Vous êtes sur la page 1sur 31

Gestion des Institutions Financires: Modlisation et Gestion

La gestion du risque de march


et
la Valeur--Risque

Remis
Jean Roy

Par

Franois Boudreault
Anouar Lamane

Hiver 1999
cole des Hautes tudes Commerciales de Montral
" The end of the decline of the Stock Market will ...
probably not be long, only a few more days at most. "
Irving Fisher, conomiste
14 novembre 1929

"Severe depression like that of 1920-21 is outside the range


of probability"
Harvard Economic Society
16 novembre 1929

La gestion du risque de march et la valeur--risque 2


TABLE DES MATIRES

INTRODUCTION 4

VAR: LES MTHODES TRADITIONNELLES ET CRITIQUES 6

MTHODES BASES SUR LA VARIANCE 8


ALTERNATIVES LAPPROCHE BASE SUR LA VARIANCE 11
STRESS TESTING 15
CRITIQUES 16

LA VAR ET LES NOUVELLES APPROCHES 18

L'APPROCHE DES RENDEMENTS EXTRMES 18


L'APPROCHE UNIFIE: LE TRIANGLE DES RISQUES 20

LA VAR ET LA RGLEMENTATION 21

CONCLUSION 25

ANNEXE: VAR ET VALEURS EXTRMES 27

CONCEPT DE BASE 27
QUEUES DES PORTEFEUILLES 28

BIBLIOGRAPHIE 29

La gestion du risque de march et la valeur--risque 3


INTRODUCTION

Les institutions financires ont les outils ncessaires au calcul des rendements des
actifs de mme que des outils permettant de calculer l'attribution de performance d'un
portefeuille. Cependant, en ce qui a trait la prvision des risques, les outils permettant
de les valuer sont plus rcents. En effet, la tche est rendue ardue par les multiples
risques auxquels sont exposes les institutions financires.

En gnral, les risques auxquels les institutions financires peuvent faire face sont
les suivants: le risque de liquidit, le risque de crdit, le risque de taux dintrt li au
dsappariement des chances, le risque de march, le risque de change, les risques hors
bilan, et enfin le risque dopration. Depuis une dizaine d'annes et conformment tous
les dveloppements de lintermdiation financire, la perception et la gestion des risques
encourus par les institutions financires ont grandement chang. Par consquent, on a pu
observer des changements significatifs dans les mthodes dvaluation et de gestion des
risques.

Notre rflexion dans ce prsent rapport consiste faire une revue de la littrature
sur les modles de la gestion de risques de march. Par consquent, notre proccupation
premire sera ce dernier risque tout en sachant quune gestion saine et efficace devrait
tre globale et comprendre tous les risques auxquels une institution fait face. Le risque de
march est celui qui provient de la possibilit quune institution financire subisse des
pertes suites des mouvements adverses des prix. Il inclut le risque de taux d'intrt, le
risque de change, le risque de prix des actifs et le risque de liquidit.

On peut isoler deux causes principales la volont de grer le risque de march.


D'abord, les innovations au niveau des titres et la globalisation des marchs financiers ont
eu un impact direct sur les portefeuilles des institutions financires. En effet, elles doivent
grer des portefeuilles comprenant une grande varit d'actifs financiers traditionnels et
drivs et ce, avec des positions importantes dans plusieurs marchs internationaux. La
sensibilit des composants du portefeuille aux divers facteurs de risque n'est pas la mme
car ces derniers diffrent d'un instrument l'autre.

Ensuite, les gestionnaires des institutions financires recherchent une gestion


optimale qui permettrait une allocation efficiente du capital. Et puisque les mthodes
traditionnelles relatives au risque de march (duration, convexit, ratios de capital...)
taient souvent approximatives et arbitraires, les gestionnaires se sont vite rendu compte
quelles taient insuffisantes pour mesurer adquatement l'exposition globale d'un
portefeuille avec prcision et exactitude.

La gestion du risque de march et la valeur--risque 4


Par ailleurs, la gestion des risques repose sur une infrastructure, des politiques et
des mthodes qui permet de grer linformation, dtablir des limites de transactions,
dvaluer la performance et enfin de rpondre aux exigences de la rglementation.
Depuis le milieu des annes 90, le pivot de ce processus est sans contredit la valeur--
risque (VAR).

Ce travail de revue sur la gestion du risque de march se concentrera sur la


mthode de la VAR (Value-At-Risk)1 qui fut rapidement adopte comme outil de base
(norme) dans l'valuation du risque de march. Ainsi, en premier lieu, nous ferons un
survol des diffrentes mthodes de calculs de la VAR suivie des critiques qu'elles
soulvent. Ensuite, nous introduirons de nouvelles approches dont celle base sur la
thorie des valeurs extrmes, propose l'origine par Danielsson et De Vries (1997), et
qui se veut une des solutions aux problmes traditionnels d'estimation de la VAR. Enfin,
nous situerons la gestion du risque de march de mme que la VAR dans le contexte
rglementaire actuel pour y dgager les implications importantes touchant la
dtermination du capital.

1
Pour une tude plus approfondie de la VAR, le lecteur est invit consulter les textes de la bibliographie.

La gestion du risque de march et la valeur--risque 5


VAR: LES MTHODES TRADITIONNELLES ET CRITIQUES

De plus en plus, les institutions ont besoin de quantifier le risque que leur
portefeuille pourrait subir au cours dune priode donne. Grce la VAR, ces
institutions peuvent juger de la possibilit et de la magnitude dune potentielle perte dans
leur portefeuille. Durant ces rcentes annes, la VAR a gagn une grande reconnaissance
et est devenue une rfrence (benchmark) dans la gestion du risque de march.
Aujourdhui, la VAR est un cadre danalyse conceptuel qui fait incontestablement partie
du lexique de la gestion des risques dans les institutions financires. Elle est mme
devenue la mthode de mesure de risque de march prfre par les agences
rglementaires.

Globalement, la VAR est un cadre danalyse qui permet dagrger lexposition du


risque de march travers diffrentes classes de titres. En dautres termes, la VAR peut
tre utilise pour estimer la perte potentielle dans un portefeuille de titres en spcifiant
nimporte quel horizon ou frquence (niveau de confiance) de perte qui ressemblerait
aux circonstances particulires vcues par lutilisateur. travers la littrature rattache
notre sujet, la dfinition de la firme J.P. Morgan est celle qui rsume le mieux le concept
de la VAR : La VAR est un estim, avec un intervalle de confiance prdtermin, de
combien peut-on perdre en gardant une position durant un horizon donn.

Cependant, la mthode de calcul de la VAR ne dpend pas seulement de lhorizon


et du niveau de confiance choisi, mais aussi de plusieurs hypothses sous-jacentes quon
peut supporter selon le genre de titres composant le portefeuille. Par ailleurs, il est
important de noter que sil est vrai que la VAR est un mcanisme qui communique le
risque agrg dans un cadre facile comprendre, il est aussi vrai quaucune mesure elle
seule ne peut ni rendre compte de tous les risques financiers ni remplacer le jugement
professionnel dans la gestion de ces risques.

En gnral, quel que soit le niveau de confiance (voir graphique 1) que le


gestionnaire spcifie, la VAR permet dassocier un risque de perte spcifique lhorizon
choisi. Avec un niveau de confiance de 95% et un horizon dun mois par exemple, le
gestionnaire est averti que le portefeuille peut encourir une perte gale la VAR. Les
gestionnaires peuvent mme se permettre de dire quavec un niveau de confiance de 95%,
ils courent le risque de perdre jusqu concurrence de la VAR dans pas plus de cinq mois
sur cent. Cependant, cette affirmation nest vraie quaprs de srieuses suppositions sur
la stabilit des probabilits des distributions sous-jacentes.

La gestion du risque de march et la valeur--risque 6


Graphique 1
cdd
Distribution Normale

cart type

Bref, la VAR est une approximation de mesure du risque de march futur qui
diffre des autres faons traditionnelles. Ces dernires, sintressent plutt au pass en
mesurant la performance actuelle ou historique comme cest le cas avec le ratio de
Sharpe qui value la performance ex post des rendements. Toutefois, la VAR devrait tre
utilise dans une philosophie de complmentarit avec les autres mthodes et non de
remplacement de ces mthodes conventionnelles.

Par ailleurs, crer une distribution de VAR pour un portefeuille particulier et pour
un horizon de risque donn peut tre vu comme un processus deux tapes. Dans la
premire, on gnre la distribution des prix ou des rendements pour chaque titre
individuel dans le portefeuille. Ces distributions reprsentent les changements de valeurs
possibles dans toutes les composantes des actifs sous lhorizon de risque. Par la suite, les
distributions individuelles doivent tre agrges dans une seule distribution en utilisant
les mesures appropries de covariance telle que la corrlation. La distribution rsultante
du portefeuille sert par la suite comme base la mesure de la VAR globale.

Les mthodes de gnration des distributions de VAR des actifs individuels ou


celle du portefeuille global varient de la plus simpliste mthode la plus complexe. La
plus raliste des approches de mesure de VAR sont issues dune rvaluation de tous les
actifs dans un portefeuille pour les scnarios de risque de march les plus ralistes
possibles. Ces mthodes de rvaluation globales peuvent tre par contre trs coteuses
raliser. Dun autre ct, il existe des mthodes plus simples qui se basent sur des
hypothses statistiques leur permettant de diminuer la taille de la base de donne et les
cots dutilisation. Lune des hypothses quon retrouve est celle qui suppose que des
petits changements dans la valeur du portefeuille autour de sa valeur courante sont
reprsentatifs de potentiels changements futurs plus grands futurs. Nous discuterons dans
ce qui suis plusieurs autres hypothses ayant toutes pour but de diminuer les cots
dutilisation.

La gestion du risque de march et la valeur--risque 7


Une faon de calculer la VAR est tout simplement de supposer que le pass est
garant du futur. Par consquent, la VAR peut tre calcule en utilisant un chantillon de
srie temporelle des rendements passs. Nous retrouverons les rendements sur laxe
horizontal et la probabilit associe chaque intervalle de rendement sur laxe vertical.
Supposant que nous voulons calculer la VAR de 1 pour cent pour une priode dun jour.
Cette VAR est la plus grande perte laquelle nous nous attendrons dans 99 des 100 jours
ouvrables. Ainsi, si nous avons accs des donnes historiques des rendements
journaliers dun portefeuille, nous pouvons simplement calculer la perte qui a t excd
dans moins de 1 pour cent des jours ouvrables couverts par notre information.

Dans un autre ordre dides, si nous savons que les rendements dun portefeuille ont
un certain comportement au hasard et que nous pouvons les gnrer selon une
distribution, il serait possible de calculer la VAR plus prcisment. Cette seconde
approche de calcul est appel lapproche paramtrique. Le plus souvent, les utilisateurs
de cette approche supposent que les rendements sur les actifs sont distribus selon la loi
normale. Un exemple de cette approche est la mthode RiskMetricsTM.

Mthodes bases sur la variance

J.P. Morgan et Reuters ont grandement simplifi les donnes du problme de


lapproche historique pure en proposant une mesure de VAR plus simple. La
mthodologie de RiskMetricsTM utilise aussi des rendements historiques pour prvoir les
volatilits et les corrlations en plus de dtourner le problme de donnes historiques en
deux faons. Premirement, lapproche RiskMetrics TM dpend des titres primitifs plutt
que sur les titres dtenus dans le portefeuille. Les titres primitifs sont des titres qui
tentent de reprsenter les titres dtenus pour calculer la VAR. Les flux montaires dun
portefeuille donn sont dcomposs (mapped ) en flux montaires correspondants dans
des titres primitifs. Deuximement, RiskMetricsTM assure la disponibilit des titres
primitifs appropris. Ainsi, aucune collecte de donnes nest requise.

Par exemple, RiskMetricsTM ne fournit pas les donnes sur les obligations
gouvernementales des -U, mais fournit celle sur les obligations coupons dtachs. Par
consquent, un portefeuille dobligations gouvernementales des -U comme titres
dtenus actuellement peut tre dcompos en un portefeuille correspondant dobligations
coupons dtachs comme titres primitifs pour lesquels les donnes sont disponibles. Les
titres primitifs disponibles travers RiskMetricsTM incluent les obligations
gouvernementales, les swaps de taux, les taux de change, les niveaux des indices
boursiers, les prix de matires premires, et les taux du march montaire. Ces titres
primitifs sont disponibles pour plusieurs pays et monnaies correspondantes.

Trois collections de donnes sont disponibles RiskMetricsTM. Lune applicable


pour les estimations de risque dun horizon de plus de 24 heures. La deuxime a un
horizon dun mois et la dernire est celle qui a t dveloppe pour satisfaire aux
dernires propositions de la Banque de Rglements Internationaux (BRI) dans

La gestion du risque de march et la valeur--risque 8


lutilisation des modles internes destimation du risque de march. Chaque jour, J.P.
Morgan produit ces trois bases de donnes destimations de volatilit et corrlation sur
Internet gratuitement.

En outre, lapproche RiskMetricsTM pose des hypothses visant simplifier les


calculs de la VAR. La plus importante est celle qui suppose que tous les rendements des
titres primitifs sont distribus normalement. Ce qui rend cette supposition attrayante est
sans doutes la symtrie de la distribution normale (voir graphique 2). En effet, dans une
distribution normale, la moyenne et la variance sont suffisante pour caractriser les
distributions; et la variance pour elle seule est tout ce quil faut pour rsumer le risque
dun actif. Cette mthode connue gnralement sous le nom de lapproche base sur la
variance est celle qui est la plus utilise aujourdhui cause de sa simplicit et de sa
disponibilit selon que les gestionnaires utilisent leur propre base de donnes sur les titres
primitifs ou plutt utilisent les donnes de RiskMetricsTM.

Graphique 2

Distributions asymtriques

Asymtrie Asymtrie positive


ngative

Normale

cart type

Paralllement, Il y a plusieurs faon de calculer la variance. La premire est celle


connue sous le nom de lapproche de la moyenne mobile avec poids gaux (equally
weighted moving average). Ainsi, quand on choisit destimer la variance sur une base
rgulire, on utilise une moyenne mobile de la variance des rendements. Par exemple,
dans les calculs dune VAR journalire, on peut extraire une estimation dune moyenne
mobile avec une frquence de cent jours. Ainsi, la variance utilise dans le calcul de cette
VAR journalire est tout simplement la moyenne des variances des derniers cents jours.
Le jour suivant, pour maintenir une frquence de cent jours, la plus ancienne variance
observe est enleve du calcul.

Puisque la variance trouve par la moyenne mobile est calcule en utilisants des
poids gaux pour toutes les observations de la srie historique, les calculs sont simples.
Ainsi, on retrouve des variantes qui ne prennent en compte que les plus rcentes
observations car elles supposent que seules les plus rcentes observations sont pertinentes

La gestion du risque de march et la valeur--risque 9


dans lestimation des mouvements potentiels de la valeur du portefeuille. Dautres
variantes, quant elles, supposent le contraire et utilise des donnes de plus longe dure.
Aussi, remarque-t-on un effet de lissage avec des changements abrupts de notre
estimation de la variance lorsquune donne significativement diffrente des autres nest
plus prise en compte par le modle. Par consquent, la variance (et la VAR) connat une
volatilit non pertinente.

Dans le but de remdier ce problme lapproche RiskMetrics TM utilise une


moyenne mobile exponentielle (exponentially weighted moving average) qui permet aux
rcentes observations davoir plus dinfluence dans le calcul que les observations du
pass. Ceci a comme avantage de capter les chocs dans le march avec une moindre
volatilit de la variance.

Une autre faon destimer la variance dont on a besoin dans le calcul de la VAR
est dutiliser des mthodes de sries temporelles variance conditionnelle. Le modle le
plus connu est le modle ARCH qui combine un processus auto-rgressif une moyenne
mobile. Les modles ARCH, quels que soit leur variante, sont adapts au calcul de la
volatilit changeante dans le temps. Ces modles ont t construit pour dgager la
persistance de la volatilit dans les sries temporelles. En pratique, les gestionnaires
utilisant des modles paramtriques ont tendance utiliser des mthodes relativement
plus simples que les modles suggrs dans la littrature concernant la mthode ARCH. .
En ralit, la mthode de la moyenne mobile exponentielle utilise par J.P. Morgan nest
quune drive de la mthode variance conditionnelle ARCH pour estimer les
variances. Plus prcisment, la technique de la moyenne mobile exponentielle est
lquivalent de la mthode appele GARCH(1,1).

Une dernire faon de calculer les volatilits pour une approche base sur la
variance serait dutiliser la volatilit implicite des options. On dfinit la volatilit
implicite dune option comme tant la volatilit future de lactif sous-jacent laquelle on
sattend durant la vie restante de loption. Cette volatilit est base sur les attentes
actuelles du march puisquelle est dduite du prix de loption et peut tre utilise dans
les calculs de la VAR pour lactif sous-jacent loption.

En gnral, pour calculer la VAR en utilisant lapproche base sur la variance,


nous prenons pour acquis que la probabilit sous la queue gauche de la distribution est
connue puisque la distribution est normale. En effet, la probabilit sous la queue gauche
suit une fonction connue de lcart-type de la distribution. Par exemple, on retrouve 5%
de la distribution 1,65 cart-type en dessous de la moyenne. Ainsi, il est facile de
calculer la VAR dun portefeuille une fois que la variance de chaque variable est retenue.
Cependant, il reste estimer la corrlation entre les rendements de ces diffrentes
variables. Les VAR calcules pour chaque variable peuvent tre combines en utilisant
les corrlations entre les variables et le rsultat est un estim de la VAR du portefeuille
pour lequel on avait identifi diffrentes variables. De plus, tant que les variables ne
sont pas parfaitement corrles, la VAR du portefeuille sera moindre que la somme des
VAR. La diversification permet donc de diminuer la VAR.

La gestion du risque de march et la valeur--risque 10


Dautre part, pour calculer la VAR pour des horizons de risque plus long que ceux
choisis dans la distribution (un jour), la VAR doit tre ajuste. ce niveau, on a besoin
dune autre hypothse simplificatrice. On suppose que les distributions de rendement
sont indpendantes et stables dans le temps, donc stationnaires. Ainsi, une VAR pour une
multitude de priodes peut tre extrapole laide de la VAR une seule priode gnre
par nos donnes. Par exemple, supposons que les variances et les corrlations sont
disponibles pour des rendements mesurs une frquence journalire. Pour passer dune
VAR un jour une VAR j jours, o j est lhorizon choisi du risque, il suffit de
multiplier la VAR un jour par la racine carre de t.

Avec des variances et corrlations mesures une frquence journalires,


lindpendance srielle est une supposition irraliste dans la plus part des marchs et
lextrapolation pour des petits horizons est moins svre que celle pour des horizons plus
grands. Ainsi, si on utilise une VAR un jour comme base pour la VAR dix jours est
gnralement acceptable. Par contre, extrapoler une VAR dune journe une VAR
dune anne peut tre grandement problmatique. Par ailleurs, les institutions ont le
choix du nombre de jours et de lintervalle de confiance quelles veulent utiliser pour des
fins internes. Cependant, quand lobjectif derrire ces mesures vise calculer le capital
requis pour une institution financire, les rglements imposs par la BRI prvoient
lutilisation dun horizon de risque de dix jours avec un intervalle de confiance de 1%.
Cette question sera plus longuement discute dans la section concernant laspect
rglementaire de VAR.

Alternatives lapproche base sur la variance

En ralit, lhypothse de la normalit des rendements dans chaque variable de


march nest pas vraie. Les changements journaliers dans plusieurs variables sont
asymtriques dun ct ou dun autre. Ceci veut dire que la distribution des probabilits
de changement de ces variables a une queue plus grosse. Donc des changements
extrmes arrivent plus frquemment que prdit par lhypothse de la normalit de la
distribution. Dans le cas du taux de change, les changements dmontrent un coefficient
de kurtose ngatif. Cependant, mme si les donnes sur lesquelles se base lapproche
base sur la variance ne sont pas normalement distribues, cette approche approximative
reste assez raliste. En rgle gnrale, lapproche base sur la variance arrive expliquer
le risque dun portefeuille mme si les distributions ne suivent pas une loi normale.
Selon Culp, Mensink et Neves (1998), rares sont les classes dactifs faisant partie dun
portefeuille qui ne peuvent pas tre assez bien reprsentes par la loi normale mme si
ces classes ont un coefficient de kurtose significativement diffrent de zro avec des
queues de distribution plus grosse que celle de la distribution normale (voir graphique 3).

Dautre part, plusieurs gestionnaires de risque ne sont pas satisfaits de lapproche


base sur la variance et pensent que la variance, elle seule, nest pas une mesure
complte du risque pour toutes les classes dactif. De plus, les gestionnaires de risque
ayant un horizon plus long rejettent aussi lhypothse de la distribution stationnaire que
suppose lapproche base sur la variance. Ainsi, on retrouve des approches qui ne

La gestion du risque de march et la valeur--risque 11


dpendent pas de lhypothse de la normalit et la stationnarit des distributions. La
simulation Monte Carlo et la simulation historique sont deux exemples dapproches
alternatives celle base sur la variance.

Graphique 3

D is t r ib u t io n le p t o k u r t iq u e

c a rt ty p e

En gnral, les approche non bases sur la variance peuvent tre chres
conceptualiser et appliquer. De plus ces mthodes qui ne dpendent pas de la
supposition de la normalit des distributions ncessitent significativement plus de
donnes et dans quelques cas, le cot dobtention et du maintien de ces donnes peut tre
aussi coteux si ce nest encore plus coteux que le systme lui-mme. Ainsi, plus
complexe est le systme plus cher sera-t-il le faire excuter ou le maintenir et il reste
difficile justifier les cots quentrane ce genre de systme dans plusieurs cas. Les
gestionnaires se retrouvent donc devant un choix assez difficile entre les cots dune part
et la prcision et le ralisme de leur estimation de la VAR.

Cette catgorie dapproche de la VAR est similaire celle dcrite auparavant dans
la sens quelle repose aussi sur une quantit spcifique dobservations historiques.
Cependant, cette approche ne suppose pas la normalit des distributions. Cette mthode
constitue selon Jahel, Perraudin et Sellin (1998) une approche non paramtrique qui
dmontre plusieurs avantages. La seule supposition faite par rapport la nature
stochastique des rendements est que ces derniers devraient tre indpendants et
identiquement distribus. Selon eux, lapproche non paramtrique est compatible avec
les caractristiques typiques des rendements sur les actifs financiers, cest dire le grand
nombre dobservations extrmes et la chute des prix quon retrouve plus souvent que
laugmentation des prix sur une mme chelle.

Plusieurs gestionnaires prfrent utiliser les donnes historiques plutt que se


baser sur un modle qui dfini le comportement statistique des variables. Ceci demande
donc la cration dune base de donnes de changements des variables sur une priode de
temps dfinie et une frquence choisie. Ainsi, plutt que dutiliser les observations

La gestion du risque de march et la valeur--risque 12


historiques pour calculer la variance du portefeuille, la simulation historique utilise les
percentiles actuels comme mesure de la VAR. La premire preuve de simulation suppose
que le pourcentage de changements de chaque variable est le mme que celui observ lors
de la premire observation de la base de donnes. La seconde preuve de simulation
suppose que ces changements sont ceux observs lors de la deuxime observation de la
base de donnes et ainsi de suite. Le changement de valeur du portefeuille est calcul
pour chaque preuve de simulation et la VAR est calcule comme tant le fractile
appropri des probabilits de distribution de changement de valeur du portefeuille.

Par exemple, pour une priode dobservation de 500 jours, le 99 ime percentile que
la simulation calcule est la sixime plus grosse perte observe dans lchantillon des 500
donnes. Cependant, si nous incluons un grand nombre dobservations, lhypothse que
ces dernires sont distribues dune manire identique devient moins raliste et nous
remarquerions plutt que ces distributions de rendement changent dans le temps. Cest
pourquoi, lutilisation dun trs grand nombre dobservations est dconseille.

Bref, la simulation historique utilise les rsultats actuels pour prvoir le futur.
Cependant, plutt que de calculer des corrlations thoriques, cette approche utilise les
corrlations observes dans le pass. Cette approche reflte donc le fait que les
corrlations puissent changer dans le temps. Selon Culp, Miller et Neves, cette approche
reste l'alternative la plus facile lapproche base sur la variance. Elle est aussi trs
intuitive et facile expliquer. Cependant, la simulation historique est hautement
dpendante de la disponibilit des donnes historiques comme cest le cas des marchs
mergeants. De plus, cette approche est totalement dpendante de lchantillonnage qui
peut conduire un risque de non-reprsentativit.

Dun autre point de vue, la simulation Monte Carlo fait encore un pas vers lavant
en faisant jouer un grand nombre de simulation au hasard qui se basent sur diffrentes
estimations de volatilits et de corrlations. Avec cette approche, on peut sattendre une
plus grande exactitude des prdictions, mais un cot considrable en terme des donnes
requises et de la puissance technologique qui les utilise. Ce dsavantage est cependant
surmont plus facilement depuis quelques annes.

Jusquici, nous avons suppos avoir accs aux donnes historiques de rendement
dans le cas des approches paramtriques ou non paramtriques. Nous avons donc tout
simplement suppos la disponibilit dune base de donnes pour les actifs constituant le
portefeuille. Ce qui nest pas le cas pour un portefeuille doptions. La raison est que les
options, par opposition aux actions, ont un terme limit dans le temps. Par consquent, il
nest pas possible dutiliser les prix historiques dune option dans le calcul de la VAR.
Comme alternative, il est ncessaire dessayer de reconstruire lhistorique des prix dune
option ayant exactement les mmes caractristiques que loption pour laquelle on essaye
de calculer la VAR.

La forme des rendements historiques doit sappliquer aux options ayant le mme
temps dexpiration et le mme prix dexercice que loption en question. En pratique, il
est difficile de trouver de telles sries temporelles et il se peut que des options ayant le

La gestion du risque de march et la valeur--risque 13


mme prix dexercice naient t cotes que pour une petite priode ou jamais, ce qui est
probable durant les priodes de hausse rapide du prix de lactif sous-jacent.

Si on peut trouver une relation raisonnablement identifiable et mesurable entre le


prix de loption et le prix de lactif sous-jacent, il est possible de calculer la VAR. La
formule de Black-Scholes est un exemple dune telle relation. Le seul problme avec
cette formule est quelle dcrit une relation complique et non linaire. En dautres mots,
le prix de loption serait une fonction non linaire du prix de lactif sous-jacent.

Une faon trs commune de simplifier ce problme est dutiliser une


approximation linaire comme celle que permet la mthode delta. Toutefois, la simplicit
a un prix dans le sens o il y aura une divergence entre la VAR calcule est la vraie valeur
de la VAR. Cette divergence sera plus ou moins srieuse dpendant du degr de non-
linarit de la relation entre le prix de loption et le prix de lactif sous-jacent (voir
graphique 4). Dans le cas dune option achete, la courbe reliant le prix de loption au
prix de lactif sous-jacent est convexe. Comme illustr par Hendricks et darryll (1996),
lapproximation linaire de la mthode delta peut produire une VAR significativement
fausse, mais cette divergence reste dans le sens dune survaluation de la VAR.
Lapproximation linaire ne donnera donc pas de faux signal. Cependant, dans le cas une
option signe ou vendue, la relation est concave et la mthode delta tendra sous-estimer
la VAR ce qui peut tre dangereux, elle pourra indiquer des faux signaux.
Graphique 4

Valeur de la position

Actif sous-jacent

Dans un autre ordre dides, la mthode Monte Carlo peut viter le risque du biais
produit par lapproximation linaire. Ceci est possible grce la possibilit dutiliser un
grand nombre de simulations reliant les prix possibles de loption aux prix de lactif sous-
jacent que permet la mthode Monte Carlo. On peut donc extraire un grand nombre
dchantillons au hasard soit, dune distribution normale quon a suppose dcrire le
mieux les rendements de lactif sous-jacent soit, en utilisant la formule de Black-Scholes
pour prvoir les prix de loption.

Les calculs utilisant la mthode Monte Carlo demande un grand temps


dexcution. Pour cette raison, on remarque un grand intrt pour le dveloppement de
nouvelles mthodes qui demanderaient comparativement moins de temps de dexcution

La gestion du risque de march et la valeur--risque 14


lordinateur. La mthode delta-gamma (voir graphique 5) est un exemple de la volont
den arriver de meilleures approximations que celles de la mthode delta sans tre
oblig dutiliser la simulation Monte Carlo. En fait cette mthode repose sur le mme
principe que la duration et la convexit c'est--dire une approximation linaire du premier
et du deuxime ordre.
Graphique 5

Mthode Delta-gamma
Valeur de l'option

Vritable variation

Actif sous-jacent

La VAR devrait tre utilise comme un simple un simple outil de communication


des risques encourus par un portefeuille et non comme une solution finale de la gestion et
de la mesure du risque de march. Ainsi, la VAR devrait tre complte par dautres
techniques de mesure de risque telles que des analyses de sensibilit ou de stress
testing .

Stress testing

En gnral, la VAR est une mthodologie communment accepte pour mesurer la


magnitude de la perte associe des vnements rares (se trouvant dans les queues de
distribution) dans les marchs financiers. Cependant, on ressent de plus en plus un intrt
quantifier la magnitude des pertes qui pourraient survenir moins souvent que celles
prises en compte par les calculs standards de la VAR. La procdure utilise pour
quantifier des expositions de potentielles pertes sous daussi spciales circonstances est
appele stress test .

Ainsi, en plus de calculer la VAR, plusieurs institutions financires font subir un


stress test leur portefeuille. Le stress testing implique lestimation de la
performance du portefeuille sous des mouvements de march extrmes. Cest une
approximation ou une rvaluation des portefeuilles des institutions sous certains
scnarios visant reproduire des mouvements de facteurs de marchs extrmement
grands. Ces scnarios peuvent tre soit un stress test historique qui reproduit un
vnement pass, soit un scnario jug plausible selon les changements du climat socio-
conomique ou politique.

La gestion du risque de march et la valeur--risque 15


Par exemple, pour tester limpact dun mouvement extrme dans les prix des
actions amricaines, un gestionnaire pourrait supposer que toutes les variables du march
sont gales celles du 19 octobre 1987. Si l'on considre ce scnario trop extrme, le
gestionnaire pourrait choisir le 8 janvier 1988. Pour tester leffet dun mouvement
extrme des taux dintrt en Angleterre, le gestionnaire pourrait supposer que les
variables de march ont subi des changements proportionnels ceux vcus le 10 avril
1992.

Le stress testing peut tre considr comme une faon de prendre en compte
des vnements extrmes qui pourraient se produire de temps en temps, mais qui restent
statistiquement peu probable si on introduit une hypothse de distribution quelconque des
variables de march. Un mouvement journalier de cinq cart-type pour une variable de
march est un exemple dvnement extrme. Sous lhypothse de la distribution
journalire normale, ceci arrive peu prs une fois tous les 7 000 ans. En pratique, il
nest pas aussi rare de voir des mouvements journaliers de cinq cart-type une ou deux
fois tous les dix ans.

Plusieurs auteurs pensent que le stress testing ne devrait utiliser ni corrlations


historiques ni supposition sur la distribution des variables car ceci diminuerait la
pertinence des calcul du test. Cependant, les tudes faites par Kupiec (1998) dmontrent
que, si le stress test est convenablement construit, les hypothses statistiques
communment utilises dans les calculs de la VAR produisent des estimations trs utiles
des pertes dans les pires scnarios. De plus, ces tudes ont tabli que pour des
portefeuilles ayant une exposition grandement distribue parmi les facteurs de risque, les
hypothses standards de la VAR ne semblent pas introduire de distorsions ou de biais
des niveaux inacceptables dans les mesure du stress test .

Pour conclure cette section, la VAR est une prcieuse mesure de la magnitude du
risque encouru qui est facile communiquer, mais il reste qu'elle nest pas aussi prcise
quelle parat ltre premire vue. Ainsi, dans la prochaine section, nous prsenterons
les principales critiques que nous avons rencontres dans la littrature sintressant la
VAR.

CRITIQUES

L'objectif premier de la VAR devrait tre de permettre de tenir compte


d'vnements incertain, voire catastrophiques ( un niveau raisonnable). Chose certaine,
il est avis de retenir la mise en garde faite par JP Morgan dans son document
d'introduction RiskMetricsTM (1995) : Nous tenons rappeler au lecteur qu'aucun outil
d'analyse sophistiqu ne remplacera le jugement professionnel dans la gestion du
risque.2 En effet, plusieurs critiques ont t souleves, non seulement propos de
l'estimation de la VAR (mthodes, priodes, niveau de confiance), mais galement
propos de la pertinence de son utilisation (son adaptation pour divers types d'entreprises).

2
Traduction libre

La gestion du risque de march et la valeur--risque 16


Jorion (1996) tudie le risque d'estimation li au calcul de la VAR. Il considre la
VAR obtenue par les mthodes conventionnelles comme tant une approximation du
premier ordre. Il prconise une bonne comprhension des mthodes statistiques qui sont
la base des calculs car l'utilisation de paramtres estims avec biais entrane un risque
d'estimation de la VAR. Par consquent, ce risque d'estimation implique que la VAR
devrait tre accompagne d'un intervalle de confiance.

Christoffersen et Diebold (1997) ont montr qu'avec un horizon de prvision de


quelques jours, l'utilisation de prvisions conditionnelles pour estimer la volatilit, o les
donnes les plus rcentes ont plus de poids, ne donnaient pas de meilleurs rsultats que
l'utilisation de distribution inconditionnelle comme distribution de prvision. La raison
est que les donnes historiques rcentes donnent peu d'information sur la possibilit qu'un
vnement extrme survienne, spcialement dans le cas de moyennes mobiles
exponentielles de RiskMetricsTM.

Beder (1995) montre dans une tude comparative de huit mthodes diffrentes
que toute VAR n'est pas quivalente et que plus que jamais la dpendance la
technologie et la comptence est grande. Il y a des diffrences non ngligeables selon la
mthode utilise et mme que pour une mme technique, deux entreprises pourront
poses des hypothses diffrentes dans sa mise en pratique. La VAR peut donner un faux
sentiment de scurit (notamment, il ne faut pas oublier le risque de liquidit des
positions avec les VAR quotidiennes). De plus, la VAR est une mesure qui ne capte pas
les facteurs qualitatifs, ce qui l'amne conclure que les mathmatiques sont parties
intgrante la finance, mais que la finance ne suit pas toujours des rgles mathmatiques

Pour McKay et Keefer (1996), la VAR est une statistique qui aveugle les
gestionnaires. En effet, selon eux, la VAR ignore les asymtries de marchs, un
portefeuille peut tre plus expos aux profits qu'aux pertes ou l'inverse. Ils sont d'avis
que le remodelage du risque (risk-reshaping), complment la gestion du risque, a t
oubli. Deux portefeuilles peuvent avoir la mme VAR mais prsenter une configuration
de risque diffrente, un dont le risque peut tre facilement limin alors que ce n'est pas
le cas pour l'autre portefeuille. Enfin, ils avancent que la VAR renforce la notion
populaire que les institutions financires font de l'argent en s'exposant aux risques de
marchs. Alors qu'en ralit la VAR, selon eux, devrait tendre vers zro et tous les risques
de march devraient tre couverts (particulirement pour les marchs somme nulle).

Culp, Miller et Neves (1998) soulignent qu'une des hypothses sous-jacentes la


VAR, soit celle de la stabilit du portefeuille pour l'horizon de la VAR, peut devenir
problmatique pour les VAR dont l'horizon est tendu. Selon eux, lorsque l'exposition
un certain niveau de risque est intrinsque aux activits d'une entreprise, la VAR devrait
tre accompagne des profits esprs. galement, la VAR n'est pas utile pour tous les
types d'entreprises, particulirement les firmes commerciales doivent tre prudentes avec
la VAR, qui devrait servir d'outil de surveillance et de diagnostic. Ils rappellent galement
que la VAR n'est pas un substitut une bonne gestion et un bon systme d'information.

La gestion du risque de march et la valeur--risque 17


LA VAR ET LES NOUVELLES APPROCHES

Comme nous l'avons constat, il existe plus d'une mthode de calcul et


d'implantation de la VAR, chacune prsentant des avantages et des dsavantages. La
plupart (dont le trs rpandu et populaire RiskMetrics TM) ont en commun la normalit des
rendements. Il s'agit peut tre de la principale faiblesse du concept de VAR et, il s'agit de
l'hypothse qui soulve le plus grand nombre de critiques, car en pratique, les rendements
ne sont pas distribus selon une loi normale. C'est d'ailleurs cette critique que faisait Alan
Greenspan (1997) : le problme le plus important que nous ayons dans l'ensemble de
l'valuation du risque est le problme de queue-paisse 3 qui cre de trs grandes
difficults conceptuelles. Le problme de queue-paisse fait rfrence au fait que la
probabilit qu'une perte importante survienne est plus grande en ralit que ne laisse
prsager la probabilit obtenue par le modle de VAR. Il est probable que les critiques
souleves prcdemment auront eu un impact sur le dveloppement de nouvelles
mthodes de calcul de la VAR.

Quelques alternatives ont t proposes. Dans leur revue sur la VAR, Duffie et
Pan (1997) proposent d'utiliser des distributions par sauts (loi de Poisson) ou encore une
mthode qui consiste en l'addition de deux distributions normales pour tenir compte des
queues paisses. Les simulations effectues avec ces mthodes donnaient des rsultats
satisfaisants. Ils remarquent galement que les techniques servant pour un horizon intra-
jour taient approximatifs (delta, gamma, duration...) lorsque transposes pour le calcul
de valeur risque sur un horizon de plus d'une journe.

L'APPROCHE DES RENDEMENTS EXTRMES

Depuis 1990, de nombreux travaux et recherches ont t effectus sur le problme


de queue paisse et de rendements extrmes4. Familiers avec cette thorie, Danielsson et
al. (1997,1998) ont cherch appliquer cette mthode la VAR. Ils ont dvelopp une
mthode semi-paramtrique pour estimer les probabilits se trouvant la queue de la
distribution. Cet algorithme permet de tenir compte de l'occurrence des vnements
extrmes par une estimation des queues de distributions connues ou inconnues.

La thorie des valeurs extrmes s'intresse la distribution des queues de


distributions5. La grande difficult consiste dterminer le dbut de la queue de la
3
Traduction libre des problmes lis la queue des distributions et de la kurtose , en anglais : fat-tailed
problem
4
Il ne s'agit que d'une introduction, le lecteur intress approfondir ses connaissances sur la thorie des
rendements extrmes et de modlisation des queues de distributions est invit consulter les nombreux
articles sur la question, notamment ceux de Danielsson et de Vries.
5
Voir en annexe pour une description de la mthode d'estimation de la queue d'une distribution pour un
actif et un portefeuille.

La gestion du risque de march et la valeur--risque 18


distribution. Leur mthode consiste une combinaison de simulation historique non-
paramtrique jumele une estimation paramtrique de la queue des distributions des
rendements. La mthode qu'ils ont dveloppe consiste estimer la distribution des
rendements avec une simulation historique. Suite cette simulation, les coefficients
estims peuvent servir modliser la queue de la distribution.

Leur modle permet de passer d'une VAR mono-priodique une VAR multi-
priodique. D'abord, il est important de bien comprendre la diffrence entre le modle
reposant sur une loi normale et un modle ne reposant pas sur cette hypothse. Il y a un
effet de niveau, la VAR quotidienne sera plus leve pour les distributions queue
paisse puisqu'il y a une plus grande probabilit de perte extrme. Il y a galement un
effet de pente, puisque le multiple pour calculer la VAR sur n jours partir de la VAR
quotidienne est plus petit pour les distributions avec une queue paisse. Dans les
modles traditionnels, on utilise l'ajustement suivant : T1/2. L'utilisation de la racine
carre de la priode (square-root-of-time) implique l'hypothse de la normalit des
rendements. En se basant sur les travaux de Feller, ils proposent plutt T1/, o est le
coefficient de l'paisseur de la queue. Pour les distributions avec queues paisses, > 2,
alors le facteur d'ajustement est infrieur celui utilis en pratique. Par consquent, la
mthode la racine carre de la priode entrane une surestimation de la VAR lorsque les
distributions ne sont pas normales et prsentent une queue paisse. La principale
consquence l'utilisation de la racine carre de la priode est une mauvaise allocation du
capital.

Les tests de comparaison entre la VAR estime, avec la mthode base sur la
thorie des rendements extrmes, et celle estime avec les mthodes traditionnelles, de
mme que l'ajustement multi-priodique de la VAR quotidienne, ont montr que la
mthode semi-paramtrique base sur les valeurs extrmes tait plus prcise. De plus, la
mthode de calcul de la VAR multi-priodique en utilisant le coefficient d'paisseur de la
queue est plus pertinente que la mthode de la racine carre, toujours selon les mmes
tests.

La mthode propose par Danielsson et al. n'est pas trs difficile implanter. Le
minimum requis est le matriel informatique de base et une certaine automatisation des
procdures de calculs. L'lment le plus important considrer est la fentre historique.
En effet, les tests effectus dmontrent que l'chantillon doit comprendre des donnes sur
au moins 7 ans (environ 1 500 observations de rendements) ; sinon l'estimation de la
queue de la distribution de la queue manquera de prcision et la mthode sera inefficace.
Par consquent, l'chantillon devant possd un nombre non ngligeable d'observations
(le plus possible), une base de donne importante est ncessaire. C'est la remarque faire
par Hirtle (1998) qui se demande si le modle de VAR bas sur la thorie des valeurs
extrmes continuera surpasser les mthodes traditionnelles de VAR dans un contexte
plus pratique, c'est--dire celui auquel font face les institutions financires avec par
exemple une base de donnes limite aux trois dernires annes.

Il est noter que cette mthode est relativement nouvelle, il est probable que de
nouvelles recherches seront publies, ce qui risque de jeter un clairage nouveau sur ces

La gestion du risque de march et la valeur--risque 19


avantages, dsavantages de mme que sur la pertinence. Il ne faudrait pas oublier que
cette mthode utilise un estimateur de la queue des distributions, et que cet estimateur
repose sur une srie d'hypothses.

L'APPROCHE UNIFIE: LE TRIANGLE DES RISQUES

Les institutions financires se sont aperues que la volatilit des bnfices n'tait
pas entirement explique par le risque de crdit et le risque de march. Il existe une
autre approche dont l'objectif est de dfinir une mesure globale du risque pour les
institutions financires. Il s'agit de voir le risque comme tant compos par trois risques
principaux: le risque de march, le risque de crdit et le risque oprationnel. C'est le
triangle de la gestion des risques (risk-management triangle). Nous avons dj vu les
principaux moyens d'valuer le risque de march et il existe galement des mthodes,
parfois drives de la VAR, pour valuer et quantifier le risque de crdit. Selon Parsley
(1996), la mesure de ces deux risques est la pratique courante de la part des institutions
financires seulement par ce que des mthodes existent et non par ce qu'ils sont les plus
importants.

Parsley (1996) tente de dfinir un concept qui permettrait une meilleure allocation
du capital. Le risque le plus important serait le risque oprationnel que l'on peut dfinir
comme tant tout risque de volatilit des rendements qui n'est pas un risque de march ni
un risque de crdit. Selon lui, il faudrait par consquent chercher grer le capital en
fonction de tous ces risques, une mthode permettant de mesurer le risque global ou
encore une mthode permettant l'agrgation de tous les risques (crdit, march et
oprationnel).

Il identifie galement les problmes que pose ce concept global. Le premier


consiste tablir la vritable dfinition du risque oprationnel pour les banques et autres
institutions financires; certains doutant mme de l'application de ce concept des
entreprises non commerciales. Le deuxime consiste dcider si le risque est assurable
ou non et dans les deux cas comment il sera grer. Troisimement, les frontires entre le
risque oprationnel et les risques de march et de crdit n'est pas clair ni la corrlation
pouvant exister entre ces risques. Enfin, est-il possible de modliser efficacement le
risque de transaction, le risque de ce contrle oprationnel et le risque technologique qui
composent le risque oprationnel ? Si oui, comment y intgrer les risques de march et
de crdit ?

Chose certaine, cette approche prsente comme tant la voie de l'avenir, en est
qu' ses premiers balbutiements. En effet, il faudra que les problmes mentionns soient
solutionns et que chacun des trois risques soit bien matris avant de penser en faire
une gestion unifie. Bien que cette approche dpasse le seul cadre de la gestion du risque
de march, elle est intressante dans la mesure o, de plus en plus, on cherche grer
l'ensemble des risques et qu'elle pourrait, ventuellement, permettre une meilleure

La gestion du risque de march et la valeur--risque 20


allocation du capital. Chose certaine, il y a encore plusieurs annes de recherches avant
de pouvoir penser prsenter une mthode de gestion des risques unifie.

LA VAR ET LA RGLEMENTATION

La VAR ne soulve pas seulement des critiques d'un point de vue mthodologique,
il y en a galement au niveau rglementaire. En effet, avec l'explosion des modles
internes bass essentiellement sur la VAR, les organismes de rglementation nationaux et
internationaux ont t dans l'obligation d'mettre des directives aux institutions
financires. De sorte que maintenant, les modles internes rpondant certains critres
la fois qualitatifs (infrastructure et politique de gestion des risques) et quantitatifs sont
valids comme outil servant de mesure du risque de march et par le fait mme, pour la
dtermination du capital rglementaire. Il s'agit de l'approche de rglementation base sur
le risque. Cependant, lors d'une allocution la Federal Reserve Bank of New York,
Danielsson, De Vries et Jorgensen (1998b) affirmaient que les mthodologies utilises
sous-estimaient la VAR et que par consquent, elles taient inadquates dans la
dtermination du capital rglementaire pour le risque de march. Alors que Beder (1995)
affirmait que le multiple tait soit trop petit ou trop grand selon la mthode utilise et
qu'il devrait y avoir uniformisation des mthodes utilises en pratique.

Au Canada, le Bureau du Surintendant aux Institutions Financires (BSIF)


propose que [...] la perte potentielle devra tre calcule sur une base journalire [...] et
que [...] le calcul impliquera un niveau de confiance unilatral de 99 p. 100; [...] la
priode de dtention minimale sera de dix jours ouvrables. De plus, [...] aucun type de
modles particulier nest prescrit. Les institutions seront libres dutiliser les modles
fonds, par exemple, sur des matrices de variance/covariance, sur la simulation
historique ou la simulation Monte-Carlo[...].

La premire consquence de la latitude accorde aux institutions financires dans


le choix du modle de gestion du risque de march se rpercute dans la rglementation du
capital. Ainsi le BSIF propose que [...] chaque institution devra satisfaire, sur une base
journalire, lexigence de fonds propres correspondant au plus lev des montants
suivants : (i) la perte potentielle du jour prcdent, mesure selon les paramtres de la
prsente section; (ii) la moyenne des pertes potentielles sur les soixante derniers jours
ouvrables, multiplie par 3. Le BSIF peut ajouter ce facteur une majoration
directement lie au rendement ex post du modle (drive, par exemple, du rsultat du
contrle ex post et gale zro si ce rsultat est satisfaisant). Ces recommandations
vont dans le mme sens que celles de la BRI et du Comit de Ble qui proposent de
multiplier la valeur de la VAR pour une priode de 10 jours par un multiple pour
dterminer le capital ncessaire. Ainsi, le niveau de capital requis se calcule selon la
formule suivante:

Capital requis = 3 x VAR + constante

La gestion du risque de march et la valeur--risque 21


Les institutions financires doivent, partir de la valeur de la VAR obtenue avec
leur modle interne, dterminer le niveau de capital requis. Puisqu'il n'y a pas de modle
impos, les organismes de rglementation doivent trouver un moyen d'valuer les
nombreux modles internes. L'outil privilgi est une procdure de validation appele
backtesting. Il s'agit de vrifier l'exactitude et la prcision des calculs de VAR des
modles internes. Pour inciter les institutions financires dvelopper de meilleurs
modles internes, le Comit de Ble inclut deux types de pnalit si les rsultats des
procdures de validation des modles (backtesting) ne rpondent pas aux attentes. La
premire est une augmentation de la constante alors que la deuxime pnalit est une
augmentation, par un chiffre compris entre 0 et 1, du multiple qui peut donc s'lever 4,
au maximum. Plusieurs se questionnent sur la validit de la rglementation base sur la
VAR et prnent un durcissement des pnalits.

Le Comit de Ble a dfini certains critres pour l'valuation avec le backtesting.


L'analyse doit inclure les 250 dernires observations et consiste vrifier le nombre fois
o le modle a sous-estim les pertes un niveau de 1 %. Il s'agit des exceptions. Trois
zones ont t dfinies (voir Tableau I).

Tableau I

Zone Nombre Augmentation du Probabilits


d'exceptions multiple cumules
Verte 0 0.00 8,11 %
1 0.00 28,58 %
2 0.00 54,32 %
3 0.00 75,81 %
4 0.00 89,22 %
Jaune 5 0.40 95,88 %
6 0.50 98,63 %
7 0.65 99,60 %
8 0.75 99,89 %
9 0.85 99,97 %
Rouge 10 ou + 1.00 99,99 %
Source: Comit de Ble, janvier 1996

Selon Jackson et Perraudin (1998), le backtesting de mme que les pnalits qui
lui sont rattachs sont essentielles la supervision et constituent une incitation
l'amlioration des modles. Cependant, ils soulignent qu'afin de pouvoir poser un
jugement sur la prcision des modles, il faut un grand nombre d'observations. De plus,
une des hypothses sous-jacentes la VAR est la stabilit de la composition du

La gestion du risque de march et la valeur--risque 22


portefeuille. Or en ralit, les transactions viennent modifier la composition des
portefeuilles l'intrieur de l'horizon de la VAR. Il est donc difficile de comparer la VAR
avec les rsultats puisque le portefeuille n'est plus le mme entre le calcul de la VAR et la
ralisation la fin de la priode. Voil pourquoi les organismes de rglementation ont
pouss les institutions faire leur propre backtesting.

Les conclusions de Lucas (1998) dmontrent que la rglementation actuelle et les


propositions de Comit de Ble (1996a, 1996b) sur les procdures d'valuation des
modles internes (backtesting) sont inadquates. Les pnalits qui seraient imposes aux
institutions dont les rsultats dpasseraient trop souvent les intervalles calculs avec la
VAR ne sont pas assez significativement importantes pour les inciter mettre en place un
modle de gestion des risques permettant d'estimer la vraie valeur de la VAR. Il
prtend que, dans les conditions actuelles, les banques peuvent tirer bnfice de la
rglementation en rapportant des valeurs qui sous-estiment la VAR. Selon lui, il importe
donc de dfinir des rgles svres et des pnalits montaires importantes pour viter un
certain laisser-aller.

D'autres pistes sont donnes par Barone (1998) qui suggre de calculer la VAR sur
un priode de 10 jours, seulement si la composition du portefeuille demeure inchange
sur la priode. Aussi, suggre-t-il que la dtermination du capital se fasse partir de la
VAR quotidienne tout comme doit l'tre le backtesting. Du mme avis que la Comit
de Ble, il rappelle cependant que le multiple de 3 repose sur l'hypothse de normalit des
distribution. Avec cette hypothse, la probabilit d'un vnement se trouvant 4 cart
types de la moyenne est alors d'une fois tous les 130 ans. Ainsi, le multiple sert pallier
aux faiblesses des modles internes.

Danielsson et al. (1997a, 1998a, 1998b) ont identifi plusieurs problmes la


rglementation actuelle. Selon eux la matrise de la VAR des fins rglementaires est
encore insuffisante. Ils se basent sur les travaux de Stahl (1997) pour avancer que le
multiple est trop conservateur. En effet, Stahl a russi dmontrer les fondements
thoriques du multiple de Ble en appliquant l'ingalit de Chebyshev (qui est valide
pour toute distribution ayant une variance finie) au ratio de la vraie distribution et de la
distribution de la VAR. D'aprs les rsultats de Stahl, le multiple est de 2.7 un niveau
de 5 %, de 4.3 un niveau de 1 %. Donc, un multiple entre 3 et 4 permet de couvrir
toutes les distributions possibles. Selon Danielsson et al, il s'agit d'un multiple trop
conservateur. Par exemple, le ratio correspondant une VAR dont les calculs reposent sur
la thorie des valeurs extrmes commande un multiple infrieur 3. De plus, le niveau
lev du multiple et la faible diffrence entre sa borne infrieure et suprieure (3 et 4)
n'incitent pas les institutions financires amliorer leurs modles. Comme les banques
cherchent gnralement le plus petit niveau de capital requis, il s'agit plutt d'une
incitation utiliser des modles donnant la plus petite VAR possible. C'est ce qui
expliquerait, selon eux, en partie la popularit des modles utilisant les moyennes
mobiles pondres et l'hypothse de normalit puisque ces modles ont tendance sous-
estimer la VAR. Ainsi, il faudrait que les banques ayant de meilleurs modles soient
rcompenss par une diminution du capital requis. Pour atteindre cet objectif, Danielsson
et al. font quelques propositions. D'abord, diminuer la partie fixe (constante) de l'quation

La gestion du risque de march et la valeur--risque 23


et ensuite pour pnaliser les mauvais modles, le facteur de pnalit devrait tre suprieur
1.

Plusieurs auteurs reprochent qu'il n'y ait aucun consensus sur un modle de base.
Il est alors difficile d'tablir des comparaisons entre les VAR publies par les institutions
puisqu'elle reposent sur des hypothses diffrentes. On peut se demander si la dcision de
permettre l'utilisation de modles internes est justifie. Beder (1995) donne une ide du
dilemme auquel font face les organismes de rglementation. La dcision de permettre les
modles internes sous certaines conditions, amne un dynamisme dans le dveloppement
de nouvelles mthodes et une amlioration de la gestion du risque. Par contre, elle peut
rendre la comparaison difficile entre les VAR de diffrentes institutions financires.
l'oppos, l'imposition d'un cadre trs strict, comme par exemple pour le National
Association of Insurance Commissioner qui impose un seul modle de VAR, facilite le
contrle mais le cadre rigide anantit l'innovation en gestion des risques.

C'tait les principales implications de la VAR au niveau rglementaire. On


remarque que les organismes de rglementation sont, depuis quelques annes, trs pro-
actifs. On peut donc s'attendre ce que ces critiques soient prises en compte, ou du
moins tudies, lors des prochaines rvisions de la rglementation.

La gestion du risque de march et la valeur--risque 24


CONCLUSION

Dans ce texte nous avons fait un survol des principales mthodes d'estimation de
la VAR. D'abord, les mthodes traditionnelles telles que variance-covariance et
simulations historiques. Ensuite, une nouvelle approche, base sur la thorie des valeurs
extrmes a t introduite. Les critiques relatives ces modles ont galement t
prsentes.

Il n'est pas possible d'identifier une mthodologie universellement accepte pour


estimer la VAR, chacune prsentant ses propres limites. Lune des limites fondamentales
de nimporte quelle mthodologie est le fait quelle soit le reflet la subjectivit des
hypothses sous-jacentes. Toutefois, le plus grand risque dans lutilisation de la VAR
dcoule de l'incomprhension des limites de la mthodologie utilise.

La VAR demeure malgr tout un puissant outil de gestion de risque, mais aussi
faut-il lutiliser avec beaucoup de prcaution quant vient le temps dinterprter les
rsultats. La VAR est une valeur qui parat scientifique et prcise mais en fait, elle repose
sur plusieurs affirmations qui ne sont que jugements significativement subjectifs. Il ne
faut cependant pas oublier que les hypothses sont invitables dans la mise en pratique
d'une mthode de VAR, la fois pour des raisons de cots et de temps. Par consquent,
les gestionnaires ont besoin de bien connatre ces hypothses et leurs implications pour
tre capable dinterprter proprement la VAR. Ceci donne lieu plusieurs faon de
dpasser les difficults poses par la VAR. Avec diffrentes mthodologies combines
avec autant de jugement dans la mise en pratique, on ne peut tre certain que les rsultats
dune institution lautre sont comparables. De plus, la VAR seule ne suffit pas, elle doit
faire partie d'une processus de gestions des risques et elle doit tre supporte par des
politiques bien dfinies.

En plus de critiques mthodologies, certains ont mis en doute le concept mme de


VAR. D'autres prconisent une approche unifie de gestion des risques. En extrapolant,
pourrait-on dire, qu' la limite, la VAR pourrait tre une source de risque oprationnelle ?
Il pourrait tre intressant d'tudier la question. Finalement, nous avons prsent la
relation troite qui existe maintenant entre la VAR et la rglementation pour la
dtermination du capital.

En dfinitive, le premier lment que nous pouvons retenir est qu'il n'y a pas une
seule mthode de VAR. Nous avons bien sur des repres thoriques qui nous indiquent
quels devraient tre les rsultats. Or, en pratique, il est autrement. Il est trs important de
doser les hypothses et d'tudier les avantages et les dsavantages d'une mthode pour
des situations particulires rencontres par l'institution financire. Il est galement trs
important d'tablir une bonne dfinition des objectifs recherchs par l'implantation de la
VAR. Comme le remarquait Jorion (1996), au-del le la valeur de la VAR, toute
implantation d'une mthode de VAR oblige une organisation prendre conscience de son

La gestion du risque de march et la valeur--risque 25


exposition au risque et permet un meilleur processus de gestion des risques. Il s'agit l
d'une tape aussi importante que celle des calculs.

Le deuxime lment est qu'il faut reconnatre que la modlisation et la gestion du


risque sont deux activits dynamiques et complexes. La VAR a connu une volution
considrable depuis son apparition au dbut des annes 90. Il est ncessaire que les
recherches dans ce domaine se poursuivent et que les innovations qu'elles amnent soient
intgres rapidement par les institutions financires.

C'est pour cette raison qu'une rglementation adquate la fois souple et ferme,
lorsque ncessaire, prend toute son importance. Certains commentaires prsents dans ce
texte amnent cette rflexion. Il est vident que les organismes de rglementations
devront tre pro-actifs dans l'tablissement de nouvelles normes et dans le
renouvellement de la rglementation dj en place. Cette dernire semble prsenter
quelques lacunes, sous certains aspects.

Une priode de raffinement semble tre commence. L'approche reposant sur la


thorie des valeurs extrmes semble tre une voie trs intressante. Il est probable, d'ici
quelques annes, que l'objectif sera une gestion unifie des risques. Mais avant d'y
parvenir, il faudra que la gestion de chacun des risques soit bien matrise.

La gestion du risque de march et la valeur--risque 26


Annexe: VAR et valeurs extrmes

Concept de base

Il n'y a qu'une seule loi limite qui gouverne les comportements des valeurs tires
des queues de n'importe laquelle distribution 6. Dans le cas des rendements observs sur
les marchs financiers, on remarque le problme de queue paisse. Dans ce cas, on peut
modliser le comportement de la queue de la distribution en ce servant de cette loi limite.

En faisant l'expansion de F(x) l'infini et en imposant des conditions de


rgularit, on peut dmontrer que l'expression du deuxime ordre de la queue de toute
distribution queue paisse est:
F ( x) 1 ax 1 bx , , 0 (1)

pour un grand x. Le coefficient le plus important de cette expansion est , il correspond


l'paisseur de la queue alors que a est son chelle. a, b, et sont des paramtres.

En se basant sur les conclusions de Hill (1975), Danielsson et de Vries (1997) ont
montr que qu'on pouvait utiliser l'estimateur suivant pour les probabilits de la queue
tant donn l'estimation de et un seuil M:


M X M 1
F ( x) p , x X M 1 (2)
n x

o n est le nombres d'observations et p, la probabilit. En prenant l'inverse de


( x) ,
F on obtient les estimateurs des quantiles extrmes:
1
M
x p F 1 ( x ) X M 1

(3)
np

( x ) est toujours conditionnel l'chantillon. Pour pouvoir utiliser la distribution


F de
( x ) , il faut spcifier les paramtres et les nombres alatoires M et XM+1 .
F

6
Voir Danielsson et de Vries 1997a et 1997b pour les dmonstrations et drivations.

La gestion du risque de march et la valeur--risque 27


Queues des portefeuilles7

Il existe deux mthodes pour de simulation des rendements de portefeuilles: la


simulation historique (post fitting) et la mthode de presampling.

La premire mthode consiste utiliser les pondrations actuelles du portefeuille


pour calculer, l'aide rendements historiques, un vecteur de rendements simuls. Ensuite,
il est possible d'estimer (fit) la distribution de la queue de la distribution des rendements
du portefeuille. Cette mthode ne demande pas d'hypothse restrictive et est facile
mettre en pratique. Le principal problme est que la corrlation entre les rendements est
considre constante dans le temps.

Avec la deuxime mthode, chacun des actifs est chantillonn indpendamment


partir d'un estimateur de valeur extrme hybride et une distribution empirique. Ensuite, il
y a ajustement pour obtenir les corrlations des rendements. Voici la description de cette
mthode:

Il y a K actifs dans le portefeuille et le nombre de simulation est N.

Posons, t = matrice variance-covariance de l'chantillon et que la transformation de


Cholesky est LtLt' = t
~
X n est la matrice K x N des rendements simuls
~
n est la matrice var-cov de X n avec la transformation de Cholesky, MnMn' = n
La matrice des rendements rendements simuls Xn est alors:
~
Xn = LtMn-1 X n
Si w = w i i 1 est le vecteur de pondration du portefeuille, le vecteur des rendements
K

K
simuls est : Rn = w X
i 1
i t , n ,i n = 1, N

En triant les rendements simuls sur portefeuille, il est possible d'en extraire les
probabilits de la queue de la mme faon que la simulation historique. Cette mthode
permet, pour un sous-chantillon, d'utiliser une matrice variance-covariance diffrente de
celle de l'chantillon. Cette pratique peut tre approprie dans le cas de matrice var-cov
qui n'est pas stable dans le temps. Dans ce cas, de meilleurs rsultats peuvent tre
obtenus en remplaant la matrice par la matrice des covariances de la dernire partie de
l'chantillon.

7
Danielsson et de Vries 1997a

La gestion du risque de march et la valeur--risque 28


BIBLIOGRAPHIE

Barone E., A Unified VAR Approach, Istituto Mobiliare Italiano, 13th Annual meeting
of International Swaps and Derivatives Association (ISDA), March 1998

Beder, T., VAR; Seductive but Dangerous, Financial Analysts Journal,


September/November 1995

Capital Adequacy Requirements- Market Risk, Office of the Superintendent of Financial


Institutions, November 1997

Christoffersen, P. and Francis X. Diebold., Are volatility dynamics


relevant
for risk management, Mimeo, Department of Economics, University of
Pennsylvania, 1997

Culp C., Miller M. and Neves A., Value At Risk: uses and abuses, Bank of America -
Journal of Applied Corporate Finance, vol 10, number 4, Winter 1998

Culpron C. , Mensink A., M P Neves, Value at Risk for asset managers Derivatives
Quaterly; New York; Winter 1998

Danielsson J, de Vries C., Value-at-Risk and Extreme Returns, September 1997a

Danielsson J, de Vries C., Beyond the sample: Extreme Quantile and Probability
Estimation, December 1997b

Danielsson J, de Vries C., Hartmann P., The Cost of Conservatism: extreme returns,
value-at-risk and the Basle "multiplication factor", January 1998a

Danielsson, D., C. De Vries, B.N. Jorgensen, The value at risk: Statistical, financial and
regulatory considerations, Economic Policy Review - Federal Reserve Bank of New
York, New York, Oct. 1998b

Fallon W., Calculating the Value-at-Risk, Financial Institutions Center, Wharton, 1996,
96-49

Fong and Oldrich A. Vaciek, A Multidimentensional Framework for Risk Anaysis ,


Financial Analysts Journal. July/August 1997

Guldimann T., JP Morgan's RiskMetrics: A new assessment tool, Bank Management,


May/June 1995

La gestion du risque de march et la valeur--risque 29


Hendricks and Darryll, Evaluation of value-at-risk models using historical data :
Economic Policy Review- Federal Reserve Bank of New York, New York; Apr 1996

Hirtle, B., Commentary , Economic Policy Review- Federal Reserve Bank of New
York, New York; Oct 1998

Hitchins John, What is Value-at-Risk ? , Accountancy, London, Jan 1997

Ho T., Chen M. and Eng F., VAR Analytics: Portfolio Structure, Key Rate Convexities
and Var Betas, The Journal of Porfolio Management, Fall 1996

Hull J. and Alan White, Value at Risk When Daily Changes in Market Variables Are
Not Normally Distributed ; The Journal of Derivatives, Spring 1998

Introduction to RiskMetricsTM, Fourth Edition, JP Morgan, New York, November 1995

Jackson P., Perraudin W., Testing value-at-risk approaches to capital adequacy, Bank of
England Quaterly Bulletin, London, August 1998

Jahel L., Perraudin W., Sellin P., Value at risk, Quaterly Review, Stockholm, 1998
Jorion P., Risk2: Measuring the risk in the Value at Risk, Financial Analysts Journal,
November/December 1996

Kupiec P. H., Stress Testing in a Value at Risk Framework , The Journal of


Derivatives, Fall 1998

Lucas A., Testing Baktesting: an Evaluation of the Basle Guidelines for Baktesting
internal Risk Management Models of Banks, January 1998

Marshall C., Siegel M., Value-at-Risk: Implementing a Risk Measurement Standard,


Financial Institutions Center, Wharton, 1996,

McGinn C., The new risk management, Wall Street & Technology, July 1998

McKay R., Keefer T E., Var is a dangerous technique, Corporate Finance, London,
September 1996

Olson R., DeMeo J., Strengthening risk management, Banking Strategies, Chicago,
May/June 1998

Overview of the Amendment to the Capital Accord to Incoportate Market Risks, Basle
Committe on Banking and Supervision, January 1998

Parsley, Mark, Risk management's final frontier , Euromoney, London, September


1996

La gestion du risque de march et la valeur--risque 30


Rapport Annuel 1998, Banque CIBC

Roy J. Gestion des Institutions Financires: Notes de cours, cole des Hautes tudes
commerciales de Montral, 1999

Roy J. Marchs Financiers: Notes de cours, cole des Hautes tudes commerciales de
Montral, 1998 et 1999

Saunders A. and Thomas H., Financial Institutions Management, First canadian edition,
Irwin, 1997

Settelmyer S. and Brian L.May, Arthur Andersen, LLP, Taking Value at Risk from Wall
Street to Main Street ; TMA Journal, March/April 1998

Singh M., Value at Risk Using Principal Components Analysis, The journal of
Portfolio Management, Fall 1997

Smithson C. and Minton L., Value-At-Risk (1):Understanding the various way to


calculate VAR, Risk, January 1996, CIBC School of financial products

Smithson C. and Minton L., Value-At-Risk (2):The debate on the Use of VAR, Risk,
January 1996, CIBC School of financial products

Supervisory framework for the use of "Backtesting" in Conjonction with Internal Models
Approach to Market Risk Capital Requirement, Basle Committe on Banking and
Supervision, January 1996

Venkat S. and Satyan Malhotra, Establishing a Value-at-Risk Framework , Mortgage


Banking, August 1998

Note: les graphiques sont inspirs de ceux prsents dans le document technique de RiskMetrics TM.

La gestion du risque de march et la valeur--risque 31