Vous êtes sur la page 1sur 12

CreditMetrics

Hamdi BELTAIFA
Nidhal BHOURI
Hatem ESSEFI
Introduction.
Choc de marché, défaut des intervenants les plus exposés,
incapacités des autres à couvrir ou solder leurs positions dans un délai ou
à un coût raisonnable : quel que soit l’enchaînement des causes et des
faits, l’histoire économique récente ne manque pas d’exemples de ces
situations de crise ou de tension extrême qui ont démontré le rôle néfaste
que pouvait jouer un système bancaire archaïque en amplifiant le
désordre financier. Ainsi, une gestion approximative des activités, un trop
grand émiettement de l’offre, une collusion entre banques et monde
politique sont les symptômes classiques des institutions bancaires et
financières génératrices de difficulté.

Le cas russe de 1998 constitue probablement le cas le plus


spectaculaire, qui a vu l’effondrement du rouble et de la dette souveraine
provoquer la faillite du système bancaire national et l’accumulation
inéluctable des pertes chez les grandes contreparties du marché au fur et
à mesure qu’elles cherchaient en masse à se dégager de leurs positions
sur un marché qui avait perdu toute liquidité.

L’analyse de ces crises récentes permet de dégager d’une part, que


ces situations se développent à la faveur d’une intégration croissante du
risque de marché et de contrepartie, elle-même liée à l’extension du
champ des marchés financiers (pays émergents) et à l’apparition de
nouveaux acteurs (institutions à fort effet de levier ou fonds spéculatifs).
D’autre part, le développement de ces crises s’appuie également sur une
volatilité croissante des situations de liquidité, elle-même liée à la
« mondialisation » des marchés et, par voie de conséquence, à la très
grande sensibilité des flux financiers aux phénomènes de
confiance/défiance. Bien qu’imprévisibles dans leur développement, ces
crises expriment néanmoins toujours à l’origine un déséquilibre
fondamental de marché : sous-évaluation manifeste du risque dans le cas
des actifs russes , présence d’acteurs dominants susceptibles d’introduire
une forte volatilité des paramètres de marché dans le cas de la crise de
l’or de septembre 1999 (née rappelons-le, de la décision des grandes
banques centrales de limiter à l’avenir leurs ventes et prêts d’or) ,
formation de bulles spéculatives détachées des réalités économiques dans
le cas des crises immobilières... à rapprocher de l’engouement récent pour
les valeurs de la « nouvelle économie » !

La modélisation du risque de crédit prend donc aujourd’hui le relais


de la modélisation du risque de marché et fait l’objet, depuis la fin des
années 90, d’avancées spectaculaires au sein des établissements

2
bancaires. La principale raison qui explique ce phénomène est le choc
suscité dans les banques par la faillite virtuelle des fonds spéculatifs LTCM
et la prise de conscience, à cette occasion, du risque systémique.
L’ampleur des engagements de certains établissements bancaires vis-à-vis
de ces fonds a révélé, d’une part, la sous évaluation générale du prix du
risque de crédit, et d’autre part, les faiblesses du système de mesure et
de suivi du risque de crédit sur les opérations de gré à gré.

Ce présent rapport se propose donc de donner un aperçu sur le


risque de crédit et de présenter en détails un des principaux modèles
d’évaluation de ce risque : CreditMetrics.

1. Présentation du risque de crédit.


Le risque de crédit peut être défini par la perte potentielle supportée
par un agent économique suite à une modification de la qualité de crédit
de l’une de ses contreparties, ou d’un portefeuille de contreparties, sur un
horizon donné.
Le risque de crédit peut prendre en fait trois formes principales :
- le risque de défaut : Cette première forme de risque est associée à
l’occurrence d’un défaut, caractérisé par l’incapacité de la contrepartie
à assurer le paiement de ses échéances.
- le risque de dégradation de spread de signature : Depuis la crise
asiatique de l’automne 1997 et la mise en place de l’Euro le 1er janvier
2000, le risque de crédit peut aussi prendre la forme d’une dégradation
de spread de signature attaché aux obligations ou crédits en
portefeuille. L’estimation du risque repose sur la modélisation du
processus suivi par le spread.
- le risque de transition de rating : La dernière représentation du risque
de crédit est la perte potentielle associée à une dégradation de la
notation d’un émetteur ou d’un portefeuille de positions. Les matrices
de transition publiées par les agences de notation sont ici l’instrument
privilégié du calcul des pertes potentielles. Elles indiquent par classe de
rating (AAA, AA, A, BBB,…) et sur un horizon donné, les probabilités de
passage d’un état à un autre. En associant chaque état à un spread de
signature, on peut directement construire la distribution potentielle des
variations de market to market.

2. Le modèle CreditMetrics.

2.1. Présentation du modèle.

CreditMetrics a été développé par JP Morgan en 1997. CreditMetrics


est un modèle de type valeur de marché qui vise à estimer la valeur du

3
spread (un supplément de taux par rapport au taux sans risque que la
valeur des actifs à l’échéance de la dette ne suffise pas à honorer cette
dette) sur un horizon d’une année d’un émetteur d’une obligation en
tenant compte des variations de la valeur de la dette provoquées par les
changements de la notation de l’émetteur. Ces changements incluent non
seulement la baisse ou la hausse de la notation mais aussi le défaut de la
contrepartie. La VaR (value at risk) est ensuite estimée sur un portefeuille
de risque crédit.

2.2. Principe du modèle : Portefeuille à une obligation.

La mise en œuvre de la méthode repose sur les étapes suivantes :


 Attribution de la notation.
 Calcul de la matrice de transition de notation.
 Calcul de la valeur actuelle de l’obligation émise.
 Calcul de la Value At Risk (VaR).

2.2.1. Attribution de la notation.

La notation est apparue aux USA au début du siècle par la


publication du premier manuel de notation de John Moody en 1909. Son
objectif était de fournir aux investisseurs une information objective sur les
entreprises. Ce principe de notation était absent en Europe jusqu’aux
années 80. La notation, contrairement au scoring, n’est pas une
combinaison des différents ratios mais se base sur d’autres types de
critères comme l’environnement de l’entreprise et les facteurs propres à
chacune d’elle (endettement).
Pour les entreprises importantes cette notation est publiée par des
agences de notation spécialisées (standard&Poors, Moody’s…). Pour les
centaines de milliers de petites et moyennes entreprises, il faut procéder à
une notation interne.

Une entreprise peut être notée AA, BBB… comme l’indiquent les
deux tableaux suivants :

S & P et autres Moody’s Interprétation


AAA Aaa
AA+ Aa1 Highest quality ; extremly strong
AA Aa2 High quality
AA- Aa3
A+ A1
A A2 Strong payment capacity
A- A3

4
BBB+ Baa1
BBB Baa2 Adequate payment capacity
BBB- Baa3
BB+ Ba1
Likely to fullfill obligations ;
BB Ba2
Ongoing uncertainty
BB- Ba3
B+ B1
B B2 High risk obligations
B- B3
CCC+ Caa1
Current vulnerability to default
CCC Caa2
CCC- Caa3
CC
C In backruptcy or default, or other market
Ca
D shortcomings

2.2.2. Calcul de la matrice de transition de notation.

Les agences de notation publient régulièrement des informations


relatives à l’évolution de la notation des émetteurs dans le temps. Ces
informations sont regroupées dans des tableaux qui indiquent, soit
directement le taux de défaut historique des émetteurs selon leur notation
et sur un horizon donné, soit les changements de notation au cours du
temps. Les tableaux décrivant l’évolution dans le temps de la notation
d’un panel d’émetteurs sont appelés « matrices de transition» et
constituent un outil privilégié d’estimation des probabilités conditionnelles
de défaut.

La matrice annuelle de transition décrit le changement de notation,


sur un horizon d’un an, d’un panel d’émetteurs.

Soit la matrice annuelle de transition suivante :

5
Rating AAA AA A BBB BB B CCC default
AAA 90 ,81 % 8,33 % 0,68 % 0,06 % 0,12 % 0,00 % 0,00 % 0,00 %
AA 0,70 % 90,65 % 7,79 % 0,64 % 0,06 % 0,14 % 0,02 % 0,00 %
A 0,09 % 2,27 % 91,05 % 5,52 % 0,74 % 0,26 % 0,01 % 0,06 %
BBB 0,02 % 0,33 % 5,95 % 86,93 % 5,30 % 1,17 % 0,12 % 0,18 %
BB 0,02 % 0,14 % 0,67 % 7,73 % 80,53 % 8,84 % 1,00 % 1,06 %
B 0,00 % 0,11 % 0,24 % 0,43 % 6,48 % 83,46 % 4,08 % 5,20 %
CCC 0,22 % 0,00 % 0,22 % 1,30 % 2,38 % 5,00 % 64,85 % 19,79 %
default 0,00 % 0,00 % 0,00 % 0,00 % 0,00 % 0,00 % 0,00 % 100 %

Cette table s’analyse comme suit, en lisant par exemple la ligne BBB
du tableau ci-dessus :

Notation initiale Notation potentielle dans un an Probabilité


AAA 0,02 %
AA 0,33 %
A 5,95 %
BBB BBB 86,93 %
BB 5,30 %
B 1,17 %
CCC 0,12 %
D 0,18 %
100,00 %
La probabilité pour notre actif de notation initiale BBB de rester BBB
après une période d’un an est de 86,93 %, celle de devenir B est de
1,17%, celle de faire défaut est de 0,18%.

Remarque : on suppose que le nombre de transitions au cours de l’horizon


temporel est au maximum de 1 transition (pas de transition multiple).

Hypothèses du modèle :
 La matrice est stable :
Deux entreprises dans des secteurs différents ou des pays différents
ont la même probabilité de migrer d’une notation à une autre ce qui est
loin d’être vrai.
 Le processus est markovien :
La probabilité de migrer d’une classe à une autre au cours d’une
période est indépendante de ce qui s’est passé au cours des périodes
passées.

6
2.2.3. Calcul de la valeur actuelle de l’obligation émise.
Dans le cas où il n'y a pas faillite, il est possible de revendre le titre
avec un gain ou une perte. Pour cela, il est indispensable de connaître sa
valeur actuelle (valeur actuelle des paiements restants). Pour calculer
cette valeur actuelle on utilise les taux d'actualisation fournis par la courbe
des taux zéro coupon correspondant à chaque notation. Ces taux
dépendent du taux sans risque pour chaque maturité et de la prime de
risque ou spread annuel qui dépend de la notation de l'obligation.

Exemple : Calcul de la valeur d’une obligation notée BBB.

Catégorie Année 1 Année 2 Année 3 Année 4


AAA 3.60 4.17 4.73 5 .12
AA 3.65 4.22 4.78 5.17
A 3.72 4.32 4.93 5.32
BBB 4.10 4.67 5.25 5.63
BB 5.55 6.02 6.78 7.27
B 6.05 7.02 8.03 8.52
CCC 15.5 15.02 14.03 13.52
Tableau des taux forward (taux sans risque + prime de risque)

On considère un émetteur noté BBB qui émet une obligation de 100


euros sur 4 ans avec un taux annuel de 6%.
Dans ce cas la valeur actuelle de l’obligation est donnée par
l’équation suivante :
6 6 6 106
V = 6+ + + + = 107.55
(1 + 4.1% ) (1 + 4.67%) (1 + 5.25% ) (1 + 5.63%) 4
2 3

On détermine ainsi, toute les valeurs possibles du titre en fonction des ses
migrations possibles vers d’autres notations l’année suivante. Ce sont les
valeurs de reventes théoriques dans le marché en cas de revente dans un
an.

Il reste enfin, un dernier cas : celui de défaut. Dans ce cas


l’entreprise tombe en faillite et ne peut plus payer ces dettes. Pour
déterminer la valeur du titre, CreditMetrics utilise les taux de récupération
moyens calculés sur des données historiques (moyenne sur ce que
récupèrent les créanciers lorsque une entreprise d’une même notation
tombe en faillite). Exemple 51,13% pour une obligation notée BBB.

Au total, on obtient les différentes valeurs possibles du titre (BBB


par exemple) en fonction de leurs migrations possibles vers d’autres
notations (ou défaut aussi) et les probabilités de migration.

7
Notation Probabilité Valeur
AAA 0.02 109.37
AA 0.33 109.19
A 5.95 108.66
BBB 86.93 107.55
BB 5.3 102.02
B 1.17 98.1
CCC 0.12 83.64
D 0.18 51.13
Valeur d’un titre BBB

On obtient aussi la distribution de valeur du titre :

D is tr ib u tio n d e la v a le u r à 1 a n

100

80

60
Probabilité

40
20

0
40 60 80 100 120
-2 0
V a le u r

On vérifie bien que notre distribution n’est pas normale et non


symétrique. Ceci est dû à la possibilité de défaillance.
Ainsi on peut comparer cette dernière courbe à la courbe normale
du marché.

8
2.2.4. Calcul de la VaR.
A partir de la distribution précédente, il est possible de calculer la VaR 1%
et la VaR 5% :
VaR1% = E(V1an) – V1an,1%
= 107.09 – 98.10
= 8.99
de même la VaR 5% vaut 5,07.
2
Sous l’hypothèse que la distribution est normale N(µ , σ ) avec
2 2
µ = 107.09 et σ = 2.99, la VaR serait estimée par VaRN,1% = 2.33*σ =
6.97 ce qui est une approximation très éloignée pour la VaR 1% vu la
forte dissymétrie de la distribution.

Quantile à 1% Quantile à 5%
VaR distribution 8.99 5.07
VaR normalité 6.97 4.93
VaR sur le risque crédit avec et sans l’hypothèse de normalité

2.3. Principe du modèle : portefeuille à deux


obligations.
Ce que l'on a vu précédemment propose une méthode pour réduire le
risque d'un portefeuille à une seule obligation. Dans la pratique, les

9
portefeuilles contiennent plus d'une seule obligation (beaucoup plus).
Nous allons traiter d'abord le cas d'un portefeuille à deux obligations pour
expliquer comment transposer le travail déjà fait sur plusieurs titres à la
fois.

Le modèle CreditMetrics propose dans les cas d'un portefeuille à deux


obligations une distribution des titres avec les spread associés à chacun
d'entre eux, visant ainsi à minimiser le risque du portefeuille en question.
Cette distribution est le résultat d'un calcul qui se base essentiellement
sur les matrices historiques de transition de notation et sur la corrélation
entre les cours des différentes contreparties.
Ce modèle reprend globalement les mêmes étapes décrites
précédemment.

2.3.1. Attribution de la notation.

On attribue une notation à chacune des contreparties, de la même


manière que l'on a procédé pour une seule contrepartie. On obtient ainsi
les deux notations actuelles N1t0 et N2t0.

2.3.2. Calcul de la matrice de transition de notation.

On calcule la matrice de transition de notation des deux contreparties qui


fournit les probabilités pour que la première contrepartie passe de N1t0 à
N1t0+1an et que la deuxième contrepartie passe de N2t0 à N2t0+1an.

Premier cas: La corrélation entre les deux contreparties est nulle


Dans ce cas la probabilité de la transition des notations est le produit des
deux probabilités de transition de chacune d'entre elles.

Première Deuxième contrepartie notée A


contrepartie AAA AA A BBB BB B CCC Faillite
notée BB 0.09 2.27 91.05 5.52 0.74 0.26 0.01 0.06
AAA 0.03 0 0 0.03 0 0 0 0 0
AA 0.14 0 0 0.13 0.01 0 0 0 0
A 0.67 0 0.02 0.61 0.40 0 0 0 0
BBB 7.73 0.01 0.28 7.04 0.43 0.06 0.02 0 0
BB 80.53 0.07 1.83 73.32 4.45 0.60 0.20 0.01 0.05
B 8.84 0.01 0.02 8.05 0.49 0.07 0.02 0 0
CCC 1.00 0 0.02 0.91 0.06 0.01 0 0 0
Faillite 1.06 0 0.02 0.97 0.06 0.01 0 0 0

On remarque encore une fois que les grandes probabilités correspondent à


la prévision que les deux entreprises vont garder les mêmes notations.

Cette hypothèse peut être faite si les deux contreparties ne sont pas liées
entre elles (Elles proviennent de deux pays différents et travaillent dans

10
deux secteurs distincts...). Dans ce cas elle facilite beaucoup les calculs
(surtout lorsque le portefeuille est assez gros). Sinon la supposition risque
de conduire vers résultats complètement erronés.

Deuxième cas: Les deux contreparties sont corrélées entre elles


Dans le cas où il y a une corrélation entre les cours des deux
contreparties, CreditMetrics réalise une analyse multi-factorielle en
groupant les entreprises par pays et secteurs. Il calcule ainsi la corrélation
entre les deux contreparties. Par la suite, il utilise la formule suivante pour
déterminer les éléments de la matrice de transition jointe.

BBB AA
P ( Z BB < ri < Z BBB , Z A < r j < Z AA ) = ∫ ∫ f (r , r , σ )dr dr
BB A
i j i j

Cette formule fournit la probabilité pour que la première entreprise passe


de BB à BBB et pour que la deuxième passe de A à AA.
Les Zx (où x est une notation) sont donnés par la figure suivante.

On obtient ainsi une matrice de transition jointe qui tient compte de la


corrélation des deux entreprises.

11
Première Deuxième contrepartie notée A
contrepartie AAA AA A BBB BB B CCC Faillite
notée BB 0.09 2.27 91.05 5.52 0.74 0.26 0.01 0
AAA 0.03 0 0 0.03 0 0 0 0 0
AA 0.14 0 0.01 0.13 0 0 0 0 0
A 0.67 0 0.04 0.61 0.01 0 0 0 0
BBB 7.73 0.02 0.35 7.10 0.20 0.02 0.01 0 0
BB 80.53 0.07 1.79 73.65 4.24 0.56 0.18 0.01 0.04
B 8.84 0 0.08 7.80 0.79 0.13 0.05 0 0.01
CCC 1.00 0 0.01 0.85 0.11 0.02 0.01 0 0
Faillite 1.06 0 0.01 0.90 0.13 0.02 0.01 0 0

On ne remarque pas de grosses différences avec la matrice calculée sans


tenir compte de la corrélation parce que les deux entreprises ne sont pas
fortement corrélées.

2.3.3. Calcul de la valeur actuelle de l’obligation émise et de la


VaR.

Elles sont identiques à celles du modèle pour une seule obligation.

2.3.4. Conclusion

La méthode CreditMetrics reste donc assez efficace pour un portefeuille à


deux obligations surtout si l'hypothèse de non corrélation entre les deux
entreprises est bien fondée. Mais l'on se rend vite compte qu'avec
l'augmentation du nombre de titres dans le portefeuille les calculs
augmentent exponentiellement. C'est la raison pour laquelle au-delà de
deux titres on privilégie d'autres méthodes comme le modèle de Monte-
Carlo.

12

Vous aimerez peut-être aussi