Académique Documents
Professionnel Documents
Culture Documents
Ce document prsente les corrections des questions de cours et des exercices des pages 535 552 du
livre : Thierry Roncalli, La Gestion des Risques Financiers, Economica, deuxime dition, 2009. Notons
que ce livre est cit sous la rfrence [TR-GDR] par la suite. Ce document prsente aussi de nouveaux
exercices ( partir de la page 46) et la correction de ceux-ci (de la page 49 la page 61). Pour chaque
exercice, nous indiquons quelle page du livre le lecteur peut trouver lnonc correspondant. Par exemple,
lnonc du premier exercice valeur en risque dun portefeuille long/short se trouve la page 538 du
livre La Gestion des Risques Financiers.
2 De nouveaux exercices 46
2.1 Calculs statistiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
2.2 Contribution en risque . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
2.3 Drivs de crdit et corrlation de dfaut . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
2.4 Modlisation de la perte en cas de dfaut . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
2.5 Produits exotiques et gestion des risques . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
2.6 Calcul des bornes de corrlation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
2.7 Le modle exponentiel gnralis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
1
3 Correction des exercices supplmentaires 49
3.1 Calculs statistiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.2 Contribution en risque . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
3.3 Drivs de crdit et corrlation de dfaut . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
3.4 Modlisation de la perte en cas de dfaut . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
3.5 Produits exotiques et gestion des risques . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
3.6 Calcul des bornes de corrlation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
3.7 Le modle exponentiel gnralis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
2
2. On a PnL (t; t + 1) = 100(RA RB ). On utilise les donnes historiques pour calculer les scnarios
de rendements joints (RA , RB ). On en dduit ensuite la distribution empirique du PnL. Enn, on
calcule le quantile empirique correspondant. Avec 250 scnarios, le quantile empirique 1% est
mi-chemin entre la deuxime et troisime pires pertes :
[ ]
1
VaR1D = 3,09 + (2,72 (3,09))
2
= 2,905
La probabilit de perdre 2,905 euros par jour est de 1%. On obtient un rsultat trs proche
de la VaR Gaussienne.
3. Lexpression du PnL devient (TR-GDR, pages 91-95) :
car :
2 2
A/B = (50 0,20) + (100 0,20) + 2 0,5 (50 0.20) (100 0,20)
= 17,32
La VaR 1 jour 99% est donc passe de 2,89 euros 2,50 euros.
3
ou de faon quivalente :
Pr {L (t; t + 1) VaR} = 1
avec L (t; t + 1) = PnL (t; t + 1) la fonction de perte. On en dduit que :
{ }
PnL (t; t + 1) P (t) p VaR P (t) p
Pr = 1
P (t) p P (t) p
( )
VaR P (t) p
= 1
P (t) p
On obtient nalement que :
VaR = P (t) p 1 (1 ) P (t) p
( )
= P (t) 1 () p p
( )
= P (t) 1 () x x x
Pour dterminer la VaR gaussienne du portefeuille, il sut de calculer lexpression prcdente avec
les valeurs donnes de P (t), x, et . Dans cet exercice, on a p = 34% et p = 40%. La VaR
99% pour une priode de dtention dun an est donc :
VaR1Y = 20 000 (2,33 0,40 + 0,34) = 25 440
On applique la mthode du scaling pour calculer la VaR mensuelle (TR-GDR, page 74) :
1
VaR1M = VaR1Y = 7 344
12
Si on nglige leet moyenne p = 0 on obtient VaR1M = 5 380. En fait, il nest pas pertinent
dintroduire leet moyenne car on na aucune information sur le rendement espr du portefeuille
dans le futur. Introduire leet moyenne revient considrer quil y a une persistance de la perfor-
mance. Ainsi, des actifs qui ont bien perform dans le pass rcent auraient une valeur en risque
plus faible que des actifs qui ont moins bien perform pour le mme niveau de volatilit. titre
dillustration, considrons un actif qui a une performance de 15% et une volatilit de 5% sur les 250
derniers jours de trading. On obtient une VaR ngative gale 2,33 0,05 0,15, ce qui signie
que la probabilit de subir une perte est plus petite que 1% !
2. Le quantile empirique 1% correspond la statistique dordre 2,6 : 260. On procde par interpolation
et on a (TR-GDR, page 66) :
VaR1D = (1 124 + 0,6 (1 012 (1 124))) = 1 056.8
Par la mthode du scaling, on obtient (TR-GDR, page 74) :
VaR1M = 20 VaR1D = 4726
La VaR historique 99% pour une priode de dtention dun mois est gale 4 726 euros.
3. On crit la relation de faon vectorielle (TR-GDR, pages 119-121) :
rt = BFt + t
On en dduit que :
var (rt ) = BB + D
avec B la matrice nm de sensibilit aux facteurs et D une matrice diagonale dlments 12 , . . . , n2 .
(a) On a :
p = x BB x + x Dx
Il vient donc que :
VaR = P (t) 1 () x BB x + x Dx
4
(b) On en dduit que :
VaR = P (t) 1 () (F ) x 11 x + x Dx
2
Le Lagrangien est :
1 ( )
f (x; ) = x Qx 1 x 1
2
avec Q = (F ) 11 + 2 In . Les conditions de premier ordre sont :
2
{
x f (x; ) = Qx 1 = 0
f (x; ) = 1 x 1 = 0
1 x 1 = 0
1 Q1 1 1 = 0
do :
1
=
1 Q1 1
La solution optimale est donc :
1
x = Q1 1
1 Q1 1
( ) ( ) ( )
La matrice Q1 est particulire. Cest une matrice telle que Q1 i,i = Q1 j,j et Q1 i,j =
( 1 )
Q j,i
car les termes de variance sont les mmes ainsi que les termes de covariance. Le
portefeuille de valeur en risque minimale est donc le portefeuille quipondr (ou portefeuille
1/n) :
1
xi =
n
alors G est une distribution de Gumbel, de Frchet ou de Weibull (TR-GDR, page 139).
2. On a (TR-GDR, page 140) :
{ }
Xn:n bn
Pr x = Pr {Xn:n an x + bn }
an
= Fn (an x + bn )
5
(a) On a (TR-GDR, page 141) :
( 1 1
)n
Fn (an x + bn ) = 1 e( x+ ln n)
( )n
1
= 1 ex
n
On en dduit que : ( )n
1 x x
G (x) = lim 1 e = ee = (x)
n n
(b) On a :
( 1 )n
Fn (an x + bn ) = n x + 1 n1
( )n
1
= 1 + (x 1)
n
On en dduit que :
( )n
1
G (x) = lim 1 + (x 1) = ex1 = 1 (x 1)
n n
(c) On a :
( ( ) )n
n
F (an x + bn ) = 1
+ 1 n1/ x + n1/
( ( ) )n
1
= 1
1 n1/ x + n1/
( )n
1( x )
= 1 1+
n
On en dduit que :
( )n
1( x ) x
( x)
G (x) = lim 1 1+ = e(1+ ) = 1 +
n n
3. La distribution GEV permet de caractriser les trois types de distribution par une distribution
unique. On a (TR-GDR, page 146) :
g (x) = x G (x)
[ ( )]( 1+ { [ ( )] 1 }
)
1 x x
= 1+ exp 1 +
On en dduit que :
( )
n ( ( )) n [ ( )] 1
1+ xi xi
= n ln ln 1 + 1+
i=1
i=1
4. On a :
1/
lim (1 + x) = ex
0
On en dduit que :
{ [ ( )]1/ }
x
lim G (x) = lim exp 1 +
0 0
{ [ ( )]1/ }
x
= exp lim 1 +
0
( ( ( )))
x
= exp exp
6
5. Le temps de retour est la dure moyenne entre deux dpassements successifs de la VaR (TR-GDR,
pages 79-81). On a :
1
t (VaR ) = p
1
avec le seuil de conance et p la priode de dtention. Si est gal 99% (resp. 95%) et si p est
1 jour (resp. 1 an), t (VaR ) est gal 100 jours (resp. 20 ans).
6. Le stress-testing permet de calculer la perte maximale dun portefeuille pour un scnario extrme
donn (TR-GDR, pages 121-129). Il permet donc de complter la valeur en risque. En eet, celle-
ci est gnralement base sur les 260 derniers scnarios historiques journaliers. Ces scnarios ne
correspondent pas forcment des scnarios extrmes ou adverses. Dans la rglementation, le stress-
testing est utilis pour identier les scnarios les plus risqus pour la banque. Ils ne donnent pas
lieu une exigence de fonds propres. Nanmoins, ils doivent tre raliss de faon priodique (par
exemple tous les trimestres) et les rsultats doivent tre communiqus aux autorits rglementaires.
Pour le risque de march, un exemple de scnario de crise est une baisse des actions de 50% en
un mois. On utilise aussi le stress-testing pour mesurer les risques de march lis des paramtres
inobservables (pour le pricing doptions exotiques par exemple). Pour le risque de crdit, un exemple
de scnario de crise est un dfaut de plusieurs pays de la zone Euro.
7. On a (TR-GDR, page 146) :
[ ]
G1 () = 1 1 ( ln )
Pour = 1, on obtient : ( )
1
G1 () = 1 ( ln )
1
Par dnition, on a t = (1 ) n. Le temps de retour t est donc associ au seuil de conance
= 1 n/t. On en dduit que 3 :
() ( )
r t G1 1 n/t
( ( ( ( ))1 ))
1 ln 1 n/t
( ( ) )
t
= + 1
n
Le scnario de stress est plus svre pour le portefeuille P1 . Si on considre cette mesure de risque,
le portefeuille P1 est donc plus risqu que le portefeuille P2 .
7
Pour le risque de march, un exemple de scnario de crise est une baisse des actions de 50% en
un mois. On utilise aussi le stress-testing pour mesurer les risques de march lis des paramtres
inobservables (pour le pricing doptions exotiques par exemple). Pour le risque de crdit, un exemple
de scnario de crise est un dfaut de plusieurs pays de la zone Euro.
2. On a (TR-GDR, pages 131-133) :
m ( )2 ( )
m m 1 xi xi
(n) = m ln n ln (2) ln 2 (n 1) ln
2 2 i=1
2
Pour chaque statistique dordre Xn:n , nous pouvons donc calculer la log-vraisemblance (n) et
dterminer les estimations (n) et (n). Il sut ensuite de tester les hypothses (1) = (2) =
. . . = (n) et (1) = (2) = . . . = (n) (TR-GDR, pages 136-137).
4. Le temps de retour est la dure moyenne entre deux dpassements successifs de la VaR. On a
(TR-GDR, page 81) :
1
t (VaR ) = p
1
avec le seuil de conance et p la priode de dtention. Si = 99%, t (VaR ) est gal 100 jours
(resp. 4 ans et 100 ans) si la priode de dtention est 1 jour (resp. 10 jours et 1 an). On a :
( ) 1
t G1
n () = n
1
On a donc :
1 1
20 = 1
1 1 0,999
ou encore :
= 1 20 0,001 = 98%
8
1.5 Les mesures de risque (TR-GDR, page 549)
1. (a) On a (TR-GDR, page 29) :
VaR () = inf {x : Pr {L x} }
ES () = E [ L| L VaR ()]
(b) On suppose que F est continue. On a donc VaR () = F1 (). On en dduit que :
[ ]
ES () = E L| L F1 ()
f (x)
= x dx
1
F () 1 F (F1 ())
1
= xf (x) dx
1 F1 ()
On a donc :
x(+1)
E [Ln ] = xn dx
x x
= xn1 dx
x
x
[ ]
xn
=
x
n x
= xn
n
On en dduit que :
E [L] = x
1
et :
[ ]
E L2 = x2
2
On remarque aussi que :
[ ]
var (L) = E L2 E2 [L] = 2 x2
( 1) ( 2)
On en dduit que :
1
F1 () = x (1 )
9
On obtient donc :
1
1 1
ES () = x (1 t) dt
1
[ ]1
x 1 1 1
= (1 t)
1 1 1
1
= x (1 )
1
= F1 ()
1
Comme > 1, on a alors 1 > 1 et :
ES () = VaR ()
1
> VaR ()
(d) On a : (
( )2 )
1 1 1 x
ES () = x exp dx
1 +1 () 2 2
10
On considre de nouveau lintgration par partie avec u (t) = t3 et v (t) = (t) et on obtient :
[ ]
(x) (t) 3
1 (x) = + 4 (t) dt
x t3 x x t
(x) (x) 3
= 3 5
(t) dt
x x x t
On peut continuer intgrer par partie de faon rcursive en posant v (t) = (t). On obtient
nalement lexpansion suivante :
(x) (x) (x) (x) (x)
1 (x) = 3 + 3 5 3 5 7 + 3 5 7 9 ...
x x x ( x ) x
1 n
(x) n (x)
= + 2 (1) (2i 1)
x x n=1 i=1
x2n1
(x) (x)
= +
x x2
do on en dduit que :
(x)
(x) = x (1 (x))
x
1
On reprend lexpression de ES () et on pose x = () :
( )
ES () = + 1 ()
(1 )
= + (x)
(1 )
( ( ))
1 1 ()
= + () (1 )
(1 ) 1 ()
( 1 )
()
= + 1 ()
(1 ) 1 ()
( 1 )
()
= VaR ()
(1 ) 1 ()
On en dduit que ES () VaR () lorsque 1 car :
( )
1 ()
lim =0
1 (1 ) 1 ()
(e) Pour la distribution gaussienne, lexpected shortfall et la valeur en risque coincident pour des
niveaux levs de probabilit, ce qui nest pas le cas de la distribution de Pareto, qui prsente
une queue paisse. Lutilisation de la distribution de Pareto peut donc produire des mesures
de risque beaucoup plus leves que celles bases sur la distribution gaussienne.
2. On a (TR-GDR, page 29) :
R (L1 + L2 ) = E [L1 + L2 ] = E [L1 ] + E [L2 ] = R (L1 ) + R (L2 )
R (L) = E [L] = E [L] = R (L)
R (L + m) = E [L m] = E [L] m = R (L) m
On remarque que :
1
E [L] = x dF (x) = F1 (t) dt
0
11
3. On procde de la mme faon pour montrer que R (L) = E [L] + (L) est une mesure de risque
cohrente.
4. On a :
i 0 1 2 3 4 5 6 7 8
Pr {L = i } 0,2 0,1 0,1 0,1 0,1 0,1 0,1 0,1 0,1
Pr {L i } 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1,0
(a) On a VaR (50%) = 3, VaR (75%) = 6 et VaR (90%) = 7. On en dduit que :
3 10% + . . . + 8 10%
ES (50%) = = 5,5
60%
6 10% + . . . + 8 10%
ES (75%) = = 7,0
30%
7 10% + 8 10%
ES (90%) = = 7,5
20%
(b) On doit construire une distribution bivarie telle que (TR-GDR, page 30) :
F1 1 1
1 () + F2 () < F1+2 ()
Pour cela, on peut saider des dirents rsultats sur les ingalits de Makarov (TR-GDR,
pages 344-350). Par exemple, il sut de considrer la somme ordinale de la copule C+ pour
u1 et u2 et dune autre copule C pour u1 > et u2 > pour produire dans la
plupart des cas une distribution bivarie qui ne vrie pas la proprit de sous-additivit pour
la valeur en risque. Prenons par exemple = 70% et C = C , on obtient la distribution
bivarie suivante :
i 0 1 2 3 4 5 6 7 8 Pr {L2 = i }
0 0,2 0,2
1 0,1 0,1
2 0,1 0,1
3 0,1 0,1
4 0,1 0,1
5 0,1 0,1
6 0, 1 0,1
7 0, 1 0,1
8 0, 1 0,1
Pr {L1 = i } 0,2 0,1 0,1 0,1 0,1 0,1 0,1 0,1 0,1
On a donc :
i 0 2 4 6 8 10 14
Pr {L1 + L2 = i } 0,2 0,1 0,1 0,1 0,1 0,1 0,3
Pr {L1 + L2 i } 0,2 0,3 0,4 0,5 0,6 0,7 1,0
Comme F1 1 1
1 (80%) = F2 (80%) = 6 et F1+2 (80%) = 14, on en dduit que :
F1 1 1
1 (80%) + F2 (80%) < F1+2 (80%)
VaR ()
= E [ Li | L = VaR ()]
xi
(b) On a : ( )
L N x , x x
12
On en dduit que :
VaR () = x + 1 () x x
et :
VaR () x
= + 1 ()
x x x
On peut aussi utiliser le rsultat prcdent pour retrouver cette expression (TR-GDR, page
499).
1.6 Valeur en risque crdit dun portefeuille non granulaire (TR-GDR, page
542)
On rappelle le rsultat suivant. Soient A et B deux vnements indpendants. On a :
Pr {A et B} = Pr {A} Pr {B}
Pr {A ou B} = Pr {A} + Pr {B} Pr {A} Pr {B}
La rfrence principale de cet exercice est (TR-GDR, pages 30 et 197-200). La perte alatoire L a
pour expression :
L = 1000 LGD D
avec LGD la perte en cas de dfaut et D la variable alatoire reprsentant le dfaut. D est une variable
de Bernoulli de paramtre PD.
1. On a L = 1000 D. L peut donc prendre deux valeurs 0 et 1 000. On a :
Pr {L = 0} = Pr {1 000 D = 0}
= Pr {D = 0}
= 1 PD
On obtient nalement :
x 0 1 000
Pr {L = x} 99,5% 0,5%
Pr {L x} 99,5% 100%
On en dduit que la VaR 1 an 99% est nulle.
2. Dans ce cas, L peut prendre trois valeurs 0, 500 et 1 000. On a :
Pr {L = 0} = Pr {1 000 LGD D = 0}
= Pr {D = 0}
= 99,5%
et :
Pr {L = 500} = Pr {1 000 LGD D = 500}
= Pr {LGD = 50% et D = 1}
= Pr {LGD = 50%} Pr {D = 1}
= 25% 0,5%
On obtient nalement :
x 0 500 1 000
Pr {L = x} 99,5% 0,125% 0,375%
Pr {L x} 99,5% 99,625% 100%
On en dduit que la VaR 1 an 99% est nulle.
13
3. Dans le premier cas, on obtient :
x 0 1 000
Pr {L = x} 90% 10%
Pr {L x} 90% 100%
Dans le deuxime cas, les rsultats deviennent :
x 0 500 1 000
Pr {L = x} 90% 2,5% 7,5%
Pr {L x} 90% 92,5% 100%
La VaR 1 an 99% est gale 1 000 euros dans les 2 cas.
4. Lexpression de la perte alatoire L devient :
L = 1 000 LGDA DA + 1 000 LGDB DB
L peut donc prendre trois valeurs 0 (si A et B ne font pas dfaut), 1 000 (si A ou B fait dfaut) et
2 000 (si A et B font dfaut). On a :
Pr {L = 0} = Pr {DA = 0 et DB = 0}
= Pr {DA = 0} Pr {DB = 0}
= 0.9 0.9
et :
Pr {L = 1 000} = Pr {DA = 0 et DB = 1} + Pr {DA = 1 et DB = 0}
= 2 0,9 0,1
On obtient :
x 0 1 000 2 000
Pr {L = x} 81% 18% 1%
Pr {L x} 81% 99% 100%
La VaR 1 an 99% est gale 1 000 euros.
5. Dans ce cas, L prend cinq valeurs 0, 500, 1 000, 1 500 et 2 000. On a :
Pr {L = 0} = Pr {DA = 0 et DB = 0} = 0,9 0,9
Pr {L = 500} = Pr {DA = 1, LGDA = 50% et DB = 0} +
Pr {DA = 0, DB = 1 et LGDB = 50%}
= 2 0,9 0,25 0,1
Pr {L = 1 000} = Pr {DA = 1, LGDA = 100% et DB = 0} +
Pr {DA = 0, DB = 1 et LGDB = 100%} +
Pr {DA = 1, LGDA = 50%, DB = 1 et LGDB = 50%}
= 2 0,9 0,75 0,1 + 0,1 0,25 0,1 0,25
Pr {L = 1 500} = Pr {DA = 1, LGDA = 100%, DB = 1 et LGDB = 50%} +
Pr {DA = 1, LGDA = 50%, DB = 1 et LGDB = 100%}
= 2 0,1 0,75 0,1 0,25
Pr {L = 2 000} = Pr {DA = 1, LGDA = 50%, DB = 1 et LGDB = 50%}
= 0,1 0,75 0,1 0,75
On obtient :
x 0 500 1 000 1 500 2 000
Pr {L = x} 81% 4,5% 13,5625% 0,375% 0,5625%
Pr {L x} 81% 85,5% 99,0625% 99,4375% 100%
La VaR 1 an 99% est gale 1 000 euros.
14
1.7 Contribution en risque dans le modle Ble II (TR-GDR, page 541)
1. On suppose que (TR-GDR, page 179) :
(a) les pertes en cas de dfaut LGDi sont indpendantes des temps de dfaut i ;
(b) le dfaut de la i-ime crance dpend dun ensemble de facteurs communs X1 , . . . , Xm ;
(c) le portefeuille est inniment granulaire ; il ny a donc pas de concentration dexposition sur
une contrepartie, ce qui se peut se traduire par la proprit mathmatique suivante :
/ I
EADi EADi 0
i=1
2. Soit R une mesure de risque. La contribution en risque de la crance i est le produit de lexposition
de la crance i et du risque marginal (TR-GDR, page 497) :
R
RCi = EADi
EADi
Dans le cas dune mesure de risque convexe, on a :
I
R= RCi
i=1
La mesure de risque est alors gale la somme des direntes contributions en risque.
3. On a :
EL = E [L]
UL = F1 () EL
I
E [L | X1 , . . . , Xm ] = EADi E [LGDi ] PDi = EL
i=1
I
g (x) = EADi E [LGDi ] PDi (x)
i=1
do :
E [L | X = x] = g (x)
On a donc :
F () = Pr {L } = Pr {g (X) }
Comme EADi 0 et E [LGDi ] 0, g (x) est une fonction monotone croissante (resp. dcroissante)
si PDi (x) est une fonction croissante (resp. dcroissante) de x. Dans le cas o g (x) est une fonction
croissante, on a :
Pr {g (X) } =
{ }
Pr X g 1 () =
( )
H g 1 () =
( )
= g H1 ()
15
On en dduit donc que :
I
( )
F1 () = EADi E [LGDi ] PDi H1 ()
i=1
Si au moins une des expositions EADi est ngative, la fonction g (x) nest plus forcment monotone.
On ne vrie plus g (X) X g 1 () (cas croissant) ou g (X) X g 1 () (cas
dcroissant) et les expressions de F1 () ne sont plus valides. On ne peut donc pas utiliser le modle
de capital rglementaire si le portefeuille de crdit contient une (ou plusieurs) exposition nette
ngative sur une contrepartie. Pour la gestion de portefeuille de crdit, cela implique que lachat
dune protection de type CDS sur une contrepartie ne doit se faire que pour rduire lexposition sur
cette contrepartie et non pour prendre une position short sur celle-ci.
5. On a (TR-GDR, pages 181-182) :
PDi = Pr {i Mi }
= Pr {Zi Bi }
= (Bi )
do Bi = 1 (PDi ). On a aussi :
Pr {i Mi | X = x} = Pr {Zi Bi | X = x}
{ }
= Pr X + 1 i Bi | X = x
{ }
Bi X
= Pr i |X=x
1
( 1 )
(PDi ) x
=
1
En utilisant la paramtrisation de (x1 , x2 ; ) donne la page 296 de TR-GDR, on a :
[ ( 1 )] ( 1 )
(PDi ) X (PDi ) x
EX = (x) dx
1 1
( )
= , 1 (PDi ) ;
= PDi
6. La probabilit de dfaut conditionnelle tant une fonction dcroissante de x, on a :
I
( )
F1 () = EADi E [LGDi ] PDi 1 (1 )
i=1
( )
1 (PDi ) 1 (1 )
I
= EADi E [LGDi ]
i=1
1
( 1 )
(PDi ) + 1 ()
I
= EADi E [LGDi ]
i=1
1
16
( ) ( )1
Comme f F1 () = F1 () , on en dduit que (TR-GDR, page 505) :
1
f () = ( )
I 1 (PDi )+ 1 ()
i=1 EADi E [LGDi ]
1 1(1 ())
avec = F1 ().
7. est la corrlation constante des actifs :
Dans le cas de contrats lists, la relation prcdente est gnralement vrie. Dans le cas
de contrats OTC, il ny a pas de prix de march. Dans ce cas, la banque utilise un modle
pour valoriser le contrat OTC. On parle dune valorisation en mark-to-model. La relation
MTMA+B (C) = 0 (ou MTMA+B (C) 0) nest plus forcment vrie pour plusieurs raisons :
les deux contreparties nutilisent pas forcment le mme modle de valorisation, les paramtres
utiliss ne sont pas exactement les mmes, les systmes de provisionnement pour le risque de
modle (appels aussi rfactions) ne sont pas comparables, etc. Dans cet exemple, on obtient :
MTMA+B (C1 ) = 10 11 = 1
MTMA+B (C2 ) = 5 + 6 = 1
MTMA+B (C3 ) = 6 3 = 3
MTMA+B (C4 ) = 17 12 = 5
MTMA+B (C5 ) = 5 + 9 = 4
MTMA+B (C6 ) = 5 + 5 = 0
MTMA+B (C7 ) = 1+1=2
Il y a donc un contrat qui vrie exactement la relation (cest le contrat C6 ). La relation est
presque vrie pour deux autres contrats (ce sont les contrats C1 et C2 ). Pour le contrat C7 ,
chaque contrepartie pense tre gagnante et ache un mark-to-market positif ! Enn, il y a
trois contrats qui prsentent de grosses dirences (ce sont les contrats C3 , C4 et C5 ).
(b) On a (TR-GDR, pages 216-217) :
I
EAD = max (MTM (Ci ) , 0)
i=1
17
On obtient donc :
EADA = 10 + 6 + 17 + 1 = 34
EADB = 6 + 9 + 5 + 1 = 21
On obtient donc :
EADA = max(10 5 + 6, 0) + 17 + 1 = 29
EADB = max(11 + 6 3, 0) + 9 + 5 + 1 = 15
avec MTM (t) le mark-to-market du contrat la date future t. e (t) est donc une variable
alatoire.
La distribution de lexposition au dfaut e (t) pour la date future t est note F[0,t] . Lex-
position future potentielle (potential future exposure) est le quantile de la distribution F[0,t]
pour un seuil de conance donn :
PFE (0; t) = F1
[0,t] ()
Lexposition maximale (peak exposure) est le maximum des expositions futures potentielles :
Cette quantit est aussi connue sous le nom dexposition future potentielle maximale (maxi-
mum potential future exposure ou MPFE).
Lexposition attendue (expected exposure) est la moyenne de lexposition au dfaut pour une
date t donne :
EE (0; t) = E [e (t)] = x dF[0,t] (x)
Lexposition positive attendue (expected positive exposure) est la moyenne pondre dans le
temps des expositions attendues :
[ ]
1 h 1 h
EPE (0; h) = E e (t) dt = EE (0, t) dt
h 0 h 0
Lexposition attendue eective (eective expected exposure) est lexposition maximale atten-
due jusqu la date t :
( ( ) )
EEE (0; t) = sup EE (0; ) = max EEE 0; t , EE (0; t)
t
18
Lexposition positive attendue eective (eective expected positive exposure) est la moyenne
pondre dans le temps des expositions attendues :
h
1
EEPE (0; h) = EEE (0; t) dt
h 0
Si e (t) = t avec U[0,1] , on obtient :
x
F[0,t] (x) =
t
[ ]
avec x 0, t . On a donc :
PFE (0; t) = F1
[0,t] () = t
PE (0) = T
t
1 t
EE (0; t) = x dx =
0 t 2
h
1 t h
EPE (0; h) = dt =
h 0 2 3
t
EEE (0; t) =
2
1 h t h
EEPE (0; h) = dt =
h 0 3 3
( )
Si e (t) = exp t avec N (0, 1), on obtient :
( )
ln x
F[0,t] (x) =
t
19
[ ( )]
avec x 0, t3 73 T t2 + 43 T 2 t . On a donc :
( )
7 2 4 2
PFE (0; t) = F1 [0,t] () = t 3
T t + T t
3 3
PE (0) = 1 {t < t } PFE (0; t) + 1 {t t } PFE (0; t )
( )
1 7 2 4 2
EE (0; t) = t Tt + T t
3
2 3 3
( 3 )
9h 28T h + 24T 2 h
2
EPE (0; h) =
72
EEE (0; t) = 1 {t < t } EE (0; t) + 1 {t t } EE (0; t )
1 h
EEPE (0; h) = EEE (0; t) dt
h 0
avec : ( )
7 13
t = T
9
Cette exercice est plus dicile que le prcdent, car la fonction e (t) nest pas monotone
croissante. Elle est croissante pour t < t1 et ensuite dcroissante 4 . Ceci explique que lon
doit dterminer pour PE (0) et EEE (0; t) loptimum t . titre de comparaison, nous
reportons les direntes fonctions EE (0; t), EPE (0; h), EEE (0; t) et EEPE (0; h) pour ces
deux exercices sur les graphiques 1 et 2.
( )
Figure 1 Exposition au dfaut si e (t) = exp tN (0, 1)
20
( )
Figure 2 Exposition au dfaut si e (t) = t3 37 T t2 + 34 T 2 t U[0,1]
On en dduit que :
E [e (t)] = max (x, 0) f (x) dx
( )
avec f (x) la fonction de densit de e1 (t). Comme e (t) N x1 , 1 t , on obtient :
( ( )2 )
x 1 x x1
E [e (t)] = exp dx
0 1 2t 2 1 t
x1
= x1 + 1 t [ (y)] x1
1 t 1 t
( ) ( )
x1 x1
= x1 + 1 t
1 t 1 t
21
On en dduit que : ( )
e (t) N 2 2
x1 + x2 , 1 t + 2 t + 21 2 t
22
Pour calculer les expressions des estimateurs et , on peut procder de deux faons.
#1 On sait que si Y LN (, ), alors X = ln Y N (, ) et que les estimateurs et du
maximum de vraisemblance de X N (, ) sont :
1
n
= xi
n i=1
v
u n
u1
= t
2
(xi )
n i=1
1
n
= ln Li
n i=1
v
u n
u1
= t
2
(ln Li )
n i=1
(, ) = arg max (, )
On a :
1
n
(, ) = (ln Li ) = 0
2 i=1
et donc :
1
n
= ln Li
n i=1
On a :
n (ln Li )
n 2
(, ) = + =0
i=1 3
et donc : v
u n
u1
= t
2
(ln Li )
n i=1
Pour m 1, on a :
( ( )2 )
1 1 ln x
E [Lm
i ] = xm
exp dx
0 x 2 2
23
On considre les changements de variable y = 1 (ln x ) et z = y . On obtient :
( )
1 1 2
E [Li ] =
m
exp (m + my) exp y dy
2 2
( )
1 1
= exp (m) exp y 2 + my dy
2 2
( ) ( )
1 2 2 1 1 2
= exp (m) exp m exp (y m) dy
2 2 2
( ) ( )
1 2 2 1 1
= exp (m) exp m exp z 2 dz
2 2 2
( )
1 2 2
= exp (m) exp m [ (z)]
2
( )
1
= exp m + m2 2
2
On en dduit que :
1 2
E [Li ] = e(+ 2 )
[ ] 2
E L2i = e(2+2 )
[ ]
var (Li ) = E L2i E2 [Li ]
2 2
= e(2+2 ) e(2+ )
2
( 2
)
= e(2+ ) e 1
On peut donc estimer les paramtres et par la mthode gnralise des moments en
considrant les moments empiriques suivantes (TR-GDR, pages 239) :
1 2
hi,1 (, ) = Li e(+ 2 )
( 1 2
)2 2
( 2 )
hi,2 (, ) = Li e(+ 2 ) e(2+ ) e 1
(b) On a :
x(+1)
f (x) =
x
n
n n
() = ln Li + ln x = 0
i=1 i=1
On en dduit que :
n
Li
n= ln
i=1
x
24
Lestimateur du maximum de vraisemblance est donc :
/ n
Li
= n ln
i=1
x
Pour m 1, on a :
x(+1)
E [Lm
i ] = xm dx
x x
= xm1 dx
x
x
[ ]
xm
=
x
m x
= xm
m
On en dduit que :
E [L] = x
1
et :
[ ]
E L2 = x2
2
On remarque aussi que :
[ ]
var (L) = E L2 E2 [L] = 2 x2
( 1) ( 2)
On peut donc estimer les paramtres et par la mthode gnralise des moments en
considrant les moments empiriques suivantes :
hi,1 () = Li x
1
( )2
hi,2 () = Li x x2
1 2
( 1) ( 2)
La mise en place de la mthode GMM peut se faire en considrant soit le premier moment
hi,1 (), soit le second moment hi,2 () soit les deux moments joints (hi,1 () , hi,2 ()).
(c) Lexpression de la densit conditionnelle dans le cas (ii) est (TR-GDR, page 242) :
f (x)
f (Li = x | Li H) =
1 F (x)
( )/ ( )
x(+1) H
=
x
x
x(+1)
=
H
La distribution conditionnelle est donc une distribution de Pareto de mme paramtre avec
x = H. Lestimateur du maximum de vraisemblance devient donc :
n
= n
( i=1 ln Li ) n ln H
25
Pour la distribution (i), on obtient (TR-GDR, page 243) :
m1 ( ( )2 )
1 x 1 ln x
E [Lm | Li H] = exp dx
i
1 ((ln H ) /) H 2 2
( ( )2 )
1 1 1 x
= exp + mx dx
1 ((ln H ) /) ln H 2 2
( ) ( ( ) )2
exp m + r2 2 /2 1 1 x + m 2
= exp dx
1 ((ln H ) /) ln H 2 2
( )
exp m + m2 2 /2 ( (( ) ))
= 1 ln H m 2 /
1 ((ln H ) /)
Les deux premiers moments de Li | Li H sont donc :
( 2
)
1 ln H 1 2
m (, ) = E [Li | Li H] = ( ) e+ 2
1 ln H
( )
ln H2 2
[ 2 ] 1 2
v (, ) = E Li | Li H = ( ) e2+2
1 ln H
On peut donc estimer les paramtres et par la mthode gnralise des moments en
considrant les moments empiriques suivantes :
hi,1 (, ) = Li m (, )
2 ( )
hi,2 (, ) = (Li m (, )) v (, ) m2 (, )
(d) On peut utiliser un test driv de la reprsentation QQ-plot ou un test bas sur les statistiques
dordre (et plus particulirement la statistique du maximum).
2. On considre un chantillon de T nombres de pertes {N1 , . . . , NT }. On suppose que le nombre de
pertes suit une distribution de Poisson P ().
(a) On a :
n
Pr {N1Y = n} = e
n!
On en dduit que la log-vraisemblance a pour expression :
T
() = ln Pr {N1Y = Nt }
t=1
( T )
T
= T + Nt ln ln Nt !
t=1 t=1
1
T
= Nt = N1Y
T t=1
26
(b) On sait que :
N1Y = NQ1 + NQ2 + NQ3 + NQ4
Daprs la proprit de la distribution de Poisson, si N1Y P () alors N1Q P (/4). On en
dduit que :
1
T
= 4 Nt = 4N1Q
T t=1
3. (a) On sait que la dure d entre deux pertes conscutives suprieures est une distribution
exponentielle de paramtre (1 F ()) (TR-GDR, page 251). On en dduit que :
( ( ) )
dE
x_
(b) On peut demander aux experts dvaluer les temps de retour dj de dirents scnarios j et on
peut calibrer les paramtres et par la mthode des moments en remarquant que (TR-GDR,
pages 252-253) :
( )
1
E [dj ] =
x_
JF = sN
= 0.02 1 000 000
= 20 000
Comme on considre un CDS 6M, la jambe xe est paye tous les six mois pendant 3 ans et le
montant de celle-ci est donc gale 10 000 euros. Sil y a un dfaut de paiement avant les 3 ans,
lacheteur B reoit la maturit la jambe de protection qui est gale 600 000 euros :
JV = (1 R) N
= (1 0.40) 1 000 000
= 600 000
avec R le taux de recouvrement. On en dduit le diagramme des ux suivant (TR-GDR, page 411) :
& %
27
Sil ny a pas de dfaut avant les 3 ans, lacheteur B paye donc au vendeur A 10 000 euros pendant
6 semestres. Le PnL du vendeur A est donc gal 60 000 euros 5 . Si la contrepartie X fait dfaut
dans 2 ans et 2 mois, le PnL de lacheteur B est gal :
2. Si le spread de la contrepartie X augmente sept mois plus tard et vaut 1 000 pb, alors lacheteur B
de la protection gagne de largent sil retourne sa position dans le march puisque la probabilit de
dfaut de X a augment. La nouvelle valeur de la jambe de prime semestrielle est :
1
JF = s N = 50 000
2
Comme il reste encore 5 versements semestriels de la jambe de prime, le PnL de lacheteur B est
gal (si on nglige leet dactualisation) (TR-GDR, page 410) :
100
L= EADi LGDi 1 {i 1}
i=1
avec EADi lexposition au dfaut de la crance i qui vaut 10 000 euros, LGDi la perte en cas de
dfaut alatoire de la contrepartie i et i le temps de dfaut alatoire de la contrepartie i. Comme
5. On suppose que les taux dintrt sont nuls, il ny a donc pas besoin dactualiser.
28
les variables alatoires LGDi et i sont indpendantes, on en dduit que :
[ 100 ]
EL = E EADi LGDi 1 {i 1}
i=1
100
= E [EADi LGDi 1 {i 1}]
i=1
100
= EADi E [LGDi ] E [1 {i 1}]
i=1
100
= EADi E [LGDi ] PDi
i=1
29
On obtient nalement que :
2LGD (1 LGD )
a = 2 LGD
LGD
2
(1 LGD ) LGD
b = 2 (1 LGD )
LGD
0,52 (1 0,5)
a = 0,5 = 1,5
0,252
2
(1 0,5) 0,5
b = (1 0,5) = 1,5
0,252
4. On peut considrer le portefeuille prcdent comme inniment granulaire puisque cest un porte-
feuille homogne avec 100 crances. On sait dans ce cas que lunexpected loss dpend seulement de
lesprance de la perte en cas de dfaut. Comme lesprance de la distribution uniforme est 50%
(comme la distribution Bta calibre), alors il ny a pas de dirence dans ce cas entre utiliser une
distribution uniforme ou la distribution Bta calibre. Ce rsultat est valable pour le modle Ble
II un seul facteur, mais aussi dans le cas o il y a plusieurs facteurs (TR-GDR, page 458).
On en dduit que :
f (t) = t S (t)
( ( ) )
= t S tm1 em (ttm1 )
( )
= m S tm1 em (ttm1 )
= m S (t)
m1
= m e i ti1 ) m (ttm1 )
i (t
i=1 e
2. On a donc : {
e1 t si t 5
S (t) =
e1 5 e2 (t5) si t > 5
avec 1 = 0,01 et 1 = 0,02. On vrie que :
S ( ) = 1 F ( )
1 U[0,1]
U[0,1]
= S1 (u)
30
Si u S (5), on a e1 t = u ou encore t = 11 ln u. Si u > S (5), on a e
1 5 2 (t5)
e = u ou
1
encore t = 5 2 (ln u + 1 5). On simule donc de la faon suivante :
{
11 ln u si u e1 5
= 1
5 2 (ln u + 1 5) si u > e1 5
3. On a : ( )
S (tm ) = S tm1 em (tm tm1 )
4. Soit (t) la matrice de transition entre les dates 0 et t. On appelle gnrateur de (t) la matrice
= (i,j ) dnie par (TR-GDR, page 441) :
(t) = et
ln (t)
=
t
4
On a donc = (ln ) /2. Le gnrateur est Markovien si j=1 i,j = 0 et i,j 0 si i = j. Ces
conditions sont vries, on en dduit que est une gnrateur Markovien.
5. Concernant le modle exponentiel gnralis, on procde comme la question 3. On a dj calcul
(t) pour 0 t < 2, 2 t < 4 et 4 t < 6. On calcule alors 4 et 4 et on en dduit (t)
pour 6 t < 8 et 8 t < 10. On rappelle que la fonction de survie pour la classe de risque i est
(TR-GDR, page 441) :
Si (t) = 1 e
i (t) e4
= 1 e t
i e e4
31
On en dduit que (TR-GDR, page 467) :
t Si (t)
i (t) =
Si (t)
e t
i e e4
=
1 e t
i e e4
On utilise donc la formule prcdente pour calculer (t) directement partir du gnrateur Mar-
kovien. long terme, le systme de transition est stationnaire. La probabilit de dfaut dune
contrepartie appartenant la classe de risque A est donc long terme la mme que celle dune
contrepartie appartenant la classe de risque B ou C. On a donc :
A () = B () = C () = 147,6 bp
A court terme, ce nest pas le cas et les probabilits de dfaut sont ordonnes selon la classe de
risque :
A (0) < B (0) < C (0)
Il est donc tout fait normal que lon obtienne une courbe croissante pour le rating A et une courbe
dcroissante pour le rating C (TR-GDR, page 448).
F (t) = 1 et
S (t) = et
f (t) = et
On note X = S ( ). On a X [0, 1] et :
Pr {X x} = Pr {S ( ) x}
{ }
= Pr S1 (x)
( )
= S S1 (x)
On en dduit que S ( ) U[0,1] (TR-GDR, page 428). On a donc = S1 (U ) avec U U[0,1] . Soit
u un nombre alatoire uniforme. Simuler revient transformer u en t :
1
t = ln u
32
Figure 5 Diagramme des ux du point de vue de lacheteur de la protection
' $
& %
3. La marge la monnaie ou le spread du CDS est la valeur de s telle que le prix du CDS soit nul
(TR-GDR, page 410) :
P (t) = E [JF JV ]
On a la relation triangulaire suivante (TR-GDR, page 410) :
s (1 R)
PD = 1 S (1)
= 1 e
1 (1 )
33
1.14 Valeur en risque dune position optionnelle (TR-GDR, page 551)
1. Lexpression du PnL est (TR-GDR, page 91) :
= S C = 50%
= S2 C = 4%
PnL (St+1 St )
= Rt+1 St
On en dduit que :
PnL N (0, St )
et 7 :
VaR () = 1 () St
= 2,33 50% 2% 100
= 2,33 euros
34
On a Rt+1 = X avec X N (0, 1). Il vient que :
[ ] 3
E PnL 2 = 2 2 St2 + 2 4 St4
4
[ ] [ ] [ ]
car E [X] = 0, E X 2 = 1, E X 3 = 0 et E X 4 = 3. Lexpression de lcart-type du PnL est
donc :
( )2
3 2 4 4 1 2 2
(PnL) = St + St
2 2 2 St
4 2
1
= 2 2 St2 + 2 4 St4
2
Lapproximation gaussienne du PnL est alors la suivante :
( )
1 2 2 1
PnL N 2 4
St , 2 2 St + 2 4 St
2 2
(c) Soit L = PnL la perte. La VaR Cornish-Fisher est gale (TR-GDR, page 82) :
VaR () = z (1 , 2 ) (L)
avec
1( 2 ) 1 ( 3 ) 1 ( 3 )
z (1 , 2 ) = z + z 1 1 + z 3z 2 2z 5z 12 +
6 24 36
et z = 1 (). 1 et 2 sont respectivement le coecient de skewness et lexcs de kurtosis
associs la distribution de la perte L. On a :
1
PnL = St X + 2 St2 X 2
2
avec X N (0, 1). On rappelle que :
E [X] = 0
[ ]
E X2 = 1
[ ]
E X3 = 0
[ ] [ ]
E X4 = (2 2 1) E X 2 = 3
[ ]
E X5 = 0
[ ] [ ]
E X6 = (2 3 1) E X 4 = 15
[ ]
E X7 = 0
[ ] [ ]
E X8 = (2 4 1) E X 4 = 105
35
On en dduit que :
[( )3 ]
[ ] 1
E PnL 3 = E St X + 2 St2 X 2
2
[ ]
3 3 1
= E 3 3 St3 X 3 + 2 4 St4 X 4 + 2 5 St5 X 5 + 3 6 St6 X 6
2 4 8
9 2 4 4 15 3 6 6
= St + St
2 8
et :
[( )4 ]
[ ] 1
E PnL 4 = E St X + 2 St2 X 2
2
45 2 2 6 6 105 4 8 8
= 34 4 St4 + St + St
2 16
Lexpression des moments centrs est donc :
[ ] [ ] [ ]
3
E (PnL E [PnL]) = E PnL3 3E [PnL] E PnL2 + 2E3 [PnL]
9 2 4 4 15 3 6 6 3 2 4 4 9 3 6 6 2 3 6 6
= St + St St St + St
2 8 2 8 8
2 4 4 3 6 6
= 3 St + St
et :
[ ] [ ] [ ] [ ]
4
E (PnL E [PnL]) = E PnL4 4E [PnL] E PnL3 + 6E2 [PnL] E PnL2 3E4 [PnL]
45 2 2 6 6 105 4 8 8 15
= 34 4 St4 +
St + St 92 2 6 St6 4 8 St8 +
2 16 4
3 2 2 6 6 9 4 8 8 3 4 8 8
St + St St
2 8 16
15
= 3 St + 15 St + 4 8 St8
4 4 4 2 2 6 6
4
Lexpression de 1 et 2 est donc (TR-GDR, page 82) :
1 (L) = 1 (PnL)
[ ]
3
E (PnL E [PnL])
=
3 (PnL)
32 4 St4 + 3 6 St6
= ( )3/2
2 2 St2 + 12 2 4 St4
2 (L) = 2 (PnL)
[ ]
4
E (PnL E [PnL])
= 3
2 (PnL)
34 4 St4 + 152 2 6 St6 + 15 4 8 8
4 St
= ( )2 3
2 2 St2 + 21 2 4 St4
En utilisant les valeurs numriques des dirents paramtres, on obtient (L) = 1,0016,
1 (L) = 0,2394, 2 (L) = 0,0764, z (1 , 2 ) = 2,1466 et VaR () = 2,15 euros.
(d) La VaR est rduite avec la mthode Cornish-Fisher cause de leet de skewness 8 . Comme
celle-ci est ngative, cela revient rduire la queue de distribution de probabilit de la perte
8. Lexcs de kurtosis a trs peu deet.
36
et augmenter la masse de probabilit des pertes plus petites que la perte moyenne. Il est
donc normal que la valeur en risque soit plus petite que celle obtenue avec lapproximation
gaussienne (car on rappelle que lexcs de kurtosis est trs faible).
2. On a :
1 2
PnL = Rt+1 St + Rt+1 St2
2
En utilisant un historique de rendement, on peut calculer la valeur du PnL avec la formule prcdente
en remplaant Rt+1 par les scnarios historiques. Il sut ensuite de classer les valeurs simules du
PnL et de prendre la statistique dordre correspondant au quantile 1 (TR-GDR, pages 94-95).
Pour la mthode de Monte Carlo, on remplace les scnarios historiques par des scnarios simuls
de Rt+1 N (0, 2%).
E [R1 R2 ]
=
E [R12 ] E [R22 ]
E [1 X1 2 X2 ]
=
E [12 X12 ] E [22 X22 ]
E [X1 X2 ]
= 1 2
1 E [X12 ] 2 E [X22 ]
E [X1 X2 ]
=
E [X12 ] E [X22 ]
=
37
On a (TR-GDR, page 484) :
S1 , S2 = 1 (a, b) R R+ : S1 = a + bS2
On en dduit que :
eR1 = a + beR2
1 ( )
X1 = ln a + be2 X2
1
Comme (X1 , X 2 ) est un vecteur gaussien, on en dduit que a = 0 et :
ln b 2
X1 = + X2
1 1
[ 2]
Comme E [X1 ] = 0, b = 0. La condition E X1 = 1 implique que 1 = 2 . On obtient donc le
rsultat suivant :
S1 , S2 = 1 1 = 2
Corrler parfaitement les mouvements browniens W1 (t) et W2 (t) dans le modle Black-Scholes nest
pas susant pour corrler parfaitement les prix des actifs S1 (t) et S2 (t). Il faut aussi imposer que
1 = 2 . Si 1 = 2 et W1 (t) = W2 (t), on obtient alors que (TR-GDR, page 484) :
S1 , S2 < 1
3. On a :
CX1 ,X2 = C + (1 ) C+
(a) On a (TR-GDR, page 269) :
F (x1 , x2 ) = max ( (x1 ) + (x2 ) 1) + (1 ) min ( (x1 ) , (x2 ))
On en dduit que :
E [X1 X2 ] = x1 x2 dF (x1 , x2 )
= (1) + (1 ) (+1)
On obtient donc :
X1 , X2 = E [X1 X2 ]
= 1 2
La corrlation linaire de X1 et X2 est nulle lorsque :
1
=
2
(b) Soient X1 N (0, 1) et X2 N (0, 1). On a (TR-GDR, page 284) :
X1 , X2 = 1 + 1 X1 , 2 + 2 X2
= X1 , X2
= 1 2
(c) On a :
1 X1 , X2
=
2
On calcule donc la corrlation empirique et on en dduit que lestimateur des moments est
(TR-GDR, page 328) :
1
=
2
38
1.16 La distribution exponentielle (TR-GDR, page 548)
1. Daprs la formule de Bayes, on a :
Pr { > t > s}
Pr { > t | > s} =
Pr { > s}
Pr { > t}
=
Pr { > s}
S (t)
=
S (s)
et
=
es
= e(ts)
= Pr { > t s}
On dit que la distribution exponentielle possde la proprit dabsence de mmoire (TR-GDR, page
427).
Pr { > t | > s} = Pr { > t s}
Cela veut dire que la distribution de reste inchange quelque soit la date dorigine pour mesurer
et nest pas inuence par le pass. Cette proprit est trs intressante dans la modlisation
du risque de crdit car on utilise gnralement la date prsente pour mesurer . Si la proprit
dabsence de mmoire nest pas vrie, cela voudrait dire que modliser le temps de dfaut dune
entreprise en octobre 2011 dpendrait par exemple de sa date de cration. La proprit Markovienne
de la distribution exponentielle permet ainsi doublier tout ce qui sest pass avant octobre 2011.
2. (a) On a :
{ }
Pr {min (1 , . . . , n ) t} = Pr 1 t . . . n t
n
= Pr {i t}
i=1
n
= e( i=1 i )t
et :
{ }
Pr {max (1 , . . . , n ) t} = Pr 1 t . . . n t
n
= Pr {i t}
i=1
n
( )
= 1 ei t
i=1
39
Soit + = max (1 , . . . , n ) et = min (1 , . . . , n ). On en dduit que :
{ ( ) }
1 1 1
Pr {min (1 , . . . , n ) t} = Pr min , ,..., 1 1 t
1 2 n
{ }
1
= Pr 1 t
+
{ }
+
= Pr 1 t
1
( )
+
= exp 1 t
1
( + )
= exp t
et :
{ }
1
Pr {max (1 , . . . , n ) t} = Pr 1 t
( )
= 1 exp 1 t
1
( )
= 1 exp t
Pr {min (1 , 2 ) = 2 } = Pr {2 1 }
t1
= 1 e1 t1 2 e2 t2 dt1 dt2
0 0
( t1 )
1 t1 2 t2
= 1 e 2 e dt2 dt1
0 0
( )
= 1 e1 t1 1 e2 t1 dt1
0
= 1 e1 t1 dt1 1 e(1 +2 )t1 dt1
0 0
1
= 1
1 + 2
2
=
1 + 2
Ce rsultat se gnralise facilement au cas n 2 et on obtient :
i
Pr {min (1 , . . . , n ) = i } = n
j=1 j
40
(b) Si la fonction de dpendance de (1 , 2 ) est C , on a (TR-GDR, page 274) :
U1 = 1 U2
S1 (1 ) = 1 S2 (2 )
e1 1 = 1 e2 2
( )
ln 1 e2 2
1 =
1
Il existe bien une fonction f telle que 1 = f (2 ) avec :
( )
ln 1 e2 t
f (t) =
1
(c) On sait que [min , max ] avec min et max les coecients de corrlation linaire de (1 , 2 )
pour C = C et C = C+ (TR-GDR, page 283). On sait aussi que = 1 (resp. = 1) si
et seulement si il existe une fonction f linaire croissante (resp. dcroissante) telle que
1 = f (2 ) (TR-GDR, page 284). Daprs les rsultats de la question 3a, on a 1 = f (2 ) pour
C = C+ avec :
2
f (t) = t
1
2
f (t) = >0
1
La fonction f (t) est linaire et croissante, on en dduit que max = 1. Daprs les rsultats de
la question 3b, on a 1 = f (2 ) pour C = C avec :
( )
ln 1 e2 t
f (t) =
1
2 t
( )
2 e ln 1 e2 t
f (t) = <0
1 (1 e2 t )
La fonction f (t) est bien dcroissante, mais elle nest pas linaire. On en dduit donc que
min = 1. On obtient nalement que :
1 < 1
(d) Pour C = C , on sait quil existe une fonction dcroissante f telle que (TR-GDR, page 274) :
X2 = f (X1 )
On sait aussi que atteint sa borne basse si C = C (TR-GDR, page 284) et que = 1 sil
existe une fonction linaire dcroissante f telle que :
X2 = a + bX1
On doit donc vrier que X2 = a + bX1 avec b < 0. Dans le cas o X1 = +, on obtient :
X2 = a + (b )
| {z }
=
a = +
Si le support des variables alatoires X1 et X2 est [0, +], il nexiste donc pas de fonction
linaire dcroissante f telle que X2 = f (X1 ). On en dduit que la borne = 1 ne peut pas
tre atteinte.
41
1.17 Les fonctions copules (TR-GDR, page 540)
1. (a) On a :
C (u, 0) = C (0, u) = 0
C (u, 1) = C (1, u) = u
2
C (u1 , u2 )
= 1 + (1 2u1 ) (1 2u2 )
u1 u2
Comme 1 1 + (1 2u1 ) (1 2u2 ) 1, on en dduit que
2 C (u1 , u2 )
0
u1 u2
On en dduit que C est une fonction copule (TR-GDR, page 260).
(b) On a (TR-GDR, page 289) :
1 2u + C (u, u)
= lim
u1 1u
( )
2
1 2u + u2 1 + (1 u)
= lim
u1 1u
( )
= lim (1 u) 1 + u2
u1
= 0
On a :
u1 C (u1 , u2 ) = u2 + u2 2u1 u2 u22 + 2u1 u22
On en dduit que :
u1 C (u1 , u2 ) u2 C (u1 , u2 ) = u1 u2 + u1 u2 2u1 u22 u21 u2 + 2u21 u22 +
u1 u2 + 2 u1 u2 22 u1 u22 2 u21 u2 + 22 u21 u22
2u21 u2 22 u21 u2 + 42 u21 u22 + 22 u31 u2 42 u31 u22
u1 u22 2 u1 u22 + 22 u1 u32 + 2 u21 u22 22 u21 u32 +
2u21 u22 + 22 u21 u22 42 u21 u32 22 u31 u22 + 42 u31 u32
( )
= u1 u2 1 + 2 + 2 +
( ) ( )
u1 u22 3 32 + u21 u2 3 32 +
( ) ( ) ( )
u21 u22 4 + 92 + u31 u2 22 + u1 u32 22 +
( ) ( ) ( )
u31 u22 62 + u21 u32 62 + u31 u32 42
Comme on a :
1
u1 u2 du1 du2 =
2
[0,1] 4
1
u21 u2 du1 du2 = u1 u22 du1 du2 =
2
[0,1] 2
[0,1] 6
1
u21 u22 du1 du2 =
[0,1]2 9
1
u1 u32 du1 du2 = u31 u2 du1 du2 =
2
[0,1] 2
[0,1] 8
1
u21 u32 du1 du2 = u31 u22 du1 du2 =
[0,1]2 [0,1]2 12
1
u31 u32 du1 du2 =
[0,1]2 16
42
on obtient le rsultat suivant (TR-GDR, page 281) :
= 14 u1 C (u1 , u2 ) u2 C (u1 , u2 ) du1 du2
[0,1]2
(( ) ( ) ( ) ( ) ( 2 ) )
1 + 2 + 2 6 + 62 4 + 92 22 + 22 6 + 62 42
= 14 + + +
4 6 9 8 12 16
( )
1 2 4 2 2
= 14 + + 2 + + 2 + 2 +
4 2 4 9 2 4
( )
1
= 14
4 18
2
=
9
(c) On simule tout dabord (U1 , U2 ) en utilisant la mthode des distributions conditionnelles (TR-
GDR, pages 315 et 318) et on applique la mthode de linversion (TR-GDR, page 314) :
X1 = + 1 (U1 )
1
X2 = ln (1 U2 )
(d) On a (TR-GDR, page 261) :
f (x1 , x2 ) = c (F1 (x1 ) , F2 (x2 )) f2 (x1 ) f1 (x1 )
( ( ( )) ) ( )
x1 ( x2 ) x1 x2
= 1 + 1 2 2e 1 e
On en dduit que (TR-GDR, page 330) :
n
= n ln n ln ln (2) +
2
n ( ( ( i )) ( ))
x1
2ex2 1
i
ln 1 + 1 2
i=1
n ( )2
1 xi1 n
xi2
2 i=1 i=1
2. (a) On a :
S (0, 0) = 1
S (, ) = 0
et :
1,2
2
S (x1 , x2 ) 0
(b) On a :
S1 (x1 ) = S (x1 , 0)
= exp (x1 )
Comme U1 = S1 (X1 ), on en dduit lexpression suivante de la fonction copule :
( ( ))
ln u1 ln u2
C (u1 , u2 ) = exp ln u1 ln u2 +
ln u1 + ln u2
( )
u1 u2
= u1 u2 exp
u1 + u2
avec u = ln u. On obtient la copule EV appele Gumbel II (TR-GDR, page 312).
43
3. (a) est une fonction de classe C 2 qui vrie (1) = 0, (u) < 0 et (u) > 0 (TR-GDR, page
293).
(b) C est archimdienne avec (u) = ln u, C est archimdienne avec (u) = 1 u et C+
nest pas archimdienne (TR-GDR, page 294).
(c) Cest la copule de Gumbel (TR-GDR, page 294) :
( [ ]1/ )
C (u1 , u2 ) = exp ( ln u1 ) + ( ln u1 )
= Ct (u1 , u2 )
(x1 , x2 ; ) = Pr {X1 x1 , X2 x2 }
[ { }]
= E Pr X1 x1 , X1 + 1 2 X3 x2 | X1
x1 ( )
x2 x
= (x) dx
1 2
44
On obtient donc que :
( )
x2 x1
Pr {X2 x2 | X1 = x1 } = (x1 )
1 2
et :
5. Une copule de valeurs extrmes vrie la proprit suivante pour tout t > 0 (TR-GDR, page 308) :
( )
C ut1 , ut2 = Ct (u1 , u2 )
On a :
( )
C ut1 , ut2
t
= ut1 ut2 = (u1 u2 )
( ) ( ) t
C+ ut1 , ut2 = min ut1 , ut2 = min (u1 , u2 )
et : ( ) ( )
C ut1 , ut2 = max 0, ut1 + ut2 1 = max (0, u1 + u2 1)
t
et :
( )2 ( )2
3 3 3 3
C , = max 0, + 1
4 4 4 4
= 0,25
45
2 De nouveaux exercices
2.1 Calculs statistiques
Soit L la variable alatoire reprsentant la perte dun portefeuille. On note f et F les fonctions de
densit et de rpartition associes.
1. Exprimez F (x) partir de f .
2. Donnez la dnition de F1 ().
3. Calculez le quantile x = F1 () lorsque L N (, ).
4. Mme question si L LN (, ).
5. Mme question si L E ().
6. Calculez F1 (95%) et F1 (99%) dans le cas de la distribution discrte suivante :
x 0 5 6 3 8 10
Pr {L = x} 10% 50% 23% 7% 6% 4%
ei = LGDi Di
5. On suppose que le dfaut intervient avant la maturit Mi si une variable latente Zi passe en dessous
dune certaine barrire Bi :
i Mi Zi Bi
On modlise Zi = X + 1 i avec Zi , X et i trois variables alatoires gaussiennes centres
rduites et indpendantes. X est le facteur (ou le risque systmique) et i est le risque individuel.
Calculez la probabilit de dfaut conditionnelle.
6. Montrez que, dans le modle Ble II, nous avons :
[ ] [ ]
E ei | L = F1 () = E [LGDi ] E Di | X = 1 (1 )
7. Dduisez-en lexpression de la contribution en risque de la i-ime crance dans le modle Ble II.
46
8. On suppose que le portefeuille est homogne, cest--dire que les crances ont la mme exposition
au dfaut, la mme distribution de perte en cas de dfaut et la mme probabilit de dfaut. En
utilisant le rsultat suivant :
c ( )
a b
(a + bx)(x) dx = 2 c, ;
1 + b2 1 + b2
avec 2 (x, y; ) la fonction de rpartition de la distribution gaussienne bivarie de corrlation sur
lespace [, x][, y], calculez lexpected shortfall dans le cadre du modle Ble II. Commentez
ce rsultat.
sCDS
1 + sCDS
2 + sCDS
3 = sF2D + sS2D + sL2D
avec sCDS
i le spread CDS du i-ime crdit.
8. Certains professionnels et acadmiques considrent que la crise des subprimes est de lutilisation
de la copule Normale. Au vu des rsultats de la question prcdente, quels commentaires pouvez-
vous faire ?
47
(c) On rappelle que les deux premiers moments de la distribution Bta sont :
a
E [X] =
a+b
ab
2 (X) = 2
(a + b) (a + b + 1)
LGD +e 1 = 0
48
2.7 Le modle exponentiel gnralis
1. On note F et S les fonctions de rpartition et de survie associe la variable alatoire . Dnissez
la fonction S (t) et dduisez-en lexpression de la fonction de densit f (t) associe.
2. Donnez la dnition du taux de risque (t). Dduisez-en que le modle exponentiel correspond au
cas particulier (t) = .
3. Comment peut-on simuler la variable alatoire dans le cas (t) = .
4. On suppose maintenant que :
1 si t 3
(t) = 2 si 3 < t 5
3 si t > 5
Donnez lexpression de la distribution de survie S (t). Dduisez-en lexpression de la fonction de
densit f (t). Vriez que :
f (t)
= constante
S (t)
5. On suppose un taux dintrt constant r. On rappelle que dans le cas dun CDS dont la marge est
paye de faon continue, le spread du CDS est gal :
T
(1 R) 0 ert f (t) dt
s= T
0
ert S (t) dt
avec S et f les fonctions de survie et de densit du temps de dfaut associ au CDS, R le taux de
recouvrement et T la maturit du CDS. Donnez lgalit triangulaire lorsque E .
6. On considre maintenant que est le modle exponentiel gnralis de la question 4. On suppose
que lon dispose de trois spreads CDS de march s1 , s2 et s3 de maturit respectives 3 ans, 5 ans et
7 ans. Montrez que la calibration du modle exponentiel gnralis revient rsoudre un systme
de 3 quations dinconnues 1 , 2 et 3 . Quel est le nom donn cette mthode de calibration ?
2. On a :
F1 () = inf {x : F (x) }
Dans le cas dune fonction de distribution continue, on obtient :
{ }
Pr L F1 () =
Pr {L x} =
{ }
L x
Pr =
{ }
x
Pr N (0, 1) =
( )
x
=
49
On en dduit que :
x
= 1 ()
On obtient nalement que :
F1 () = x
= + 1 ()
F1 (95%) = 10 + 3 1,6448536
= 14,93
et :
F1 (99%) = 10 + 3 2,3263479
= 16,98
F (x) = Pr {L x}
= Pr {ln L ln x}
( )
ln x
=
do :
ln x
= 1 ()
On obtient : ( )
F1 () = exp + 1 ()
5. On a F (x) = 1 ex . Comme 1 ex = , on obtient :
ln (1 )
F1 () =
6. On a :
x 5 0 3 6 8 10
Pr {L x} 50% 60% 67% 90% 96% 100%
On en dduit que F1 (95%) = 8 et F1 (99%) = 10.
50
2. On a :
VaR () ( 1 ( )1 )
= () x x 2
x x
1 ( ) 12
= 1 () x x (2x)
2
x
= 1 ()
x x
La valeur en risque marginale de la i-ime crance est donc (TR-GDR, page 497) :
VaR () (x)i
MRi = = 1 ()
xi x x
La contribution en risque de la i-ime crance est le produit de lexposition et du risque marginal :
RCi = xi MRi
xi (x)i
= 1 ()
x x
3. On considre le vecteur alatoire Y = (e, L). Par construction, Y est un vecteur gaussien avec
(TR-GDR, page 497) : ( ) (( ) ( ))
e 0 x
N ,
L 0 x x x
La distribution conditionnelle de e lorsque L = est gaussienne et on a :
( )1
E [e | L = ] = x x x
On obtient donc :
[ ] ( )1 1
E e | L = F1 () = x x x () x x
x
= 1 ()
x x
VaR ()
=
x
La VaR marginale de la crance i est donc gale lesprance conditionnelle de la perte unitaire ei
de la crance i sachant que la perte du portefeuille est gale la valeur en risque.
4. On fait les hypothses suivantes (TR-GDR, page 179) :
(i) la perte en cas de dfaut est indpendante du temps de dfaut ;
(ii) le portefeuille est inniment granulaire.
5. On a :
Pr {i Mi | X = x} = Pr {Zi Bi | X = x}
{ }
= Pr X + 1 i Bi | X = x
{ }
Bi X
= Pr i |X=x
1
( )
Bi x
=
1
( 1 )
(PDi ) x
=
1
car :
PDi = Pr {i Mi } = Pr {Zi Bi } = (Bi )
51
6. Dans le modle Ble II, on a :
( )
1 (PDi )
n
X
L = g (X) = xi E [LGDi ]
i=1
1
L = F1 ()
avec g (x) < 0. On en dduit que :
L = F1 () Pr {g (X) } =
{ }
Pr X g 1 () =
{ }
Pr X g 1 () = 1
g 1 () = 1 (1 )
RCi = xi MRi
[ ]
= xi E ei | L = F1 ()
[ ]
= xi E [LGDi ] E Di | X = 1 (1 )
( 1 )
(PDi ) 1 (1 )
= xi E [LGDi ]
1
8. Daprs la question 6, on a :
L F1 () X 1 (1 )
52
On note EAD lexposition au dfaut 10 . Comme on a :
( 1 )
(PD) X
L = n EAD E [LGD]
1
on en dduit que :
[ ]
ES () = E L | L F1 ()
[ ( 1 ) ]
(PD) X 1
= E n EAD E [LGD] X (1 )
1
[ ( 1 ) ]
(PD) X 1
= n EAD E [LGD] E X (1 )
1
1 (1) ( 1 )
(PD) (x)
= n EAD E [LGD] + x 1 (1 ))
dx
1 1 (
1 ( )
= n EAD E [LGD] (1 ) 2 1 (1 ) , 1 (PD) ;
1
= n EAD E [LGD] (1 ) C (1 , PD; )
avec C la copule gaussienne. Lexpected shortfall est donc de la forme :
1
ES () = n EAD E [LGD] (1 ) P
avec P la probabilit correspondant au quadrant infrieur [0, 1 ][0, PD] de la copule gaussienne
de paramtre . On note aussi que lon retrouve le paramtre des modles Raroc (TR-GDR,
page 524). On vrie que lon a pour = 0 :
1
ES () = n EAD E [LGD] (1 ) (1 ) PD
= n EAD E [LGD] PD
= VaR ()
En fait, le rapport entre lexpected shortfall et la VaR est gale :
( )
ES () 1 C 1 , PD;
= = (1 ) ( )
VaR () 1 (PD)+ 1 ()
1
On peut montrer que ce rapport est une fonction croissante de et une fonction dcroissante de
PD. titre dillustration, on reporte sur le graphique 6 les valeurs de ES () et VaR () lorsque
n = 1000, EAD = 1, E [LGD] = 50% et = 99%.
53
Figure 7 Diagramme des ux du point de vue de lacheteur de la protection
' $
& %
3 (r+)t
e dt
= 1,6 012 (r+) i
i=1 e
4
( )/ (12
)
1 e3(r+) (r+) 4i
= 1,6 e
(r + ) i=1
3. A partir de lgalit triangulaire, on en dduit que lintensit de dfaut valorise par le march est :
s
1R
0,02
=
1 0,6
= 500 pb
sCDS
1 + sCDS
2 + sCDS
3 = sF2D + sS2D + sL2D
11. On fait bien sr lhypothse que les notionnels et les maturits sont les mmes.
54
8. Considrons un panier de 3 crdits. On peut alors assimiler le CDS F2D la tranche junior dun
CDO, le CDS S2D la tranche mezzanine et enn le CDS LTD la tranche senior. Par construction,
lexpected loss du panier ne dpend pas de la corrlation de dfaut , ce qui revient dire que
sCDS
1 + sCDS
2 + sCDS
3 nest pas une fonction de . On en dduit que sF2D + sS2D + sL2D ne dpend
pas de . a une inuence seulement sur la rpartition de lexpected loss entre sF2D , sS2D et sL2D :
sF2D (1 ) + sS2D (1 ) + sL2D (1 ) = sF2D (2 ) + sS2D (2 ) + sL2D (2 )
Une sous-estimation de la corrlation de dfaut entrane donc une sur-estimation de sF2D et une
sous-estimation de sL2D . Lors de la crise des subprimes, on a assist une augmentation importante
de la corrlation de dfaut. Le vendeur de la tranche junior doit donc subir une perte, mais pas le
vendeur de la tranche senior. Si toutes les tranches ont souertes, on ne peut pas lexpliquer par
une sous-estimation de la corrlation de dfaut. La seule explication est la sous-estimation gnrale
des probabilits de dfaut et des pertes en cas de dfaut.
(b) On a :
n
n
(a, b) = n ln B (a, b) + (a 1) ln xi + (b 1) ln (1 xi )
i=1 i=1
Les conditions de premier ordre de lestimateur du maximum de vraisemblance sont donc :
a B (a, b)
n
(a, b)
= n + ln xi = 0
a B (a, b) i=1
et :
b B (a, b)
n
(a, b)
= n + ln (1 xi ) = 0
b B (a, b) i=1
55
(c) On a (TR-GDR, pages 452-453) :
2LGD (1 LGD )
a = 2 LGD
LGD
2
LGD (1 LGD )
b = 2 (1 LGD )
LGD
On en dduit que :
PnL 0
On a (TR-GDR, page 94) :
56
(b) La valeur du sous-jacent a augment ainsi que la volatilit implicite. La probabilit dexercer
loption augmente donc puisque t > 0 et t > 0, ce qui implique que :
On en dduit que :
PnL 0
On a :
1 2
PnL t+1 (St+2 St+1 ) t+1 (St+2 St+1 ) t+1 (t+2 t+1 )
2
On obtient le rsultat numrique suivant :
1 2
PnL 0,43 (100 97) 0,02 (100 97) 0,38 (22 20)
2
= 1,29 0,09 0,76
= 2,14
2. Cest la copule associe la distribution bivarie gaussienne 2 (x1 , x2 ; ) (TR-GDR, page 296) :
u1 ( 1 )
(u2 ) 1 (u)
C (u1 , u2 ; ) = du
0 1 2
U1 = 1 e
U2 = LGD
57
(a) La dpendance est maximale lorsque C,LGD = C+ . Dans ce cas, on a U1 = U2 (TR-GDR,
page 274) et on en dduit que :
LGD +e 1 = 0
(b) Si C,LGD = C , on a U1 = 1 U2 et donc LGD = e . On sait que (, LGD)
[min (, LGD) , max (, LGD)] avec min (, LGD) la corrlation correspondant la copule C
et max (, LGD) la corrlation correspondant la copule C+ . Comme E et LGD U[0,1] ,
il vient que :
1
E [ ] = ( ) =
1
E [LGD] =
2
1
(LGD) =
12
= te2t dt
0
[ ]
te2t 1 2t
= + e dt
2 0 2 0
[ 2t ]
1 e
= 0+
2 2 0
1
=
4
On en dduit que :
( )/ ( )
1 1 1 1
min (, LGD) =
4 2 12
3
=
2
Dans le cas o C = C+ , on a LGD = 1 e . On a donc :
[ ( )]
E [ LGD] = E 1 e
( )
= t 1 et et dt
0
t
= te dt te2t dt
( 0
0
)
[ ]
t t 1
= te 0
+ e dt
0 4
[ t ]
e 1
= 0+
0 4
3
=
4
58
On en dduit que :
( )/ ( )
3 1 1 1
max (, LGD) =
4 2 12
3
=
2
On vrie donc lingalit suivante :
3
| (, LGD)|
2
On remarque donc que | (, LGD)| ne peut excder 0,866. Voici donc un exemple pour lequel
on ne peut pas atteindre les bornes 1 et +1.
59
4. On a (TR-GDR, page 427) :
e1 t si t 3
31 2 (t3)
S (t) = e si 3 < t 5
e31 22 3 (t5) si t > 5
et :
1 e1 t si t 3
f (t) = 2 e31 2 (t3) si 3 < t 5
3 e31 22 3 (t5) si t > 5
On vrie que :
si t 3
f (t) 1
= 2 si 3 < t 5
S (t)
3 si t > 5
5. Si E , on obtient (TR-GDR, page 411) :
T
(1 R) 0 ert f (t) dt
s = T
0
ert S (t) dt
T
(1 R) 0 ert et dt
= T
0
ert et dt
T rt t
e e dt
= (1 R) 0T
0
ert et dt
= (1 R)
6. On a donc : ( )1
3
s1 = (1 R) ert f (t) dt
3 rt
e S (t) dt
0
(
0
)1
5 5 rt
s2 = (1 R) ert f (t) dt e S (t) dt
0
(
0
)1
7
s3 = (1 R) ert f (t) dt
7 rt
e S (t) dt
0 0
ou encore :
s1 = (1 R) 1
1
s2 = (1 R) (1 I1 (1 ) + 2 I2 (1 , 2 )) (I1 (1 ) + I2 (1 , 2 ))
s3 = (1 R) (1 I1 (1 ) + 2 I2 (1 , 2 ) + 3 I3 (1 , 2 , 3 ))
1
(I1 (1 ) + I2 (1 , 2 ) + I3 (1 , 2 , 3 ))
avec :
3
I1 (1 ) = ert1 t dt
0
5
I2 (1 , 2 ) = ert31 2 (t3) dt
3
7
I3 (1 , 2 , 3 ) = ert31 22 3 (t5) dt
5
60
On estime alors le paramtre 2 . La troisime quation devient :
( ) ( ) ( )
1 I1 1 + 2 I2 1 , 2 + 3 I3 1 , 2 , 3
s3 = (1 R) ( ) ( ) ( )
I1 1 + I2 1 , 2 + I3 1 , 2 , 3
Cest une quation une seule inconnue 3 , on peut donc estime facilement le paramtre 3 . Cette
mthode de calibration successive des paramtres est appele la mthode du bootstrap.
61
4.2 Le risque de march (TR-GDR, page 535)
1. La distinction entre trading book et banking book est explique la page 47 de TR-GDR. Il faut
aussi reproduire le tableau page 47 de TR-GDR et illustrer les dirences de traitement des risques
Actions et Taux dans le banking book. Pour cela, on peut considrer le risque dune participation
majoritaire et celui li aux plans dpargne logement.
2. La valeur en risque est dnie aux pages 27-28 de TR-GDR.
3. Donnez la formule des fonds propres qui se situe la page 53 de TR-GDR. Les points dvelopper
sont :
(a) la priode de dtention (au minimum 10 jours) ;
(b) le seuil de conance de 99% ;
(c) la fentre de lissage de 60 jours ;
(d) le coecient .
4. On a besoin de calculer une valeur en risque VaR1 pour lexigence de fonds propres et une valeur
en risque VaR2 pour le backtesting. La dirence entre ces deux mesures concerne la priode de
dtention, qui est de 10 jours pour VaR1 et de 1 jour pour VaR2 . Expliquez aussi la notion de
scaling (TR-GDR, page 74) et pourquoi il est plus pertinent de faire le backtesting avec la mesure
VaR2 (TR-GDR, pages 56-57).
5. La rponse cette question se trouve aux pages 90-103 de TR-GDR. Les points dvelopper sont :
(a) le problme de lidentication des facteurs de risque (TR-GDR, page 91) ;
(b) la dirence entre un prix mark-to-market et un prix mark-to-model (TR-GDR, page 96) ;
(c) la dicult du backtesting (TR-GDR, pages 96-98) ;
(d) le risque de modle (TR-GDR, page 98).
6. La procdure de backtesting est prsente aux pages 56-58 de TR-GDR. Insistez sur le facteur
complmentaire et son incidence sur lexigence de fonds propres.
7. La formule de robustesse de Black-Scholes est donne la page 103 de TR-GDR. Dveloppez la
notion de sur-rplication dune option. Illustrez le problme de dnir une volatilit conservatrice
lorsque le gamma de loption change de signe au cours du temps.
8. Le risque de contrepartie sur oprations de march est dni aux pages 214-216 de TR-GDR.
Prcisez pourquoi il dire du risque de crdit et pourquoi la perte en cas de dfaut (EAD) est
alatoire (TR-GDR, page 216). Les trois mthodes pour lexposition au dfaut sont donnes la
page 222 de TR-GDR. Faites ensuite le lien avec lexigence de fonds propres au titre du risque de
crdit.
62
du bilan. Le Comit de Ble jugeait que les systmes de provisionnement de lpoque ntaient pas
bass sur la perte espre, ce qui justiait la prise en compte de celle-ci dans les fonds propres. Il
y eut alors un dbat sur la ncessit de mettre en place un provisionnement ex-ante (cest--dire
un provisionnement systmatique bas sur la perte espre). Finalement, le Comit de Ble sest
rang lavis de lindustrie bancaire et a choisi de ne pas inclure la perte espre dans la mesure
de risque.
7. La gestion du risque dans la banque de dtail repose sur des systmes de scoring et une segmentation
de la clientle. Limportant est de bien distinguer les clients sains des clients qui peuvent faire dfaut.
La problmatique de la tarication nest donc pas centrale. Le taux dun crdit est xe et le mme
pour tous les clients (ou du moins pour ceux qui appartiennent au mme segment). La question pose
est alors la suivante : doit-on ou non accorder le crdit au client ? Pour la banque commerciale, la
problmatique de la tarication est centrale. La question pose devient la suivante : partir de quel
taux peut-on accorder le crdit au client ? Dans la banque de dtail, un client qui a une probabilit
de dfaut leve ne pourra donc pas avoir un crdit. Dans la banque commerciale, il obtiendra un
crdit condition quil paye un spread susamment lev pour rmunrer ce risque. Ceci explique
que les mthodes Raroc de tarication concernent principalement la banque de nancement et
dinvestissement alors que la banque de dtail utilise les outils de scoring (TR-GDR, pages 516-
523).
63
6. Les copules archimdiennes sont dnies la page 293 de TR-GDR, tandis que la reprsentation
des copules de valeurs extrmes correspond la dnition 12 de la page 308.
7. La mthode des distributions conditionnelles est prsente la page 314 de TR-GDR. Pour lexemple,
vous pouvez considrer la copule de Frank (TR-GDR, page 318) ou la copule gaussienne (voir la
rponse 4 (b) de lexercice 1.17 la page 45 de ce document 12 ). Les autres algorithmes de simula-
tion dune copule sont la mthode des distributions (TR-GDR, page 314) et la mthode analytique
(TR-GDR, page 318).
8. Les principaux rsultats de la thorie des valeurs extrmes multiples sont les suivants (TR-GDR,
page 305) :
(a) les marges vrient le thorme de Fisher-Tippet (TR-GDR, page 139) ;
(b) la dpendance est une copule de valeurs extrmes (TR-GDR, page 308) ;
(c) la dpendance entre les extrmes est forcment positive (TR-GDR, page 310) ;
(d) la dpendance de queue est conserve (TR-GDR, page 314) ;
(e) les extrmes sont indpendants si les variables alatoires sous-jacentes nont pas de dpendance
de queue (TR-GDR, page 314).
9. La copule empirique de Deheuvels est prsente aux pages 322-325 de TR-GDR.
10. On peut rpondre cette question en montrant que la VaR nest pas forcment une mesure de risque
sous-additive (TR-GDR, page 30). On peut utiliser les ingalits de Makarov comme exemple (TR-
GDR, page 344). Une illustration se trouve la page 12 de ce document (question 4 (b) de lexercice
1.5).
64
4. Il y a principalement 3 types de modles pour modliser la dpendance des temps de dfaut :
(a) les modles factoriels (TR-GDR, page 465) ;
(b) les modles de copules (TR-GDR, page 458) ;
(c) les modles de contagion (TR-GDR, page 470) ;
Expliquez aussi pourquoi il y a une dualit entre les deux premiers modles (TR-GDR, pages 465-
470).
5. Le risque incrmental est dni aux pages 493-497 de TR-GDR. La notion de contribution en risque
est prsente aux pages 497-506 de TR-GDR.
6. Les modles de gestion de portefeuille sont des modles dallocation (TR-GDR, pages 505-516) alors
que les modles Raroc sont des modles de tarication (TR-GDR, pages 516-526). Ceci explique
que la couverture du risque de crdit par le biais de CDS concerne la gestion de portefeuille (TR-
GDR, page 516). Prsentez aussi les direntes utilisations dun modle Raroc en tant quoutil
transactionnel (TR-GDR, pages 522-523).
65