle, est dcorrle
des marchs financiers et vise un objectif de performance "absolue", et non relative
un benchmark. Linvestisseur nest donc plus expos lorientation du march, mais
directement la performance du grant du fonds. Ce dernier a pour but dexploiter
linefficience des marchs pour amliorer les performances de son portefeuille, grce
des stratgies darbitrages mais galement un ventail de produits financiers plus
importants quen gestion traditionnelle. Un fonds alternatif pourra ainsi utiliser tous
types de produits drivs effet de levier mais galement la vente dcouvert.
Ce type de gestion ne peut intgrer des catgories traditionnelles de fonds FCP/
SICAV et tre enregistr en tant que tel.
La gestion passive ou indicielle :
A linverse, la gestion passive ou indicielle a pour objectif de rpliquer fidlement
les performances dun march de rfrence. La mthode utilise consiste gnralement rpliquer en miniature lindice de rfrence. Ce type de gestion ncessite
nettement moins de travail de recherche pour le grant, elle est souvent partiellement
automatise. De plus, les frais sont gnralement moins levs en raison dun nombre
moins important de transactions ralises pour sa gestion.
Il existe un autre type de stratgie se basant sur loptimisation. Cette stratgie
consiste dterminer le portefeuille de titres ayant lerreur de rplication la plus
faible par rapport lindice de rfrence. Le grant va tester diffrentes combinaisons
en se basant sur la corrlation des diffrentes valeurs lindice. Cette mthode ne
prend pas en compte la pondration des diffrentes valeurs.
15

Optimisation dun portefeuille multi-assets selon lapproche VaR/CVaR

La gestion active :
La gestion active a pour objectif de surperformer le march de rfrence (appel
"benchmark") du portefeuille gr. Le gestionnaire, laide de divers outils danalyse,
va slectionner de manire discrtionnaire les produits, titres ou secteurs susceptibles
de crotre plus vite que le march. Ce mode de gestion, en opposition celui de
gestion passive, concerne donc tous les fonds et portefeuilles qui ne visent pas
reproduire la performance dun march de rfrence, mais faire mieux que ce dernier.
La majorit des fonds utilisent ce mode de gestion. Au sein mme de la gestion
active, il existe diffrents styles que lon peut classer selon le niveau de risque, la
rpartition gographique ou sectorielle des portefeuilles, le type de produits utiliss
ou lhorizon de temps des investissements. Ces fonds peuvent tout aussi bien tre
grs de manire "traditionnelle" ou "alternative.

1.3

La thorie moderne du portefeuille :

La thorie moderne du portefeuille est ne en 1952 avec la publication de larticle


fondateur de Harry Markowitz. En partant du postulat que le risque dun portefeuille
peut tre correctement mesur par la variance de sa rentabilit, Markowitz explicite
et formalise le dilemme fondamental de la finance moderne : obtenir une rentabilit
faible mais certaine, ou accepter de prendre un risque dans lespoir daccrotre cette
rentabilit, lesprance de rentabilit tant dautant plus leve que le risque est
important. Il formalise et quantifie galement leffet de diversification selon lequel une
combinaison judicieuse de nombreux actifs dans un portefeuille permet de rduire le
risque total subi pour un taux de rentabilit espre donn. Le modle de Markowitz
permet de slectionner le portefeuille qui soit optimal pour chaque investisseur : on
parle dun portefeuille efficient.
B Un portefeuille est efficient au sens de Markovitz sil permet datteindre un
niveau de rendement anticip fix avec le minimum de risque.
B Ou, de manire quivalente, si, pour un niveau de risque donn, il permet
datteindre le maximum de rendement moyen (espr).
Simple dutilisation, le modle de Markowitz demeure, mme plus de quarante ans
plus tard, la rfrence numro un en matire de gestion de portefeuille. Cependant,
plusieurs hypothses poses par Markowitz diminuent considrablement sa valeur. Il
est donc possible damliorer ce modle.

16

Optimisation dun portefeuille multi-assets selon lapproche VaR/CVaR

1.4

Le risque de march :

1.4.1

Dfinition :

On dfinit le risque de march comme le risque de perte quune position de


taux, change, action, ou matire premire peut entraner dans lhypothse dun
scnario dvolution dfavorable des paramtres de march. Les paramtres sont les
taux dintrt et les prix des crances, les cours de changes, dactions, de matires
premires et dindices boursiers. La premire tape dans le contrle des risques de
march consiste analyser les positions en termes de facteurs de risque.
Un portefeuille est constitu dinstruments financiers destins tre revendus
ou de positions ouvertes destines tre dboucles ou inverses un horizon
dinvestissement en vue de la ralisation dun bnfice. Il doit donc toujours sanalyser
au travers de sa valeur liquidative.
Les fluctuations imprvisibles des valeurs des instruments financiers gnrent
un risque de perte. Toute tentative de contrle du risque de march passe par une
analyse aussi fine que possible des risques particuliers. Il faut dabord comprendre
lorigine du risque, et ceci en le dcomposant en facteurs de risque.
Le facteur de risque : est la particule lmentaire, la plus petite unit de
risque. Au sens large, le facteur de risque pourrait se dfinir comme tout lment
dont lexistence et/ou lvolution future sont inconnues et imprvisibles aujourdhui
et qui sera en mesure dinfluencer la valeur de march dun portefeuille donn. Il
peut tre qualitatif (un vnement politique), quantitatif (le niveau dindice MASI,
MADEX, MBI) ou observable (prix des actifs)
Avant la dfinition dobjectif de chaque portefeuille, il est ncessaire dorganiser
un processus raisonn de matrise du risque global et de slection des valeurs. Le
processus doit au pralable dfinir les univers dintervention ou dinvestissement.
Lallocation dactifs vient aprs comme stratgie dinvestissement. Elle se rsume
globalement sur larbitrage rendement/risque.

1.4.2

Les mesures de risque :

En gestion de portefeuille, les Mesures de risque cohrentes ont t introduites par Artzner, Delbaen, Eber et Heath (1997, 1999). Elles ont pour objet
principal de dterminer le montant qui doit tre tenu en rserve afin de maintenir la
probabilit de faillite sous un seuil raisonnable.
Une mesure de risque est appele " cohrente au sens dArtzner " si elle vrifie
les proprits suivantes :

17

Optimisation dun portefeuille multi-assets selon lapproche VaR/CVaR

Invariance par translation :


(X + a) = (x) + a
X tant une variable alatoire et a un nombre rel. Ceci signifie que, si le montant
a est initialement investi dans la position, alors la variation de la mesure de risque
est gale a lui-mme.
Sous additivit :
Pout tout X1 et X2 variables alatoires, on a :
(X1 + X2 ) (X1 ) + (X2 )
Ceci implique quaucune concentration nengendre de risque supplmentaire.
Homognit positive :
Pour toute variable alatoire X, et tout 0 on a :
(X) = (X)
Cette proprit implique une relation de proportionnalit de la mesure de risque
avec la valeur de la position.
Monotonie :
Pour toutes variables alatoires X1 et X2 :
X1 X2

(X1 ) (X2 )

Ceci implique quun rsultat systmatiquement moins bon quun autre a un risque
plus fort.
La rgulation de lactivit OPCVM a suscit tout un courant de rflexion sur
lanalyse du risque et la recherche en particulier dune mesure de risque susceptible de
rsumer une position financire pour un nombre suffisamment significatif, quantifiant
ainsi le risque associ cette position. Une mesure est apparue en particulier : la
value-at-risk (valeur en risque). Elle est base sur la notion de quantile dune
distribution de probabilit. Contrairement la variance, elle mesure rellement un
risque de perte li au portefeuille et la minimisation de celle-ci ne prendra donc pas
compte les carts favorables par rapport la moyenne espre du rendement. Posant
cependant certains problmes, il est apparu ncessaire dintroduire dautres mesures
ou de nouvelles amliorations.

18

Chapitre 2
Value at Risk
2.1
2.1.1

Gnralits :
Histoire :

Lobjectif dune mesure de VaR peut tre synthtis par :


Nous sommes certains quavec X pour cent de chances, nous ne perdons pas
plus de V dirhams dans les N prochains jours.
Les mesures du risque ont bien volu depuis que Markowitz a avanc sa clbre
thorie de la diversification de portefeuille la fin des annes 1950, thorie qui devait
rvolutionner la gestion de portefeuille moderne.
La notion de Value-at-Risk (VaR) est apparue pour la premire fois dans le
secteur de lassurance. Durant les annes 80, les outils de gestion de risques ntaient
pas efficaces et ne rpondaient plus aux attentes des diffrents acteurs de la scne
financire. Les outils de lpoque ne permettaient aucune comparaison entre les
actifs. De plus lapparition des produits drivs, laugmentation de la volatilit sur
les marchs ainsi que plusieurs crises financires comme le cas de la banque Barings
ont pousss le dveloppement dun indicateur qui permettrait de regrouper un risque
financier en un seul montant.
Selon Paul Glasserman et al. (2000), deux vnements ont concouru ladoption
gnralise de la VaR sur le secteur financier et un autre a favoris son dveloppement
dans les entreprises surtout amricaines.
 Premier vnement :
Le premier date de 1995. Runis en comit la banque des rglements internationaux Bale, les reprsentants des banques centrales de dix grandes conomies de
louest proposent de nouvelles rgles amendant laccord de Bale de 1988 et imposant
aux tablissements financiers un niveau de fonds propres proportionnels aux risques
rsultant de leurs engagements. Officiellement adopts en 1996, cette proposition
incite les banques dvelopper des modles internes sophistiqus pour calculer leurs
VaR. En effet, elles peuvent ainsi esprer une diminution des fonds propres quelles
19

Optimisation dun portefeuille multi-assets selon lapproche VaR/CVaR

doivent dtenir par rapport aux montants des fonds propres exigs sur les autres
banques qui se fondent sur les modles standards (dicts par les autorits de tutelle
pour dterminer les besoins des banques en capitaux propres). Ainsi, ds le dpart,
la recherche dun allgement des obligations rglementaires est un important facteur
de la croissance de la VaR.
 Deuxime vnement :
Le deuxime vnement sest produit sur Internet. En 1994, la banque amricaine
JP Morgan a mis gratuitement son systme RiskMetrics la disposition de tous sur
Internet. Ce systme fournissait les donnes financires et la mthodologie ncessaire
au calcul de la VaR dun portefeuille. Les autres tablissements financiers et les
entreprises peuvent utiliser le calculateur de VaR de RiskMetrics ou tlcharger les
donnes sur leurs propres systmes de gestion des risques. Trs vite, sont apparus de
nouveaux fournisseurs de programmes de gestion des risques exploitant RiskMetrics,
transformant cette mthodologie en une rfrence incontournable.
Un troisime vnement a probablement moins dimpact ce jour, mais cest
lun des grands facteurs dexpansion de la VaR parmi les entreprises amricaines. En
1997 aux Etats Unis, la Securities and Exchange Commission (SEC), proccupe des
risques cachs derrire les instruments hors bilan, a mis des rgles de communication
relative aux produits drivs employs par les entreprises : celles-ci ont trois solutions
pour faire tat des risques associs aux instruments drivs : tableau des valeurs
de march, mesure de sensibilit ou VaR. Cest la raison pour laquelle les rapports
annuels de Microsoft, de Philip Morris et de bien dautres grandes socits prsentent
maintenant des calculs de la VaR. Rcemment, les recommandations du comit Bale
II publi en 2004 ont renforc lutilit de cette notion.
En ce qui concerne la littrature, plusieurs articles valuent le risque de march
en se basant sur la technique de la Valeur Risque et ses diffrentes mthodes. La
VaR donne lieu diffrents modles dvaluation qui lient le rendement des diffrents
actifs aux diffrents facteurs de risque :
# Le premier type de modle repose sur la mthode des Variances Covariances
dveloppe et diffuse par JP Morgan grce son systme RiskMetrics TM en 1996.
Cette mthode qui se base sur une valuation locale des positions est appele aussi
delta normal (Jorion 2001).
# Le deuxime type de modle utilisant une valuation complte regroupe les
mthodes de simulation historique et de Monte Carlo.

2.1.2

Dfinition :

De faon gnrale, la Value-at-Risk est dfinie comme la perte maximale potentielle


qui ne devrait tre atteinte quavec une probabilit donne sur un horizon temporel
20

Optimisation dun portefeuille multi-assets selon lapproche VaR/CVaR

donn. La Value at Risk est donc la pire perte attendue sur un horizon de temps
donn pour un niveau de confiance donn.
Ainsi, la Value-at-Risk nest rien dautre quun fractile de la distribution de perte
et profit associe la dtention dun actif ou dun portefeuille dactifs sur une priode
donne. La mesure de Value-at-Risk ne fait que reflter linformation contenue dans
la queue gauche (associe aux pertes) de la distribution des rendements dun actif.
Si lon considre un taux de couverture de X% (ou de faon quivalente un niveau
de confiance de 1 X%) la Value-at-Risk correspond tout simplement au fractile de
niveau X% de la distribution de perte et profit valable sur la priode de dtention
de lactif :

V aR(X) = F 1 (X)

(2.1)

O F (.) dsigne la fonction de rpartition associe la distribution de perte et profit.

Figure 2.1 Calcul de la VaR au seuil de confiance X partir dune loi normale
pour les variations de valeur du portefeuille.

2.1.3

Les paramtres de la Value at Risk :

La VaR dun portefeuille prend la forme dun nombre unique par rfrence
une priode de dtention (horizon temporel) et un certain niveau de confiance. La
prudence sexprime par le choix intelligible de ces deux paramtres.

Lhorizon temporel :

Cest la priode sur laquelle les pertes potentielles sont estimes. Son choix dpend
de certains facteurs notamment de la frquence de recomposition du portefeuille, de
la liquidit des actifs financiers qui y sont contenus, de lutilisation de la VaR. Selon
Jorion (2001) la priode de dtention devrait correspondre la plus longue priode
requise pour la liquidation normale du portefeuille.

21

Optimisation dun portefeuille multi-assets selon lapproche VaR/CVaR

En effet, pour que la mesure de risque soit significative, une hypothse fondamentale est implicitement faite sur la stabilit des positions considres ainsi que la
composition du portefeuille jusqu lchance de dtention. Lobjectif est de ne pas
trop scarter de la ralit.
Le choix de lhorizon temporel dpend de lutilisation de la VaR. Un trader
calcule les pertes et les profits chaque jour. Sa position est gnralement liquide et
activement gre. Pour un usage interne, il semble judicieux de calculer la VaR sur
un horizon temporel dun jour ouvr. Si cette VaR est inacceptable, le portefeuille
peut tre rajust assez rapidement. Par ailleurs, une VaR sur un horizon plus long
aurait peu de sens compte tenu des variations dans la composition du portefeuille.
Un horizon temporel dun mois est choisi par un grant dun fonds de pension,
car son portefeuille est gr de manire moins active et certains des instruments qui
le composent sont peu liquides. De plus, les performances dun fonds sont souvent
values sur une base mensuelle.
Quelle que soit lutilisation de la VaR, lorsque les risques de march sont pris en
considration, les analystes calculent en premier lieu la VaR sur un horizon temporel
dun jour. Lhypothse habituelle est :
V aR N jours = V aR 1 jour

(2.2)

Cette formule est exacte si les variations de la valeur du portefeuille sont indpendantes et ont une distribution normale, de moyenne nulle, sur N jours successifs.
Dans les autres cas, cette formule est approximative.

Le niveau de confiance :

Le niveau de confiance est gal 1 moins la probabilit des vnements dfavorables. Il reflte le niveau dincertitude quon est prt accepter. Par exemple, si
la mesure de la VaR se fait un niveau de confiance de 95%, les pertes effectives
devraient dpasser notre estimation seulement 5% du temps. Si cela parat inconfortable pour linvestisseur, il peut utiliser une VaR de 99% et ne peut sous estimer
alors que 1% des cas probables. Autrement, sil craint les risques, il sarrangera pour
que la probabilit des vnements dfavorables soit trs petite.
Intuitivement, plus la mesure des pertes potentielles maximales est correcte, plus
le niveau de confiance devra tre large afin de saisir au mieux toutes les situations
envisageables y compris les plus extrmes. Notons dans ce mme cadre que plus ce
niveau est important, plus la VaR sera leve. Le niveau de confiance est le paramtre
sur lequel il est le plus facile de jouer, compte tenu de la dpendance des autres
paramtres dautres considrations externes linvestisseur.

22

Optimisation dun portefeuille multi-assets selon lapproche VaR/CVaR

2.2

Mthodes de calcul de la VaR :

La Value at Risk est lorigine un calcul de probabilit. Ces modles de probabilits sont des lois mathmatiques qui permettent dattacher des probabilits
des variables alatoires. Mathmatiquement, la notion de la Value-at-Risk se traduit
ainsi :
P r(V < VaR) = 1 c
Avec :
V la variation de la valeur V du portefeuille sur la priode de dtention.
c : le niveau de confiance.
Les principales mthodes de lapproche classique de calcul de la VaR peuvent tre
classes en trois catgories : Simulation Historique, mthode de Variance Covariance
et Simulation de Monte Carlo. Le choix entre ces techniques destimation nest
pas une tche facile pour le gestionnaire de risque. En effet, son choix se base sur
les capacits de chaque mthode rpondre ses besoins. Pour choisir entre ces
diffrentes mthodes de calcul de la VaR, Linsmeier et Pearson (1996) numrent les
critres suivants :
La capacit de la mthode capter les risques lis aux produits drivs comme
des options par exemple ;
La facilit dans limplantation de la mthode choisie ;
La facilit dans la communication des rsultats de la mthode des utilisateurs
internes et externes ;
La fiabilit des rsultats obtenus ;
La flexibilit de la mthode incorporer des hypothses alternatives choisies
par le gestionnaire de risque (ajustement du niveau de corrlation, de volatilit,
...).

2.2.1

Mthode historique :

La mthode historique ou mthode du quantile empirique est une mthode simple


dans sa conception et sa mise en vre, puisquelle ne fait aucune hypothse sur la
forme de la distribution des pertes et profits. Il suffit alors, de disposer de la srie
des donnes historiques des rendements du portefeuille dont on souhaite calculer
la VaR, partir de laquelle il est possible de construire la distribution empirique
des pertes et profits et den dduire la VaR au quantile dsir. Lhistorique des prix
reprsente les observations des diffrents actifs pour un certain nombre de priodes
passes. Cette tape est fondamentale pour estimer les variations potentielles de la
valeur du portefeuille dans le futur proche. Formellement, la VaR est estime par la
lecture directe des fractiles empiriques des rendements passs.

23

Optimisation dun portefeuille multi-assets selon lapproche VaR/CVaR

Mthodologie de base :
On dtermine les diffrents facteurs de risques Xi (i=1,.., n) qui peuvent tre
indices, cours de titres, taux dintrt, taux de change, ... et qui expriment la valeur
du portefeuille Pp par la relation suivante :
Pp = f (X1 , X2 , ..., Xn )
En utilisant la srie historique des prix, on calcule les variations relatives i
associes aux facteurs de risques Xi par la formule suivante :
K (t) =

XK (t) XK (t 1)
XK (t 1)

k = 1, .., n

t = 1, .., T (Dans notre cas T = 500)


Les i reprsentent les performances ralises par le facteur i linstant t
On dduit alors, par le mme modle dvaluation, la distribution des performances futures du portefeuille PP f comme suit :
P erf (PP f ) = f (k )
Perf dsignant la performance dun portefeuille, ou dans notre cas, dun actif.
Nous notons jour 0 le premier jour pour lequel on dispose dinformations, jour 1
pour le 2e jour, etc. Le scnario i correspond au scnario dans lequel les variations de
valeurs de toutes les variables de march sont constantes entre le jour i-1 et le jour
i. La variation en devises de la valeur du portefeuille entre aujourdhui et demain
est ensuite calcule pour chaque scnario. Nous obtenons ainsi la distribution de
probabilit des variations de la valeur du portefeuille analys.
Nous classons les valeurs correspondantes aux pertes et profits par ordre de
grandeur croissante
Finalement, pour calculer la Valeur--Risque du portefeuille Pp %, il faut
trouver la perte qui correspond au rang :
r = (1 ) T %
Pour un seuil de 99%, la VaR estime correspond la perte au premier centile,
dfini par la cinquime variation la plus dfavorable. Nous sommes certains 99%
que la perte ralise ne dpassera pas la VaR.
Lorsque les risques de march sont pris en considration, les analystes calculent
en premier lieu la VaR sur un horizon temporel dun jour. Lhypothse (2.2) est
toujours valable .
On peut galement calculer la VaR en termes de pourcentage de notre portefeuille,
et le passage une valeur en dirhams seffectue en multipliant le pourcentage par le
montant de notre investissement total. On obtient donc le rsultat :
V aR(M ontant) = V aR(%) Investissement
24

Optimisation dun portefeuille multi-assets selon lapproche VaR/CVaR

Interface de calcul :
Linterface contient tous les actifs sur lesquels le grant peut investir, rpartis en
classe dactif. Il lui suffit donc de cocher les actifs quil veut inclure dans le portefeuille
en question, ainsi que leur poids au sein de leur classe, et ensuite prciser le poids de
chaque classe au sein du portefeuille.

Figure 2.2 Interface de choix des actifs composants le portefeuille

Le grant doit galement prciser le montant de son investissement initial dans le


portefeuille.
Le bouton " Valider " permet au grant de valider les donnes saisies pour
passer aux phases de calcul.
Le bouton " Rinitialiser " quant lui permet de tout remettre ltat initial
pour commencer la constitution dun nouveau portefeuille.

25

Optimisation dun portefeuille multi-assets selon lapproche VaR/CVaR

Figure 2.3 Interface de composition des classes dactifs, validation et rinitialisation


Une fois les vrifications termines et tous les champs remplis, le portefeuille
constitu est automatiquement gnr

Figure 2.4 Gnrateur de portefeuille


Le bouton " Sc.historique " : gnre dans une nouvelle feuille " matScenario "
les scnarios des performances ventuelles de chacun des actifs cochs.

26

Optimisation dun portefeuille multi-assets selon lapproche VaR/CVaR

Figure 2.5 Historique des donnes dvolution des prix et des rendements

La partie infrieure de linterface est destine au calcul de la VaR. Le bouton est


destin au lancement de calcul de VaR par la mthode historique. Toute mthode ne
peut tre lance que si les donnes ncessaires son excution ont dj t gnres.
Ainsi les rsultats sont affichs dans le tableau ci-dessous.

Figure 2.6 Interface de calcul de la VaR historique

Avantages et limites de la mthode historique :


La mthode de Simulation Historique est une approche non paramtrique, ne
retient aucune hypothse concernant la distribution des pertes et profits. Elle repose,
en particulier, sur lutilisation des sries journalires passes des facteurs de risques
qui influencent sur le portefeuille. Par ailleurs, le systme est ais implmenter et
27

Optimisation dun portefeuille multi-assets selon lapproche VaR/CVaR

ses principes sont faciles comprendre tous les niveaux de lentreprise.


Malgr la facilit de comprhension et dexplication de cette mthode, plusieurs
limites existes :
Lhypothse que la VaR future se comporte comme la VaR passe ;
La srie des donnes historiques qui peut aller jusqu plusieurs observations ;
La grande sensibilit des rsultats par rapport la longueur de lhorizon de
temps et la priode de temps ;
Le problme de cohrence des donnes collectes.
Un dveloppement possible de la mthode de simulation historique peut se
raliser en considrant la pondration historique. La simulation historique standard
suppose une pondration gale de chaque observation passe. Avec n observations
des variations journalires, chacune a une pondration 1/n.
La mthode de pondration historique suggre de pondrer davantage les observations rcentes, qui refltent davantage les conditions macroconomiques et les
volatilits observes. Le schma de pondration gnralement adapt est de type
exponentiel. Si lon se place au jour n, la pondration de la variation du portefeuille
entre les jours n-i et n-i+1 est fois le poids attribu la variation entre les jours
n-i+1 et n-i+2. La somme des poids tant 1, la pondration de la variation entre les
jours n-i et n-i+1 est :
i1 (1 )
1 n
Avec n le nombre de jours. Comme 1, ce schma de pondration est proche
de celui de la simulation historique.
On commence par trier les observations par ordre croissant. Ensuite, les pondrations cumules sont obtenues en commenant par lobservation la plus dfavorable
jusquau quantile souhait.

2.2.2

Mthode bootstrap :

Mthodologie de base :
La mthode de bootstrap est une autre variante de la simulation historique. Elle
consiste construire un certain nombre de variations de la valeur du portefeuille
sur la base dobservations passes. Ensuite par tirage avec remise, on construit des
chantillons pour lesquels les VaR sont calcules.
Supposons que lon dispose de 500 observations journalires. On effectue par
exemple 500 000 tirages avec remise pour obtenir 1000 nouveaux chantillons de 500
observations.

i =

xi (T ) xi (1)
xi (1)

pour

i = 1, .., 1000 et dans notre cas T = 500


28

Optimisation dun portefeuille multi-assets selon lapproche VaR/CVaR

Nous classons les valeurs correspondantes aux pertes et profits par ordre de
grandeur croissante. Finalement, pour calculer la Valeur--Risque du portefeuille
%, il faut trouver la perte qui correspond au rang :
r = (1 ) T %
Interface de calcul :
Aprs que le grant constitue son portefeuille et prcise le montant dinvestissement
comme vu dans la premire mthode.
Le grant doit prciser le nombre ditrations.
Et par la suite activer les deux boutons "Sc.bootstrapp" et "VaR boutstrap"
pour lancer la simulation.

Figure 2.7 Interface de calcul de la VaR bootstrap

2.2.3

Mthode paramtrique :

La mthode paramtrique ou mthode de variance covariance a t introduite par


JP Morgan avec son systme RiskMetrics. Elle tire son nom du fait quelle mesure la
VaR sur la base de lestimation de la matrice variances-covariances des variations
des facteurs de risque lesquelles composent le portefeuille. Cette mthode repose sur
la normalit de la distribution des facteurs de risque, la normalit de la distribution
des pertes et profits, la stationnarit des prix ou des rendements de la position objet
de lestimation pour lhorizon retenu de calcul de la VaR et repose galement sur la
linarit de la relation entre les prix de ces positions et les facteurs de risque.

Mthodologie de base :
Dans le cas particulier o la variable alatoire t suit une loi normale de moyenne
E(t ), et dcart type (t ), la dfinition peut se transformer en :

P r[

pt E(pt )
V aRq E(pt )

]=1q
(pt )
(pt )
29

Optimisation dun portefeuille multi-assets selon lapproche VaR/CVaR

q E(pt )
Ce qui montre que lexpression V aR(p
est le quantile de la distribution
t)
normale rduite, ordinairement not z1q . Comme z1q =-zq , ceci permet donc dcrire
VaR sous forme trs simple :

V aRq = E(t ) zq .(t )


En fonction de lesprance et de lcart type de la perte. Dans le cas dune
distribution normale, le paramtre V aR se calcule simplement, par :
V aRq = zq .(t )
Les valeurs de zq se trouvent dans les tables de la distribution normale.

Pour un portefeuille :

Considrons un portefeuille constitu de N actifs en nombres respectifs n1 , , nN .


On peut montrer que dans le cas o les prix sont remplacs par les returns, les
nombres ni dactifs en portefeuille doivent eux tre remplacs par des proportions
xi (nombre positifs dont la somme vaut 1) reprsentant les poids de chaque actif
dans lensemble du portefeuille. Si on note pj le prix du j-me titre, le prix pp du
portefeuille sera donn par :

pp =

N
X

nj pj

j=1

Et la variation de prix obira la mme relation :


pp =

N
X

nj pj

j=1

Une fois connue la distribution des diffrentes variations pj , il nest pas vident
den dduire la distribution de pp . En effet, la loi de probabilit dune somme de
variables alatoires nest aise dterminer que si celles-ci sont indpendantes, ce qui
nest bien videmment pas le cas dans un portefeuille multi assets. Il est cependant
possible de trouver lesprance et la variance de pp partir de lesprance, de la
variance et des covariances des diffrents pj :
E(pp ) =

N
X

nj E(pj )

j=1

V aR(pp ) =

N X
N
X

ni nj cov(pi , pj )

i=1 j=1

o on a pos, lorsque i=j :


cov(pi , pj ) = var(pi )

30

Optimisation dun portefeuille multi-assets selon lapproche VaR/CVaR

La relation donnant V aR(pp ) est celle qui justifie le principe de diversification en


gestion de portefeuille : les corrlations imparfaites (< 1) entre les titres, permettent
de diminuer le risque du portefeuille.
Sous lhypothse de normalit, la VaR du portefeuille peut alors se calculer
partir de ces deux lments laide de la formule :
V aRq = E(pp ) zq .(pp )

Interface de calcul :
Aprs que le grant constitue son portefeuille et prcise le montant dinvestissement
comme vu dans la premire mthode .
Le grant doit activer le boutons "Param" pour gnrer la matrice de variancescovariances du portefeuille choisi .
Et par la suite activer le bouton "VaR Param" pour lancer le calcul de la VaR .

Figure 2.8 Interface de calcul de la VaR paramtrique

Avantages et limites de la mthode paramtrique :


Lapproche Variance-Covariance utilise la srie historique des donnes pour
estimer la distribution de rendement du march. Cette technique est flexible et simple
dans sa conception. Cependant, cette mthode souffre des faiblesses aux hypothses
restrictives suivantes :
. La linarit des rendements des portefeuilles ;
. La normalit des changements dans les facteurs de march.
. Lexistence dune matrice de covariance qui caractrise les donnes historiques.
De plus, lhypothse de normalit des distributions des variations des facteurs de
risque nest pas toujours satisfaisante mais permet une grande simplicit dans les
calculs.
31

Optimisation dun portefeuille multi-assets selon lapproche VaR/CVaR

Un autre inconvnient majeur de lusage de ces relations est quelles ncessitent


la connaissance, non seulement des paramtres univaris E(pi ) et V aR(pi ) pour
chaque titre, mais galement des paramtres bivaris cov(pi , pj ) pour chaque
couple de titres. Or, si le portefeuille comporte N=100 titres diffrents par exemple, les
premiers paramtres sont en nombre 2N=200, tandis que les seconds sont beaucoup
plus nombreux : N(N-1)/2=4950 Et il nest pas vident den disposer, dtre certain
de leur prcision ni de les manipuler.

2.2.4

Mthode Monte Carlo :

Mthodologie de base :
Lestimation de la VaR par la mthode de simulations Monte Carlo consiste
estimer la distribution de probabilit des gains et pertes du portefeuille partir
dun grand nombre de simulations de comportements futurs possibles des facteurs de
risque.
La mthode Monte Carlo faisant appel un trs grand nombre de simulations des
volutions possibles des facteurs de risque. Ainsi, le cours des actifs est gnralement
cens suivre un mouvement brownien gomtrique.
Pour pouvoir prsenter le mouvement brownien gomtrique nous devons tout
dabord dfinir les notions lmentaires :
Processus stochastique :
Un processus stochastique est dfini comme une suite de variables alatoires
indexes par le temps.
Processus de Markov :
Un processus de Markov est un cas particulier de processus stochastique tel que
seule la valeur prsente dune variable est utile pour anticiper sa distribution future
Processus de Wiener :
Cest un type particulier de processus de Markov qui est utilis en physique pour
dcrire le mouvement dune particule sujette un grand nombre de chocs molculaire.
Cest le mouvement Brownien
Il est dfini comme suit :
dx = a dt + b dz
O :
a : Processus de tendance centrale (" drift ") et il prsente lesprance de
variation du processus par unit de temps ;

32

Optimisation dun portefeuille multi-assets selon lapproche VaR/CVaR

b2 :Paramtre de variance ;
dz : Processus de wiener de tendance centrale nulle et de volatilit unitaire.
Processus dIt :
Cest un type particulier de processus de Wiener dont les paramtres dpendent
de x et t (temps) :
dx = a(x, t) dt + b(x, t) dz

Lemme dIt :
Pour une variable alatoire x qui suit un processus dIt. La fonction G qui
dpend de x et t (temps) est caractrise par le processus suivant :
G G 1 2 2 G
G
+
+ b
)dt + b
dz
2
x
t
2 x
x
Ainsi G suit un processus dIt tel que :
dG = (a

 a( G
+
x

G
t

+ 12 b2 xG2 ) : est le paramtre de tendence central de G.

 (b G
)2 :est le paramtre de variance de G.
x
Processus de cours des actifs :
Le processus stochastique qui modlise le cours dun actifs (un facteur de risque)
est le mouvement brownien gomtrique. Il a comme quation diffrentiel stochastique :
dS = Sdt + Sdz
O :
 :Rentabilit espre de lactif ;
 :Volatilit de lactif.

dS
= dt + dz
S

En pratique, on obtient des rsultats plus prcis en simulant ln(S) plutt que S.
Ainsi en utilisant le lemme dIt on trouve lquation suivante :
2
)dt + dz
2
Et en intgrant entre 0 et T, on obtient :
dln(S) = (

33

Optimisation dun portefeuille multi-assets selon lapproche VaR/CVaR

ST = S0 exp((

2
)T + T )
2

Avec est une gaussienne N(0,1).


Interface de calcul :
Aprs que le grant constitue son portefeuille et prcise le montant dinvestissement
comme vu dans la premire mthode .
Le grant doit prciser le nombre ditrations.
Et par la suite activer les deux boutons "Sc Monte Carlo 1", "Sc Monte Carlo
2" et "VaR M-C" pour lancer la simulation.

Figure 2.9 Interface de calcul de la VaR Monte Carlo

Avantages et limites de la mthode Monte Carlo :


La mthode de simulation Monte Carlo est une mthode performante et trs
adapte au calcul de la VaR. Cette mthode a la possibilit dintroduction de
nimporte quelle distribution de facteurs et de modliser nimporte quel portefeuille
complexe.
Cependant, elle prsente certaines limites notamment par rapport son cot
en temps de calcul ainsi quen infrastructure informatiques et en dveloppement
intellectuel.

2.3

Backtesting :

Modlisation :
Nous avons labor une interface de calcul de VaR pour des portefeuilles laide
de diffrents modles base de 500( respectivement 126, 252)donnes les plus rcentes
jusquau 30/12/2011
Linterface est destine au grant pour lui permettre de constituer son portefeuille.
Elle contient tous les actifs constituant lunivers type dinvestissement de Wafa
Gestion, le grant est cens prciser le montant de son investissement initial dans le
34

Optimisation dun portefeuille multi-assets selon lapproche VaR/CVaR

portefeuille comme dtaill dans la partie 2-2


Le grant a le choix de prcision de la taille de lchantillon et du modle de
calcul.
Rcapitulatif des rsultats obtenus :
Pour la composition suppose de notre portefeuille " fig. 2.4 ", nous obtenons les
rsultats suivants :
Seuil de confiance

95%

99%

VaR 1 jour (%)


VaR historique
VaR paramtrique
VaR Monte Carlo
VaR Bootstrap
VaR historique
VaR paramtrique
VaR Monte Carlo
VaR Bootstrap

Taille
126
-0.667
-0.667
-0.667
-0.776
-0.811
-0.781
-0.803
-0.871

de lchantillon
252
500
-0.700 -0.669
-0.700 -0.669
-0.700 -0.669
-0.782 -0.723
-0.938 -0.830
-0.905 -0.873
-0.818 -0.740
-0.907 -0.842

Temps de calcul
instantan
3 ms
40 s
40 s
instantan
3 ms
40 s
40 s

Table 2.1 Diffrentes VaRs en fonction de la taille de lchantillon


Nous remarquons que :
Malgr la diffrence entre les temps de calcul des diffrentes mthodes, tous
les modles aboutissent au rsultat en des temps machine raisonnables mme en
augmentant la taille de lchantillon et le nombre ditration.
Certes les diffrents modles fournissent de diffrents rsultats, mais la diffrence
reste acceptable dans un premier temps tant donn que les diffrentes valeurs de
la VaR [pour les mmes paramtres] appartiennent toutes un mme intervalle de
longueur dordre de grandeur 103
Nous ne pouvons donc en aucun cas juger de la pertinence dun modle par
rapport un autre. Cest ici quintervient le backtesting de nos modles.
Back test :
La rglementation exige que les institutions financires estiment leur VaR leur
faon ou via une mthode prconise. La plupart sen tiennent leur propre modle,
do lajout du risque de modlisation (la VaR nourrie des mmes donnes change
selon le modle). Do aussi la ncessit pour toute institution de valider, donc de
35

Optimisation dun portefeuille multi-assets selon lapproche VaR/CVaR

garantir, au fil de son exprience la fiabilit de ses mesures de VaR par des tests
rtroactifs (le back testing). Les VaRs successives issues dun modle deviendraient
suspectes si les grandes pertes outre-seuil observes savraient trop frquentes.
Nous allons donc back tester les diffrentes mthodes de calcul de VaR que nous
avons implment pour valider nos modles.
Pour le mme portefeuille et avec les 100 nouvelles donnes postrieures, nous
allons calculer le nombre de dpassement quil y ait eu et par consquent vrifier la
fiabilit du modle :
Nous rappelons que pour un seuil de %, il y a (1 )% de chances que la perte
associe la dtention de lactif excde la valeur de la VaR.
Seuil de confiance

95%

99%

Nombre de dpassements
VaR historique
VaR paramtrique
VaR Monte Carlo
VaR Bootstrap
VaR historique
VaR paramtrique
VaR Monte Carlo
VaR Bootstrap

Taille de lchantillon
126 252
500
9
8
8
12
12
12
6
6
8
6
6
6
6
3
5
6
3
3
6
5
6
3
3
5

Table 2.2 Nombre de dpassements base des 100 donnes postrieures selon la
taille de lchantillon
Nous remarquons que les dpassements encourus au cours des 100 jours qui ont
suivi dpassent le seuil de confiance fix pour le calcule de la VaR pour la majorit
des cas, ce qui peut remettre en question les modles implments. Nous pouvons
penser lhypothse que nous avons sous estimer la VaR de notre portefeuille.
La sous estimation remarque partir du back test est d au choix de la priode
de back testing mais surtout la mthode de gestion. En pratique, le grant procde
une gestion active de ses fonds, il doit tre en mesure de mettre jour ses donnes
quand il le dsire, pour cela, nous avons utilis une stratgie dactualisation base
de 60 jours*. Cette stratgie consiste recalculer de faon continue (dans notre
cas, chaque 60 jours), le sous ensemble de la matrice des scnarios de tel manire
quun nouvel lment remplace le plus ancien. La VaR est donc recalcule chaque
modification et le suivi du portefeuille est bien gr.
Si le grant dsire varier la priode danalyse, il peut tout simplement actualiser
ses donnes selon la priode quil souhaite, et revalider le modle.
Pour cela, nous basons donc notre back test sur la mme priode choisi comme
priode danalyse. Ici, nous prenons une fentre de 60 jours. A base des 60 jours qui
36

Optimisation dun portefeuille multi-assets selon lapproche VaR/CVaR

suivent, nous obtenons les rsultats suivants :

Seuil de confiance

95%

99%

Nombre de dpassements
VaR historique
VaR paramtrique
VaR Monte Carlo
VaR Bootstrap
VaR historique
VaR paramtrique
VaR Monte Carlo
VaR Bootstrap

126
3 (5%)
4 (6.6%)
1 (1.6%)
1 (1.6%)
1 (1.6%)
1 (1.6%)
1 (1.6%)
1 (1.6%)

Taille de
252
2 (3.3%)
4 (6.6%)
1 (1.6%)
1 (1.6%)
1 (1.6%)
1 (1.6%)
1 (1.6%)
1 (1.6%)

lchantillon
500
3 fois en 60 jours (5%)
4 fois en 60 jours (6.6%)
2 fois en 60 jours (3.3%)
1 fois en 60 jours (1.6%)
1 fois en 60 jours (1.6%)
1 fois en 60 jours (1.6%)
1 fois en 60 jours (1.6%)
1 fois en 60 jours (1.6%)

Table 2.3 Nombre de dpassements base des 60 donnes postrieures selon la


taille de lchantillon
Nous remarquons que les rsultats obtenus sont satisfaisants en termes de prcision
et temps de calcul. A chaque modification le grant doit revalider son modle et
ensuite relancer le calcul de sa nouvelle VaR, pour ne jamais rater une fluctuation
inattendue du march.
Dans la suite de notre rapport, nous baserons notre tude sur la mesure de VaR
historique pour un chantillon historique de taille 500 donnes.

2.4
2.4.1

Conditional Value at Risk ( CVaR ) :


Limites de la VaR :

Les principales critiques envers la VaR reposent sur les hypothses que lon pose
souvent concernant la loi normale pour cette mthodologie. Cette dcision fait en
sorte que lon peut sous-estimer dans de nombreux cas lpaisseur des queues de
distribution et de ce fait le risque rel auquel nous sommes exposs. Outre cette
critique concernant les hypothses, le principal point qui a influenc lapparition de
nouvelles mthodes dvaluation du risque avec les annes est le fait que la valeur
risque ne constitue pas une mesure de risque valable si lon se rfre la dfinition
que lon a du risque et qui est prsente plus haut. En somme, pour des distributions
non normales, la VaR est :
Une mesure de risque non cohrente au sens de Artzner vu quelle ne rempli pas la
condition de sous additivit.
Et elle prsente pour les problmes doptimisation quon va laborer par la
suite une complexit. En effet, Un problme doptimisation de portefeuille via une
contrainte VaR est :
Non linaire ;
37

Optimisation dun portefeuille multi-assets selon lapproche VaR/CVaR

Non convexe et non lisse par rapport aux positions du portefeuille ;


Prsente plusieurs extrema locaux.
Cela signifie que la VaR est difficile optimiser pour les distributions discrtes
quand elle est calcule base de scenarios. Etant donn sa non linarit, elle ne peut
tre utilise dans les modles doptimisation bass sur des solveurs linaires.

2.4.2

Conditional Value at Risk ( CVaR ) :

Plusieurs investisseurs qui ont perdu des montants significativement levs au


cours de la crise financire mondiale trace leur chute une mal comprhension de
lutilisation de la VaR. Certains admettent quils avaient tourn lil aux queues
de risque, et dautres prsument navoir pas saisi les limites de la mesure. Depuis,
la majeure partie de ces investisseurs ont adopt une mesure de risque relative qui
est la Valeur risque conditionnelle CVaR. Cette mesure est destine mesurer
les pertes extrmes, la CVaR est une extension de la VaR qui permet dobtenir le
montant total de perte tant donn un vnement. Quand les utilisateurs de la VaR
se demanderont : " Combien de fois mon portefeuille pourrait-il perdre au moins 1
million de dirham ? ", les utilisateurs de la CVaR se demanderont : " Quand la perte
de mon portefeuille dpassera le 1 million de dirham, combien pourrait-il perdre ? ".
Dfinition :
La CVaR est calcule en prenant une moyenne pondre de la VaR estime et
de pertes attendues au-del de la VaR. La CVaR est calcule en tant que VaR
incrmente de la probabilit pondre des pertes dpassant la VaR. Lestimation de
la VaR ne peut jamais dpasser lestimation de la CVaR. La relation entre les deux
mesures est illustre par le graphe suivant :

Figure 2.10 Relation entre VaR et CVaR

38

Optimisation dun portefeuille multi-assets selon lapproche VaR/CVaR

On a donc dfini une mesure complmentaire du risque de perte, la VaR conditionnelle CVaR. Pour une variable alatoire X, elle est dfinie par :
CV aR = E[X/X < V aR (X)]
En dautres termes, la VaR conditionnelle peut se dfinir comme lesprance de la
perte lorsque cette perte dpasse la VaR. Puisque la VaR mesure la valeur qui spare
les (1 %) de la distribution, on cherche se focaliser sur la queue de distribution
de la perte, les (%) restant, dont on ne connat ni la distribution, ni lesprance.
Contrairement la VaR, la CVaR est une mesure cohrente du risque qui respecte
les axiomes dfinis par Artzner et introduits au premier chapitre.
Proprits de la CVaR :
Soit X une variable alatoire reprsentant le risque associ un portefeuille donn.
La Valeur--Risque conditionnelle de X note CV aR (X) est une mesure de risque
alternative la V aR (X) que lon dfinie comme suit :
Pour ]0, 1[
C V aR (X) =

Z +

zdFX (z)

Avec :
FX (z)

P ourz < V aR (X)

FX (z)

P ourz V aR (X)

Parmi les avantages de la Valeur--Risque conditionnelle figure la sous additivit.


Ce qui signifie que :
i=n
X

C V aR (

Xi )

i=1

i=n
X

C V aR (Xi )

i=1

O, les Xi sont des risques de mme loi marginale.


Nous allons examiner plusieurs proprits de cette nouvelle mesure de risque.
Nous allons commencer par mettre en relief une relation entre la VaR conditionnelle
et la VaR classique.
I

Proprit 1 :

Pour tout risque X, CV aR (X) peut scrire en terme de la V aR (X) comme


suit :
CV aR (X) =

1 Z1
V aRu (X)du
1
39

[0, 1]

Optimisation dun portefeuille multi-assets selon lapproche VaR/CVaR

Proprit 2 :

La mesure CV aR (X) est invariante par translation, ce qui signifie que :


CV aR (X + c) = CV aR (X) + c

c 0

Cette proprit montre que si lon ajoute ou lon retranche un montant c dans
les comptes du centre de profit, le besoin en capital dcroit ou augmente du mme
montant c.
I

Proprit 3 :

La mesure CV aR (X) est positivement homogne, de sorte que : :


CV aR (c X) = c CV aR (X)

c 0

. o Le rsultat suivant montre une dcomposition convexe de lesprance du


risque en fonction de la mesure CV aR (X)
I

Proprit 4 :

Pour tout risque X, on a :


E(X) = (1 ) CV aR (X) CV aR1 (X)

Proprit 5 :

Pour tout risque X, la proprit suivante est une consquence du rsultat prcdent :
CV aR (c X) = c CV aR (X)

En numrant les proprits ci-dessus, on remarque clairement que la CVaR


prsente, comme mesure de risque, plusieurs avantages en la comparant avec la
Value-at-Risk :
. La CVaR est une mesure de risque cohrente au sens de Artzner.
. Elle est applicable aux distributions de perte non symtrique.

40

Optimisation dun portefeuille multi-assets selon lapproche VaR/CVaR

. Elle peut tre implmente par des programmes linaires, ce qui permet une
optimisation pour des problmes de trs grande taille.
. Elle est convexe par rapport aux positions du portefeuille.
. Elle considre les risques suprieurs la VaR.

41

Chapitre 3
Modlisation des problmes
doptimisation de portefeuilles &
Algorithmes de rsolution
3.1
3.1.1

Modlisation du problme doptimisation sous


contrainte CVaR :
Descriptif de lapproche :

Loptimisation des portefeuilles a fait son apparition avec le travail de Markowitz (1952) qui a introduit le couple rendement/variance dans le cadre du risque
management. Deux conditions principales sont requises pour le dveloppement de
loptimisation de portefeuille :
(1) Une modlisation approprie des fonctions dutilit, risque, et contrainte.
(2) Lefficacit ; signifiant la capacit de manipulation dun large nombre dinstruments et scnarios.
La rglementation en vigueur pour les tablissements financiers require certaines
mesures de risque considrant les percentiles des distributions des pertes. Lintrt
port la VaR est troitement li sa simplicit et facilit de reprsentation des
pertes leves. La VaR est difficile optimiser pour les distributions calcules partir
de scnarios. Dans ce cas, la VaR est non convexe, non lisse et prsente plusieurs
extrema locaux. Contrairement, la CVaR prsente des proprits beaucoup plus
simples. Cest une mesure de risque sous additive, convexe et surtout cohrente au
sens dArtzner et ceci pour nimporte quelle distribution.
En gnral, le problme doptimisation de portefeuille porte sur la minimisation
du risque pour un rendement donn. Lapproche que nous allons expliciter servira
traiter le problme doptimisation inverse qui nous intresse savoir maximiser le
rendement espr sous contrainte du risque (contrainte de la CVaR). Cette approche
42

Optimisation dun portefeuille multi-assets selon lapproche VaR/CVaR

est une technique doptimisation permettant loptimisation de la CVaR ainsi que le


calcul de la VaR du portefeuille rsultant.

3.1.2

Ecriture mathmatique du problme :

Dans cette partie nous allons expliciter les critures mathmatiques de la VaR et
de la C-VaR correspondant notre problme doptimisation.
Pour ce faire, on dfinit :
x : vecteur reprsentant le portefeuille, x = [x1 , xi , xn ] avec xi le nombre
de titre de lactif i
y : vecteur alatoire
f(x,y) : perte associe au portefeuille x ( une valeur ngative de la fonction f
signifiera un gain)
p(y) : densit de distribution y
La probabilit que f(x,y) ne dpasse pas un certain seuil est donne par :
(x, ) =

p(y)dy

(3.1)

f (x,y)

Etant une fonction de pour un x fix, (x, ) est la distribution cumulative de


perte associe au portefeuille x. Ainsi, (x, ) est une fonction croissante en et on
admet que (x, ) est continue partout par rapport .
Pour un certain portefeuille x et un certain seuil appartenant [0,1], les valeurs
-VaR et -CVaR seront nots respectivement (x) et (x) . Ils sont donc dfinit
comme suit :
V aR = (x) = min{ R/(x, ) }
(3.2)
1

CV aR = (1 )

f (x, y)p(y)dy

f (x,y) (x)

La premire formule (x) reprsente le point limite gauche de lintervalle non


vide constitu des valeurs avec :
(x, ) =
La deuxime formule, la probabilit que f (x, y) (x) se ralise est de 1 .
La cl de cette approche est de caractriser (x) et (x) par la fonction F dfinie
sur X R par :
1

F (x, ) = + (1 )

Z
yRn

[f (x, y) ]+ P (y)dy

Avec
[t]+ = max{t, 0}

43

Optimisation dun portefeuille multi-assets selon lapproche VaR/CVaR

Thorme 1 :
Etant une fonction de ,F (x, ) est convexe et continument drivable. La valeur
CV aR de la perte associe tout x peut tre dfinie par :
(x) = minR F (x, )
La V aR serait donc crite sous la forme :
(x) = argminR F (x, )
Thorme 2 :
Minimiser la CV aR des pertes associes un certain x parmi lensemble des
x X est quivalent a minimiser F (x, ) parmi tout les couples (x, ) X R tel
que :
minxX (x) = min(x,)XR F (x, )

O de plus, le couple (x, ) vrifie le second minimum si et seulement si x


correspond au premier minimum et argminR F (x, ) En particulier, dans
les conditions o lintervalle argminR F (x, ) est rduit un point unique, la
minimisation de F (x, ) sur X R produit un couple (x, ), pas forcment unique,
tel que x minimise la CV aR et reprsente la V aR correspondante.
Plus encore, F (x, ) est convexe par rapport (x, ), et (x) est convexe par
rapport x si f(x,y) est convexe par rapport x. Dans ce cas, si lensemble des
portefeuilles est convexe, le problme de minimisation associ est un exemple de
programmation convexe.
Selon le thorme 2, pour dterminer un x correspondant au minimum CV aR,
il nest pas ncessaire de travailler avec la fonction (x) tant donn la nature
de sa dfinition . On peut oprer directement sur la fonction F (x, ) largement
plus simple et convexe par rapport et mme souvent convexe par rapport (x, ) .
Avant dcrire le problme, on doit passer par la discrtisation et la linarisation
des fonctions.
Discrtisation :
Lintgrale de la formule de F (x, ) peut tre approche par plusieurs approches,
nous choisirons lchantillonnage de la probabilit de distribution de y dpendamment
de la densit p(y). Si lchantillon gnr donne des vecteurs y1 , y2 , ..., yJ , alors
lapproximation de
F (x, ) = + (1 )1

Z
yRn

44

[f (x, y) ]+ P (y)dy

Optimisation dun portefeuille multi-assets selon lapproche VaR/CVaR

serait :
F (x, ) = + (1 )1

J
X

j [f (x, yj ) ]+

j=1

Linarisation :
On peut pousser lapproximation un peu plus loin en utilisant des variables
muettes zj , j = 1...J, la fonction F (x, ) peut tre remplace par la fonction linaire
+ (1 )1

J
X

j zj

j=1

et les contraintes linaires :


zj 0
zj f (x, yj )
Contraintes du problme doptimisation :
Avant de procder lcriture des contraintes du problme doptimisation et
pat la suite ltablissement du problme globale, on considre un portefeuille de n
diffrents actifs du march.
Soit x0 = (x01 , ..., x0n )T les positions cest--dire le nombre initial de titres de chaque
actif dans le portefeuille. Et soit x = (x1 , ..., xn )T les positions dans le portefeuille
optimal quon prvoit de trouver par notre algorithme.
Soit q = (q1 , ..., qn )T le vecteur des prix initiaux. La valeur du portefeuille initiale
est donc q T x0 Soit y = (y1 , ..., yn )T le scnario des prix obtenu la fin de la priode
pour tout actif La perte sur la priode serait donc :
f (x, y, x0 , q) = y T x + q T x0
La fonction du revenu R(x) est la valeur prvue du portefeuille la fin de la priode
R(x) = Esprance(y T x) =

n
X

Esprance(yi )xi

i=1

Ainsi dfinie, la relation rendement perte scrit :


R(x) = Esprance[f (x, y)] + q T x0
CVaR Contrainte :
Les rgulations actuelles imposent des contraintes sur le risque dinvestissement
proportionnellement la VaR du portefeuille. Ces recommandations peuvent tre
translat la CVaR du portefeuille pour diffrents seuils de confiance puisque
CV aR V aR. La limite suprieure de la CVaR peut donc tre choisie comme
45

Optimisation dun portefeuille multi-assets selon lapproche VaR/CVaR

maximum VaR. On trouve donc appropri de reprsenter la contrainte du risque sous


la forme :
(x) q T x0
Avec le pourcentage permis pour lexposition au risque du portefeuille initial. Considrant les quations prcdentes, on peut crire les contraintes linaires suivantes :
+ (1 )1

J
X

j zj

j=1

N
X

qK x0K

K=1

zj 0
zj

N
X

(yij xi + qi x0k )

i=1

Pour j=1,... ... J


Contrainte de la valeur :
On ne permet pas un actif i de dpasser un pourcentage i de la valeur totale
du portefeuille prcis au pralable. Cette contrainte scrit :
q i x i i

N
X

x k qk

k=1

Contrainte de liquidit :
Lallocation initiale du vecteur x0 ne doit pas donner lieu un investissement qui
dpasse la valeur de linvestissement initial rel :
N
X

qi xi Imax

i=1

3.1.3

Problme doptimisation :

Le problme doptimisation scrit donc en somme comme suit :

min(x,,z)

N
P

hi xi

i=1

sous les contraintes


J
+
I0
j=1 zj P
0
zj 0 et zj N
(y
ij xi + qi xi )
i=1
PN
qi xi i k=1 xk qk

q i xi

Imax

i=1

46

(3.3)
j = 1, , J

Optimisation dun portefeuille multi-assets selon lapproche VaR/CVaR

PN

I0 =
portefeuille.

0
K=1 qK xK

est une constante qui reprsente la valeur initiale du

x : vecteur reprsentant le portefeuille, x = [x1 , xi , xn ] avec xi le nombre


de titre de lactif i
H : [h1iN ]
est un vecteur constant qui reprsente les esprances des
prix de la matrice des scnarios.
=

1
(1)J

Y = [yij ] est la matrice des scnarios avec 1 i J

et

1jN

Modle quivalent en terme de rendement :


Le problme doptimisation en terme de rendement scrit comme suit :

N
min(x,,z)
i=1 i xi
sous les contraintes

+
j=1 zj P
zj 0 et zj N
i=1 rij xi
i xi i
PN
i=1 xi = 1

(3.4)
pour j = 1, ...J

x : vecteur reprsentant le portefeuille, x = [x1 , xi , xn ] avec xi le poids de


pondration de lactif i
est un vecteur constant qui reprsente les esprances des
: [1iN ]
rendements de la matrice des scnarios.
=

1
(1)J

R = [rij ] est la matrice des scnarios avec 1 j J

47

et

1iN

Optimisation dun portefeuille multi-assets selon lapproche VaR/CVaR

3.1.4

Algorithme de rsolution (Mthode de Points Intrieurs) :

La programmation linaire est certainement lun des remarquables succs de la


recherche oprationnelle. Il provient, dune part, de la puissance de modlisation
quelle offre et ce malgr la limite inhrente quimpose la linarit des fonctions
impliques, et dautre part, de la richesse de la thorie quelle a initie et qui a permis
le dveloppement dalgorithmes extrmement efficaces pour sa rsolution. Depuis sa
formulation et le dveloppement de la mthode du simplexe pour sa rsolution vers la
fin des annes 40, la programmation linaire demeure le modle doptimisation le plus
utilis par les dcideurs ce qui est certainement d la robustesse des algorithmes
disponibles.
Les mthodes de points intrieurs forment une classe dalgorithmes qui permettent
de rsoudre des problmes doptimisation mathmatique. Elles ont lintrt dtre
polynomiales lorsquon les applique aux problmes doptimisation linaire, quadratique convexe, semi-dfinie positive.
Les mthodes de points intrieurs se rpartissent en plusieurs familles :
. les mthodes " Affine Scaling " (optimisation sur des ellipsodes) ;
. les mthodes de rduction du potentiel (notion de barrire, chemin central,
relaxation).
La mthode Affine Scaling :
La mthode Affine Scaling combine simplicit et de trs bonnes performances
en pratique. Elle se base essentiellement sur lide doptimisation sur des ellipsodes :
On considre le problme linaire suivant :

min c x
sous les contraintes

Ax=b
x0

min p b
sous les contraintes

pAc

et son problme dual :

48

Optimisation dun portefeuille multi-assets selon lapproche VaR/CVaR

O A est une matrice m n :


Soit P = {x : A x = b, x 0} est lensemble des solutions ralisables et
{x P : x > 0} est lintrieur de P.
Lide centrale de cette approche consiste minimiser c x pour x appartenant
une ellipsode au lieu de P. En plus, la solution doptimisation sur les ellipsodes
possde une forme analytique. Donc lapproche est de rsoudre une suite de problmes
doptimisation sur des ellipsodes.
1) On commence en un point x0 > 0 lintrieur de P ;
2) On forme une ellipsode S0 centre en x0 et contenue dans lintrieur de P ;
3) On optimise c x pour x S0 ce qui donne un autre point intrieur x1 ;
4) On construit une autre ellipsode centre en x1 et ainsi de suite.

Figure 3.1 Construction dellipsodes pour optimisation par la mthode Affine


Scaling

49

Optimisation dun portefeuille multi-assets selon lapproche VaR/CVaR

Lemme 1 :
Soit [0, 1] et y Rn tel que y > 0 et soit :
S = {x Rn :

n
X

(xi yi )2 )
2}
2
y
i
i=1

Alors x>0 pou tout x S


Fixons maintenant un y Rn tel que y>0 et A y = b. On a la matrice
Y = diag(y1 , , yn ) dont les lments diagonaux sont y1 , , yn est inversible
puisquelle est dfinie positive, alors :
xS

k Y 1 (x y) k

O k k reprsente la norme euclidienne. Et lensemble S est une ellipsode centre


en y.
Lensemble S0 = S {x : Ax = b} est une section de lellipsode S et est lui mme
une ellipsode contenue dans le domaine des solutions ralisables.
On minimise sur S0 :

min
cx
sous contraintes
Ax=b
k Y 1 (x y) k

Si on pose d = x y, et on optimise d au lieu de x, le problme devient :

min c d
sous contraintes

Ad=0

k Y 1 d k

(3.5)

Lemme 2 :
Supposons que les lignes de A sont linairement indpendentes et que c nest pas
une combinaison linaire des lignes de A. Soit y un vecteur strictement positif, alors
une solution optimale du problme (3.5) est donne par :

d =

Y 2 (c At p)
k Y (c At p) k

50

Optimisation dun portefeuille multi-assets selon lapproche VaR/CVaR

O p = (AY 2 At )1 AY 2 c
Le vecteur x = y + d P
c x = c y k Y (c At p) k< c y
Lemme 3 :
Soient y et p des solutions respectivement primale et duale ralisables telles que
cy bp < 
Soient y et p les solutions respectivement primale et duale optimales,alors :
c y c y < c y + 
b p  b p < b p
O p = (AY 2 At )1 AY 2 c
Le vecteur x = y + d P
c x = c y k Y (c At p) k< c y
On remarque que si d 0, le domaine des solutions du problme initial est
non borne puisque x + d > 0 pour tout > 0 et Ad = 0. Puisque cd < 0 il
en dcoule que le problme initial na pas de solution optimale finie. Pour ceci on
prendra comme critre darrt :
c At p 0

Le "Affine Scaling Algorithm" prend en entre :


(a) Les donnes : (A, b, c) ;
(b) Une solution ralisable de dpart x0 > 0 ;
(c) Une tolrance  > 0 et le vecteur e = (1, , 1) ;
(d) Le paramtre [0, 1].

51

Optimisation dun portefeuille multi-assets selon lapproche VaR/CVaR

lalgorithme complet

Algorithme 1 .
1:

Initialisation de lalgorithme avec une solution ralisable x0 > 0 , k = 0 ;

2:

Calcul des valeurs

Xk = diag(xk1 , , xkn )
pk = (AXk2 At )1 AXk2 c
rk = c At pk
if (Test doptimalit) rk 0 et Xk rk <  , end

3:

xk et pk sont  optimales du primal et du dual respctivement.


if Xk2 rk 0 Stop

4:

solution optimale non finie.

5 : (Mise jour de la solution primale) :


xk+1 = xk

52

Xk2 rk
k Xk r k k

Optimisation dun portefeuille multi-assets selon lapproche VaR/CVaR

3.2
3.2.1

Modlisation du problme doptimisation sous


contrainte VaR :
Descriptif de lapproche :

Le problme doptimisation sous contrainte CVaR mne bien une modlisation


efficace et simple qui englobe mme la VaR. Cette dernire ne dpasse jamais la
CVaR. Par consquent, un portefeille avec une faible valeur de la CVaR a forcment
une VaR faible. De plus, quand il sagit de distributions rendement/perte de loi
normale, les deux mesures sont quivalentes. Cependant, pour des distributions
asymtriques, les deux mesures peuvent savrer diffrentes.
Par consquent, la VaR du portefeuille optimal, suivant la premire approche,
prsente des fois pour certains seuils une diffrence non ngligeable avec lesdits seuils.
Ce qui entraine une sous-estimation de rendement de portefeuille espr. Ainsi, si la
socit de gestion opte pour une stratgie dinvestissement axe sur la limite de la
VaR de ses portefeuilles, la premire approche peut savrer non approprie pour ce
genre de problme puisquelle ne permet pas de manier la VaR.
Lapproche que nous allons proposer servira de modliser une criture mathmatique permettant de rsoudre le problme de maximisation du rendement espr sous
contrainte VaR.

3.2.2

Ecriture mathmatique du problme :

On considre le problme type doptimisation sous contrainte VaR suivant :

min

N
P

i xi

i=1

sous les contraintes

V aR w

i x i i

xi = 1

(3.6)

i=1

On a daprs lquation (3.1) (x, ) est la distribution cumulative de perte


associe au portefeuille x. Ainsi, (x, ) est une fonction croissante et continue en .
Donc pour tout (t, u) R2 :
tu

(x, t) (x, u)

(x, V aR ) (x, w)

ce qui mne considrer :


V aR w

53

Optimisation dun portefeuille multi-assets selon lapproche VaR/CVaR

or daprs (3.2), la VaR est le seuil qui minimise lensemble { R /(x, ) },


donc :
(x, V aR ) (x, w)

(x, w)

On dfinit maintenant le nouveau problme doptimisaion :

N
P

min

i xi

i=1

sous les contraintes


(3.7)

(x, w)

i x i i

xi = 1
i=1

On explicite de plus le problme :

N
P

min

i xi

i=1

sous les contraintes

f (x,y)w p(y)dy

i x i i

xi = 1

(3.8)

i=1

on peut encore crire la contrainte seuil comme suit :


Z

p(y)dy 1

f (x,y)w

Discrtisation :
nous considrons lchantillonnage de la probabilit de distribution de y dpendamment de la densit p(y).
Soient Y = (yij ) la matrice des scnarios des diffrents actifs, et p(yj ) la probabilit de ralisation de chaque scnario.
On peut approcher lintgrale de la contrainte seuil comme suit :
Z

p(y)dy =

f (x,y)w

J
X

p(yj )w (x, yj )

j=1

avec :

w (x, yj ) =

si
si

N
P
i=1
N
P
i=1

54

xi yij w
xi yij < w

Optimisation dun portefeuille multi-assets selon lapproche VaR/CVaR

3.2.3

Problme doptimisation :

Le problme doptimisation scrit donc en somme comme suit :

N
P

min

i xi

i=1

sous les contraintes

J
P
1
(x, yj )

J w

j=1

i xi i

N
P

x =1

(3.9)

i=1

x : vecteur reprsentant le portefeuille, x = [x1 , xi , xn ] avec xi le poids de


pondration de lactif i
est un vecteur constant qui reprsente les esprances des
: [1iN ]
rendements de la matrice des scnarios.
p(yj ) = J1 , en effet on considre une Une quipondration entre les diffrents
scnarios.
Y = [yij ] est la matrice des scnarios avec 1 j J et 1 i N

3.2.4

Algorithme de rsolution (Particle Swarm Optimization) :

Linspiration biologique a prouv son efficacit dans plusieurs domaines de recherches. Parmi les exemples dinspiration nous trouverons loptimisation par essaims
inspirs de lintelligence en essaims.
Lintelligence en essaims a gagn une forte popularit dans ces dernires annes,
d aux faits que les mthodes et modles inspirs, ont prouv leurs efficacits plus
en informatique et particulirement dans loptimisation.
Souvent dfinie travers le fait de concevoir et de mettre en place des dispositifs
de rsolution des problmes, dune manire collective et distribu, en sinspirant des
comportements collectifs des socits animales.
Lexemple classique dessaims est lessaim des abeilles, mais la mtaphore dessaim
peut tre largie aux autres systmes avec une architecture similaire. Une colonie de
fourmis peut tre vue comme un essaim dans lequel ces entits et ces agents sont des
fourmis, un essaim doiseaux est un essaim et pour lequel ces agents sont des oiseaux.

55

Optimisation dun portefeuille multi-assets selon lapproche VaR/CVaR

Figure 3.2 Un comportement de vol doiseaux.


Quatre principes fondamentaux gouvernent lintelligence en essaims :
Feedback positif : Permet de renforcer les meilleurs choix dans le systme.
Feedback ngatif : Permet lignorance et la suppression des mauvais choix dans
le systme.
Aspect alatoire : Permet la bonne exploration de lespace de solution, dune
manire indpendante de la qualit, ce qui donne de la crativit.
Interaction multiple : Principe de base permettant la construction des meilleures
solutions et choix.
Chaque principe joue un rle important. Laspect alatoire, la dcentralisation,
linteraction indirecte et lauto-organisation, sont des caractristiques qui permettent
lapproche dtre puissante.
Lintelligence en essaims a beaucoup influenc le domaine doptimisation dans
ces dernires annes, par la proposition des mthodes et des heuristiques cherchant
rduire la complexit de tels problmes et promouvoir ltude des systmes complexes
non linaires.
Lessaim de particules (PS) est un des plus rapides et plus robuste des algorithmes doptimisation jamais dvelopps. Ainsi, Particle Swarm (PS) est devenu trs
populaire en raison de sa simplicit et sa rapidit. Il est bas sur le comportement
social des diffrentes espces et utilise une quation de mise jour pour gnrer de
nouvelles solutions.
Cependant il ne peut pas rsoudre tous les problmes et est mal adapt dans de
nombreux cas.
Nous avons opt comme choix dalgorithme de rsolution BAT (Bat-Inspired
Algorithm), vu la complexit et la non linarit de notre problme. Ce dernier est
similaire au PS, Il intgre partiellement les perturbations de la meilleure solution
dans sa formulation, et comme PS, il recherche lespace de fonction base sur un
multiple de la diffrence entre le global best et un indivual particuler. Cependant,
chacune de ces tapes est effectue sparment, et la comparaison est utilise la fin
pour dterminer quelles solutions candidates sont retenues et celles qui sont rejetes.
56

Optimisation dun portefeuille multi-assets selon lapproche VaR/CVaR

Lalgorithme peut tre exprim comme suit :


lalgorithme complet
Algorithme 2 Bat-Inspired Algorithm
1- Initialisation Crer une population initiale.
2- Evaluation Evaluer la fonction objective pour chaque solution
3- Boucle principale
4:
for g = 1 : M axgen
Calculer A
1
1 M axgen
)
Ag = Ag1 (
9000

(3.10)

Copier loriginale population dans une population temporaire k


for i = 1 : popsize
8:
1.Calculer la frquence et la vitesse
f = fmin (fmax fmin ) R

(3.11)

Comme pour PS
~ ig+1 = X
~ ig + V~ig
X
12:

Pour chaque composante k du vecteur de vitesse


g
g1
g
g
Vi,k
= Vi,k
+ (Xi,k
XbestG,k
)f

(3.12)

2. Mettre jour la population temporaire en utilisant la vitesse


end for
3.
16:
if R1 > then
Remplacer le membre donn de la population temporaire avec une perturbation
alatoire du global best individual
g
g
Bi,k
= XbestG,k
+ 0.01(a + (b a)) R)

end if
20:
4. Evaluer la fonction objective pour la population temporaire
5.
if Le membre de la population temporaire est meilleur que loriginal then
if R2 > A then
24:
Remplacer loriginal
end if
end if
end for

57

(3.13)

Optimisation dun portefeuille multi-assets selon lapproche VaR/CVaR

Le scalaire dans ltape 3. est un paramtre prdifini ( ici =0.5). Les sclaires
R1 etR2 sont des nombres alatoires uniformment rpartis (0, 1).
A dans lquation (3.3) est initialis 0,25. Maxgen est le nombre maximum de
gnrations autoris pour une course doptimisation donn. Rappelons que g est le
nombre de gnrations, et non un exposant.
Pour lquation (3.4), fmin et fmax sont des paramtres prdifinis, respectivement
0 et 2. Pour lquation (3.6), R est un nombre alatoire uniformment rparti (0, 1),
b et a reprsentent respectivement la limites suprieure et infrieure du domaine
pour la k-ime coordonne.

58

Chapitre 4
Ralisation et validation des
modles :
4.1

Construction du portefeuille :

En ce qui concerne le portefeuille multi-assets type, nous avons inclut :


I Les 15 actions les plus liquides cotes en bourse savoir :
ITISSALAT AL-MAGHRIB, ATTIJARIWAFA BANK, BMCE BANK, BCP,
LAFARGE CIMENTS, CIMENTS DU MAROC, WAFA ASSURANCE, CIH, DOUJA
PROM ADDOHA, HOLCIM (Maroc), MANAGEM, SONASID, COSUMAR, LESIEUR CRISTAL, SAMIR
I Pour les obligations, suivant la demande des grants, nous avons bas notre
composition sur des indices sur obligation pour des fins de simplicit de manipulation.
Le grant aura le soin, par la suite, dinclure les obligations quil dsirera.
MBI CT : indice sur obligations court terme
MBI MT : indice sur obligations moyen terme
MBI LT : indice sur obligations long terme
MBI MLT : indice sur obligations moyen et long termes
I 3 matires premires principales faisant lobjet dinvestissement au sein de
Wafa Gestion : OR, ARGENT et BRENT
Pour pouvoir entamer le problme doptimisation, nous devons connaitre au
pralable la nature des actifs sur lesquels nous investissons, leurs caractristiques,
leur historique et aussi leur volution.

59

Optimisation dun portefeuille multi-assets selon lapproche VaR/CVaR

 Evolution des prix :


Nous schmatisons, partir de lhistorique des deux dernires annes jusquau
30/12/2011, lvolution des prix de chaque actifs. Nous reprsentons sur une mme
figure les actifs appartenant la mme classe.

Figure 4.1 Evolution des prix des actions en dhs

Figure 4.2 Evolution des prix des matires premires en dollar

60

Optimisation dun portefeuille multi-assets selon lapproche VaR/CVaR

Figure 4.3 Evolution des prix des indices sur obligations en dhs
 Caractristiques statistiques des actifs :
Pour chaque actif, nous calculons, partir de lhistorique des donnes, les caractristiques statistiques indispensables pour la suite de notre travail.

ACTIONS

OBLIGATIONS

M.P

Actif
IAM
ATW
BMCE
BCP
LAFARGE
CIMAR
WAFA ASS
CIH
ADDOHA
HOLCIM
MANAGEM
SONASID
COSUMAR
LEUSIEUR
SAMIR
MBI CT
MBI MT
MBI MLT
MBI LT
OR
ARGENT
BRENT

Volatilit
0.0136
0.0133
0.0192
0.0080
0.0244
0.0246
0.0245
0.0245
0.0177
0.0246
0.0246
0.0306
0.0243
0.0184
0.0240
0.0002
0.0004
0.0010
0.0018
0.0121
0.0208
0.0137

Esprance
-0.0007
-8.718E-05
0.0001
-6.0003E-05
-0.0010
-0.0010
0.0005
-0.0002
-0.0012
-0.0010
-0.0010
-0.0018
0.0008
-0.0003
-0.0014
0.0001
0.0001
4.2066E-05
-3.1217E-05
-0.0005
-0.0012
0.0001

VaR (95%)
-0.0223
-0.0220
-0.0316
-0.0131
-0.0402
-0.0406
-0.0403
-0.0403
-0.0292
-0.0405
-0.0405
-0.0504
-0.0400
-0.0303
-0.0396
-0.0004
-0.0007
-0.0016
-0.0030
-0.0199
-0.0343
-0.0225

Table 4.1 Caractristiques statistiques des diffrents actifs


61

CVAR (95%)
-0.0336
-0.0291
-0.0445
-0.0203
-0.0529
-0.0551
-0.0540
-0.0528
-0.0434
-0.0589
-0.0589
-0.0651
-0.0584
-0.0446
-0.0587
0
-0.0005
-0.0027
-0.0046
-0.0315
-0.0544
-0.0319

Optimisation dun portefeuille multi-assets selon lapproche VaR/CVaR

Ces caractristique nous seront certes utiles par la suite, mais ils nous fournissent
dors et dj une ide sur le comportement de chaque actif et en gros, le comportement
de chaque classe dactifs notamment leurs sensibilits au risque et leurs esprances
de rendement.
Les rsultats que nous obtenons sont de la mme nature que les rsultats intuitifs
gnraux de la finance. En effet :
. les obligations sont des actifs moins risqus, faible volatilit mais par consquent, des actifs faible rendement. Ils font donc parti des actifs montaires constituant le meilleur choix dinvestissement pour les personnes dsirant des rendements
faibles mais coup surs.
. Les actions sont des actifs plus risqus et plus volatils. Ils ont en parallle des
rendements esprs beaucoup plus levs surtout moyen et long termes. Cest donc
un investissement adapt aux personnes forte aversion au risque et dsirant de
meilleurs rendements.
. Les matires premires constituent un investissement nouveau pour Wafa Gestion dans le cadre de la diversification de leurs portefeuilles. Elles constituent un bon
lment dans la rduction du risque et laugmentation du rendement de lensemble
du portefeuille.

4.2
4.2.1

Interface et Rsultats :
Descriptif de linterface :

Nous avons implment une interface qui permettra au grant dobtenir lallocation
optimale de son portefeuille tant donnes ses entres.

62

Optimisation dun portefeuille multi-assets selon lapproche VaR/CVaR

Figure 4.4 Interface de choix de paramtres pour optimisation de portefeuille


Le grant doit tout dabord rinitialiser, ensuite il est suppos cocher les actifs sur
lesquels il veut investir : le nombre dactifs est donc gnr et les actifs cochs dfilent
sur la colonne " Actifs ". Il doit ensuite fixer, le cas chant, les limites suprieures et
infrieures dinvestissement pour chaque actif : ces limites sont par dfaut de 0% et
100%. Par la suite, il doit prciser le nombre de scnarios considrer, son aversion
au risque caractris par le seuil omga ne pas dpasser et finalement le seuil de
confiance pour le calcul de sa VaR et CVaR journalires.
Aprs validation, le grant dclenche le processus doptimisation par la mthode
quil dsire. Pour chaque seuil, nous lanons lapproche choisie et observons lallocation
optimale correspondante.

Pour chaque seuil (limite CVaR), nous lanons notre programme visant maximiser lesprance de rendement. Et observons lallocation optimale correspondante.
63

Optimisation dun portefeuille multi-assets selon lapproche VaR/CVaR

Figure 4.5 Interface doptimisation de rendement sous contrainte CVaR

4.2.2

Rsultats et interprtation :

Rsultats par lapproche CVaR :

1er cas : Si nous considrons tout lunivers dinvestissement de Wafa Gestion


sans contraintes de bornes. Nous obtenons les rsultats suivants :

64

Optimisation dun portefeuille multi-assets selon lapproche VaR/CVaR

Allocation

dactifs

CVAR95%
Rend.opt
VAR95% 1j
VAR95% 10j
IAM
ATW
BMCE
BCP
LAFARGE
CIMAR
WAFA ASS
CIH
ADDOHA
HOLCIM
MANAGEM
SONASID
COSUMAR
LEUSIEUR
SAMIR
MBI CT
MBI MT
MBI MLT
MBI LT
OR
ARGENT
BRENT

-0.50%
5.1823e-04
- 0.39%
-1.23%
0.0080
0.0711
0.0248
0.1674
0.0336
0.0061
0.0548
0.0026
0.0000
0.0025
0.0025
0.0161
0.0309
0.0002
0.0000
0.0000
0.4910
0.0000
0.0000
0.0609
0.0000
0.0275

-1%
9.2814e-04
- 0.76%
-2.40%
0.0055
0.1164
0.0600
0.3533
0.0807
0.0141
0.1109
0.0235
0.0000
0.0000
0.0000
0.0253
0.0575
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.1063
0.0000
0.0465

-2%
0.0013
-1.53%
-4.84%
0.0000
0.0000
0.0000
0.6823
0.0000
0.0000
0.3177
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000

-4%
0.0015
-3.37%
-10.66%
0.0000
0.0000
0.0000
0.2546
0.0000
0.0000
0.7454
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000

-8%
0.0017
-5.44%
-17.20%
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
1.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000

Table 4.2 Rsultats doptimisation pour diffrents seuils de CVaR (1er cas)

Nous remarquons que pour des risques faibles, le programme alloue un grand
pourcentage aux obligations vu leur caractre montaire ainsi qu lor tant donn son
historique de bons rendements. En augmentant la tolrance au risque, le programme
tend allouer de plus en plus de pourcentage aux actions. Ceci lui permet daugmenter
le rendement espr du portefeuille tout en respectant le risque prdfini.
En pratique, les grants construisent des portefeuilles avec des contraintes de
bornes suprieurs/infrieurs soit selon le dsir du porteur de fond ou selon le type de
portefeuille.

65

Optimisation dun portefeuille multi-assets selon lapproche VaR/CVaR

2me cas : En fixant une limite suprieure de :


. 10% de lensemble de linvestissement pour chaque action, hormis IAM et ATW
avec un pourcentage maximal de 15% ;
. 10% pour chaque type dobligations ;
.- 10% pour chaque investissement sur matires premires.
Nous obtenons les rsultats suivants :

Allocation

dactifs

CVAR95%
Rend.Opt
VAR95% 1j
IAM
ATW
BMCE
BCP
LAFARGE
CIMAR
WAFA ASS
CIH
ADDOHA
HOLCIM
MANAGEM
SONASID
COSUMAR
LEUSIEUR
SAMIR
MBI CT
MBI MT
MBI MLT
MBI LT
OR
ARGENT
BRENT

-0.50%
3.6502e-04
-0.4%
0.0365
0.0704
0.0248
0.1000
0.0291
0.0324
0.0414
0.0152
0.0091
0.0101
0.0101
0.0253
0.0381
0.0351
0.0178
0.1000
0.1000
0.1000
0.1000
0.0661
0.0384
0.0000

-1%
7.5919e-04
-0.83%
0.0485
0.1500
0.0999
0.1000
0.0749
0.0262
0.1000
0.0026
0.0186
0.0133
0.0133
0.0330
0.0918
0.0141
0.0000
0.0000
0.0000
0.0000
0.0000
0.1000
0.1000
0.0138

-2%
8.4041e-04
-1.22%
0.0000
0.1500
0.1000
0.1000
0.1000
0.0500
0.1000
0.0000
0.0000
0.0000
0.0000
0.0000
0.1000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.1000
0.1000
0.1000

-4%
8.4041e-04
-1.55%
0.0000
0.1500
0.1000
0.1000
0.1000
0.0500
0.1000
0.0000
0.0000
0.0000
0.0000
0.0000
0.1000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.1000
0.1000
0.1000

Table 4.3 Rsultats doptimisation pour diffrents seuils de CVaR (2me cas)

66

-8%
8.4041e-04
-2.54%
0.0000
0.1500
0.1000
0.1000
0.1000
0.0500
0.1000
0.0000
0.0000
0.0000
0.0000
0.0000
0.1000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.1000
0.1000
0.1000

Optimisation dun portefeuille multi-assets selon lapproche VaR/CVaR

En fixant nos limites de rendements, le programme a de nouvelles contraintes


considrer. Pour un risque minime (VaR 0.5%), lintuition est dopter maximiser la
part des obligations au sein du portefeuille. Cependant, le programme est contraint
respecter la limite suprieure de 10% pour chaque type dobligation. Cest pourquoi,
il protge son investissement en prenant son maximum possible dobligation. Puis
diversifie le reste du portefeuille en exploitant le restant des actifs ; il opte pour les
actions les moins volatiles pour rester dans la limite du risque fix.
Pour une grande tolrance au risque, le programme investit plus sur les actions
vu quils rapportent un rendement espr meilleur. Il maximise donc son rendement
espr grce aux investissements sur action, jusqu atteindre les bornes suprieures
fixes, puis exploite le restant du montant dinvestissement sur les matires premires
( rendements et risques plus levs compars aux obligations).

3me cas : En fixant une limite suprieure de :


. 10% de lensemble de linvestissement pour chaque action, hormis IAM et ATW
avec un pourcentage maximal de 15% ;
. 12% pour chaque type dobligations ;
. 10% pour chaque investissement sur matires premires.
Nous obtenons les rsultats suivants :

67

Optimisation dun portefeuille multi-assets selon lapproche VaR/CVaR

Allocation

dactifs

CVAR95%
Rend.Opt
VAR95% 1j
IAM
ATW
BMCE
BCP
LAFARGE
CIMAR
WAFA ASS
CIH
ADDOHA
HOLCIM
MANAGEM
SONASID
COSUMAR
LEUSIEUR
SAMIR
MBI CT
MBI MT
MBI MLT
MBI LT
OR
ARGENT
BRENT

-0.50%
5.7088e-04
- 0.68%
0.0737
0.1006
0.0784
0.1000
0.0606
0.0473
0.0890
0.0442
0.0302
0.0102
0.0102
0.0385
0.0500
0.0498
0.0143
0.0300
0.0300
0.0230
0.0300
0.0300
0.0300
0.0300

-1%
6.9663e-04
- 0.86%
0.0555
0.1500
0.1000
0.1000
0.0791
0.0389
0.1000
0.0058
0.0424
0.0080
0.0080
0.0263
0.1000
0.0117
0.0000
0.0244
0.0300
0.0000
0.0300
0.0300
0.0300
0.0300

-2%
7.4009e-04
- 1.25%
0.0000
0.1500
0.1000
0.1000
0.1000
0.1000
0.1000
0.0000
0.1000
0.0300
0.0300
0.0000
0.1000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0300
0.0300
0.0300

-4%
7.4009e-04
-1.66%
0.0000
0.1500
0.1000
0.1000
0.1000
0.1000
0.1000
0.0000
0.1000
0.0300
0.0300
0.0000
0.1000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0300
0.0300
0.0300

-8%
7.4009e-04
- 3.03%
0.0000
0.1500
0.1000
0.1000
0.1000
0.1000
0.1000
0.0000
0.1000
0.0300
0.0300
0.0000
0.1000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0300
0.0300
0.0300

Table 4.4 Rsultats doptimisation pour diffrents seuils de CVaR (3me cas)
Pour un portefeuille 80% actions, le programme ne peut optimiser un portefeuille
un risque moins de 7% de son capital investit. La marge de 20% consacre la
diversification de ce type de portefeuille contribue la protection du capital. Ce type
de portefeuille est adapt aux investisseurs forte aversion au risque. Ce sont des
portefeuilles qui maximisent le rendement espr mais avec un risque non ngligeable.
Conclusion :
Les rsultats du programme implment correspondent parfaitement lintuition
financire. Nous allons donc dans la partie suivante back tester notre approche en la
comparant avec lapproche doptimisation la plus classique : loptimisation exhaustive
ou ce quon appelle la force brute.

68

Optimisation dun portefeuille multi-assets selon lapproche VaR/CVaR

Rsultats par lapproche VaR :

Si nous considrons tout lunivers dinvestissement de Wafa Gestion sans contraintes


de bornes. Nous obtenons les rsultats suivants :

Allocation

dactifs

Rend.Opt
VAR95% 1j
IAM
ATW
BMCE
BCP
LAFARGE
CIMAR
WAFA ASS
CIH
ADDOHA
HOLCIM
MANAGEM
SONASID
COSUMAR
LEUSIEUR
SAMIR
MBI CT
MBI MT
MBI MLT
MBI LT
OR
ARGENT
BRENT

2.2608e-04
0.20%
0.00513011
0.00508854
0.0281721
0.01958199
0.00375071
0.00467639
0.01329258
0.00401165
0.00436154
0.00379469
0.01457012
0.00394289
0.02805313
0.00427714
0.00395155
0.10789376
0.00494975
0.00360808
0.70371859
0.0035879
0.00420211
0.02538469

4.3755e-04
0.30%
0.0016529
0.00572728
0
0.22518691
0.00754672
0.00603195
0.03058251
0.01061481
0.01216355
0
0
0
0
0
0.01664929
0
0.61667433
0
0.01652286
0.00522626
0.01107309
0.03434754

5.008e-04
0.40%
0
0
0
0.27340906
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0.59926834
0.12732259
0
0

5.1095e-04
0.70%
0.04951144
0.05252747
0.10937697
0.11230017
0.04525546
0
0.06239406
0.04222545
0
0
0
0
0.03067126
0.06875395
0.07438273
0.09859887
0
0
0.13254967
0
0.03005367
0.09139885

Table 4.5 Rsultats doptimisation pour diffrents seuils de VaR

Nous remarquons que pour des risques relativement faibles (VaR journalire),
le programme alloue un grand pourcentage aux obligations vu leur caractre montaire jusqu assurance dun pourcentage du portefeuille. Puis rparti le restant de
linvestissement sur des actifs risqus (actions, MP) pour maximiser son rendement.
En augmentant la tolrance au risque, le programme tend allouer de plus en plus
de pourcentage aux actions jusqu mme investir 90% sur les actions les plus
rentables (les plus risqus) pour maximiser le rendement espr.
Nous remarquons que les rendements esprs prvu par cette mthode semblent
trs satisfaisants tant donn le risque tolr.

69

11.1472e-04
1.00%
0
0
0
0.93999891
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0.06000109
0
0
0

Optimisation dun portefeuille multi-assets selon lapproche VaR/CVaR

4.3

Optimisation par recherche exhaustive : Back


test des approches :

Pour tester lefficacit de nos approches, nous procdons une analyse exhaustive
de nos donnes. Nous gnrons alatoirement S (prenons 500) scnarios de poids de nos
actifs. Nous obtenons donc une matrice A de dimension S N (N= nombre dactif).
Toute colonne i constitue une combinaison (scnario) de poids wij de lensemble des
actifs. Avec i = 1, , S et j = 1, , N
Nous construisons par la suite la matrice de scnario des rendements.

4.3.1

Back test de lapproche CVaR :

Les portefeuilles rsultats partir de la mthode exhaustive sont reprsents sur


la figure (4.6) par leurs rendements en pourcentage en fonction de leur CVaR au
niveau de confiance 95% correspondante.

Figure 4.6 portefeuille gnr partir de la mthode exhaustive

70

Optimisation dun portefeuille multi-assets selon lapproche VaR/CVaR

. Les cercles en rouge reprsentent le rendement le plus lev pour diffrentes


valeurs de la CVaR fixe.
Nous fixons les mmes valeurs CVaR comme limite pour notre approche, et
nous optimisons notre portefeuille. Les combinaisons optimales que nous obtenons
fournissent des rendements esprs que nous rcapitulons sur la table 4.5 :

Limite CVAR95%
Rendement espr (%)

-1.4
11e-4

-1.3
11e-4

-1.15
10.2e-4

-0.9
8.479e-4

-0.8
7.658e-4

Table 4.6 Rendements esprs selon limite CV aR95%


I Nous remarquons clairement que les rendements esprs par lapproche Rockafellar/ Uryasev sont bien plus levs que ceux obtenus par la mthode exhaustive
(cercles rouges), nous pouvons donc dire que notre approche est nettement plus
robuste, et fournit de meilleurs rsultats pour notre problme : maximisation de
rendement sous contrainte de risque.

4.3.2

Back test de lapproche VaR :

Les portefeuilles rsultats partir de la mthode exhaustive sont reprsents


sur la figure (4.7) par leurs rendements en pourcentage en fonction de leur VaR au
niveau de confiance 95% correspondante.

Figure 4.7 portefeuille gnr partir de la mthode exhaustive

71

Optimisation dun portefeuille multi-assets selon lapproche VaR/CVaR

Les cercles en rouge reprsentent le rendement le plus lev pour diffrentes


valeurs de la VaR fixe.
Nous fixons les mmes valeurs VaR comme limite pour notre approche, et nous optimisons notre portefeuille. Les combinaisons optimales que nous obtenons fournissent
des rendements esprs que nous rcapitulons sur la table (4.6) :

Limite VAR95%
Rendement espr (%)

-1.1%
11.78e-04

-0.99%
11.03*10e-04

-0.87%
9.86e-04

-0.78%
8.89e-04

-0.63%
7.34e-04

Table 4.7 Rendements esprs selon limite V aR95%


Nous remarquons clairement que les rendements esprs partir des allocations
fournies par notre approche VaR sont nettement plus levs par rapport ceux
obtenus par la mthode exhaustive (cercles rouges), nous pouvons donc dire que
notre approche est plus robuste, et fournit de meilleurs rsultats pour notre problme :
maximisation de rendement sous contrainte de risque.

4.4

Performance du modle :

Dans cette partie, nous allons tester la performance ralise sur un an (test
sur les 256 jours suivant limplmentation) par les deux approches que nous avons
implmentes. Nous allons ensuite comparer ces performances avec les performances
ralises par un portefeuille quipondr (mme poids pour chaque actif) et un
portefeuille indiciel (60% MASI, 20% MBI et 20% MP).
Pour calculer cette performance, nous lanons le programme doptimisation,
obtenons lallocation optimale (pour chaque approche), calculons les performances
du portefeuille rsultat pour les 60 jours suivants. Nous relanons le programme,
base de la nouvelle matrice scnario actualise, obtenons encore la nouvelle allocation
optimale et poursuivant la mme dmarche. Ces tapes sont rptes tout au long
de lanne, et la performance du portefeuille est reprsente par la moyenne des
rendements des 256 jours.
Protocole :
Avant de lancer la simulation par lune des approches implmentes, on considre
un protocole qui sera excut au dbut de chaque priode dactualisation (chaque 60
jours dans ce cas) :
1- On actualise la matrice des scnarios de telle manire contenir les 500
donnes prcdant exactement la journe de la position actuelle

72

Optimisation dun portefeuille multi-assets selon lapproche VaR/CVaR

2- On dclenche le programme dallocation (par lapproche choisie)


3- On calcule pour les 60 jours qui suivent la performance du portefeuille
rsultant de notre allocation
La performance de notre portefeuille est la moyenne des performances journalires
calcules au cours de 256 jours.
Les rsultats obtenus pour les diffrentes approches (VaR et CVaR) ainsi que
pour les portefeuilles indiciels et quipondr sont rcapituls sur le tableau suivant :

Approche de construction du portefeuille


performance sur 1 an

Indiciel
-0.02444%

Equipondration
-0.04474%

CVaR
0.02177%

Table 4.8 Les performances des diffrentes stratgies dinvestissement.

Nous remarquons que la performance annuelle dun portefeuille construit par lune
des deux approches quon a adoptes dpasse largement les performances ralises
par des portefeuilles classiques : indiciel ou quipondr.
Nous remarquons aussi que lapproche VaR a ralis une meilleure performance
compare lapproche CVaR. Mme si le seuil de risque permit pour lapproche VaR
(seuile de 0.3%) est suprieur celui choisi pour lapproche CVaR (seuil 0.5%).

73

VaR
0.04034%

Conclusion du projet
Dans un environnement hautement comptitif, une socit de gestion doit toujours
renouveler ses plans dinvestissement et laborer des stratgies de gestion rpondant
tous les besoins, les critres et les exigences des investisseurs et des risk managers.
Latout principal de la socit rside dans lanalyse et prvisions quelle met en place.
A cet gard, nous avons labor tout un cadre thorique, contenant une description
complte des diffrentes approches de calcul de la VaR. Ce projet a reprsent pour
nous une exprience trs enrichissante dans la mesure o il nous a permis de mettre en
place une stratgie doptimisation de portefeuille selon deux approches. La premire
approche est la mthode dveloppe par Rockafellar et Uryasev considrant comme
contrainte la VaR Conditionnelle en ramenant le problme doptimisation un
problme linaire convexe, facile implmenter et rsoudre. La deuxime approche,
axe sur la contrainte VaR, dveloppe lcriture du problme afin de le ramener une
modlisation mathmatique. La formulation rsultante est solvable par des mtas
heuristiques approchant les solutions avec un bon niveau de prcision. Le choix de
lapproche se fait selon lexigence du grant. Toute approche prsente des points forts
compars lautre en termes defficacit, de temps de calcul, de critre dvaluation
ou mme de facilit dimplmentation.
Un outil doptimisation fiable implique sans doute une phase de validation. Un
point qui ncessite des stratgies de suivi de portefeuille minutieuses et renouvelable.
Par ailleurs, ce travail peut prsenter de nouvelles perspectives et serait beaucoup
plus utile et efficace si on lexploite sur des portefeuilles contenant un nombre
important dactifs, notamment des produits plus complexes et plus risqus, ou sur
des portefeuilles incluant plus de contraintes de dcisions. Nous pouvons galement
amliorer lergonomie des programmes implments ou les dvelopper sous des logiciels
ou langages plus robustes.

74

Bibliographie
[1] John-Hull, Christophe Godlewski, Maxime Merli. Gestion des risques et institutions financires. , 3e edition PEARSON Education, 2007 .
[2] Louis ESCH, Robert KIEFFER, Thierry LOPEZ Asset & Risk Management. ,
3e 15 septembre 2003 Boeck dition .
[3] Jean-Pierre Gueyi (UQAM), Guy Charest (Laval/UQAM), et Francis Mensah,
MBA, CFA , VALEUR RISQUE ET CRDIT RISQUE , edition 2004 .
[4] R. Tyrrell Rockafellar and Stanislav Uryasev , Optimization of Conditional
Value-at-Risk , 3e edition, September 5, 1999 .
[5] Pavlo Krokhmal, Jonas Palmquist and Stanislav Uryasev , Portfolio optimization
with conditional VALUE-at-RISK objective and constaints , 3e edition, September
25, 2001 .
[6] Alexei A. Gaivoronski and Georg Pflug, Value-at-Risk in Portfolio Optimization :
Properties and Computational Approac , "Department of Industrial Economics
and Technology Management NTNU - Norwegian University of Science and
Technology" & "Department of Statistics, University of Vienna"
[7] J. TEGHEM, Les mthodes de point intrieur (chapitre 13) in Programmation
linaire, , "collection Statistique et mathmatiques appliques (SMA), Editions
de lUniversit de Bruxelles et Editions Ellipses, Paris, 2003, pp. 263-285."
[8] Eric J. Inclana, George Dulikravicha, Xin-She Yangb MODERN OPTIMIZATION ALGORITHMS AND PARTICLE SWARM VARIATIONS, ,Department
of Mechanical and Materials Engineering, Florida International University, Miami,
Florida, USA, June 26-28, 2013
[9] Yang, X.-S. A New Metaheuristic Bat-Inspired Algorithm, , Nature Inspired
Cooperative Strategies for Optimization(NISCO 2010), 284, 65-74

75

Webographie

www.casablanca-bourse.com
www.gloria-mundi.com

76