Académique Documents
Professionnel Documents
Culture Documents
NORMALITE
Florent Berthe
MS Finance de Marché et Gestion de Patrimoine
Mai 2005
1/32
PLAN
INTRODUCTION ........................................................................................3
PARTIE 1
LES METHODES DE DETERMINATION DE LA VAR ET HYPOTHESE
DE NORMALITE ........................................................................................8
PARTIE 2
DETERMINATION DE L’ECART CONSTATE ENTRE VAR CALCULEE
AVEC HYPOTHESE DE NORMALITE ET UNE VAR CALCULEE AVEC
DISTRIBUTION CORRIGEE ....................................................................16
CONCLUSION .........................................................................................28
BIBLIOGRAPHIE .....................................................................................31
2/32
INTRODUCTION
3/32
Jusqu’au début des années 90, les méthodes utilisées pour détecter et gérer
les risques de marché n’étaient adaptées qu’à des produits spécifiques. Il était
alors impossible de comparer les mesures de risques entre les différentes
activités de marché. L’accroissement de la volatilité des marchés financiers, le
développement spectaculaire des produits dérivés et, surtout, une série de
désastres (les plus connus étant ceux de la banque Baring, Krach boursier de
1987, Krach obligataire de 1993) ont poussé les instituts financiers à
rechercher un indicateur global et synthétique des risques financiers.
En 1995, réunis en comité à la Banque des règlements internationaux à Bâle,
les représentants des banques centrales des dix plus grandes économies
mondiales ont proposé de nouvelles règles1 imposant aux établissements
financiers un niveau de fonds propres proportionnel aux risques résultant de
leurs engagements. Officiellement adoptée en 1996, cette proposition a incité
les banques à développer des systèmes internes sophistiqués d’indicateurs de
gestion des risques.
Cette recommandation a été très largement suivie et s’est concrétisée par
l’émergence d’un nouvel indicateur de risque : la Value at Risk. La VAR est
ainsi devenue, en quelques années, un standard pour l’évaluation des risques
financiers.
Deux évènements majeurs ont favorisé son adoption généralisée par la
communauté financière:
-Janvier 1996: le Comité de Bâle adopte l’amendement «Risques de marché»
aux Accords de Bâle de 1988. Cet amendement permet aux banques de
choisir entre la méthode standardisée et leur propre modèle pour calculer la
consommation en fonds propres de leurs activités de négociation.
Contrairement aux méthodes de la VaR, la méthode standardisée ne tient pas
compte des effets de diversification et implique en pratique une plus grande
consommation de fonds propres.
1
Amendement de l'accord de Bâle de 1988
4/32
-Octobre 1994: la banque américaine JP Morgan dévoile sa méthodologie
RiskMetrics et la met gratuitement à disposition sur Internet.
RiskMetrics fournit les données financières et la méthodologie nécessaire au
calcul de la VaR d'un portefeuille. Les autres établissements financiers et les
entreprises pouvaient utiliser le calculateur de VaR de RiskMetrics ou
télécharger les données sur leurs propres systèmes de gestion des risques.
Très vite sont apparus de nouveaux fournisseurs de programmes de gestion
des risques exploitant RiskMetrics, transformant cette méthodologie en
référence incontournable.
Nous pouvons résumer l'évolution de la gestion du risque financier de ces cinq
dernières années comme la recherche d'une description concise du risque par
un seul chiffre, celui de la Value-at-Risk
Dans le monde bancaire, la VaR permet d’optimiser la gestion des risques
financiers dus aux opérations initiées par les salles de marché. Elle permet
également de donner au client une image claire du risque financier pris
indirectement par lui.
Cette mesure de risque s’adresse ainsi :
2
Middle offices et back-offices
3
Annexe 6, Etude Ernst & Young 2000
5/32
probabilistes comme la VaR et la mise en place de limites tant internes
qu’externes. Le concept de la VaR provient du fait qu’il est nécessaire de
réévaluer des positions au prix de marché qui sont à l’origine de pertes ou de
profits. Si les prix de marchés changent, la réévaluation se trouve donc
affectée. La réévaluation des positions à ces nouveaux prix donne une idée de
la sensibilité des portefeuilles de la banque en termes de pertes et profits à
une variation des prix de marché. Ces prix peuvent varier de manière inégale,
parfois même de manière dramatique et imprévue, d’où la nécessité de
réévaluer les positions en se fixant des scénarios de marché. A partir de cette
réévaluation, on peut calculer le montant de pertes potentielles donc la VaR.
Bien que la VaR puisse en théorie être utilisée pour la quantification des
risques de marché, des risques de crédit, des risques de liquidité, des risques
opérationnels, seule son application au risque de marché est aujourd’hui
réellement opérationnelle.
6/32
Nous pourront ainsi déterminer si la VAR à distribution corrigée sur pondère ou
sous pondère, une VAR pure.
7/32
PARTIE 1
8/32
Il existe à l’heure actuelle différents types d’approche de détermination de la
VAR. La critique principale de l’ensemble de ces méthodes est qu’elles
reposent toutes sur l’hypothèse de normalité des distributions. Notre objectif
est de calculer l’écart constaté entre une VAR d’un portefeuille d’action,
calculée sur une hypothèse de normalité de distribution des rentabilités et
d’une VAR basée sur une distribution empirique corrigée.
9/32
dans cet intervalle de temps. La réponse est une perte totale : par définition,
nous pouvons être certains à 100 % que les pertes du portefeuille ne
dépasseraient pas le montant d’investissement initial. Même si cette
information est vraie, nous pouvons grâce aux outils statistiques modernes
être plus précis puisque la pire issue possible ne se produira probablement
pas. L’objectif est alors de déterminer un montant (en dollars ou en euro par
exemple), tel que nous pouvons être sûrs à 95 % (par exemple) que les pertes
lui seront inférieures, c'est ce que la Value-at-Risk va déterminer.
Ou alternativement :
10/32
Nous faisons, ici, l’hypothèse que la distribution des cours de l’actif A suit une
loi normale, entièrement caractérisée donc par sa moyenne (rendement
espéré) et son écart type (volatilité du titre A). Il est important, afin de cerner le
concept d’exposition au risque et de mieux comprendre la méthode VaR, de
comprendre le concept de distribution normale. Nous y reviendrons dans la
suite de l’étude.
Pt − E ( Pt ) VaR q − E ( Pt )
Pr ≤ =q
σ ( Pt ) σ ( Pt )
VaRq − E ( Pt )
= zq
σ ( Pt )
VARq = E ( Pt ) + zq * σ ( Pt )
11/32
at-Risk, l’hypothèse de normalité de la distribution des cours (ou des
rentabilités), si elle n’est pas vérifiée risque de biaiser le résultat.
12/32
internationales, et particulièrement le Comité de Bâle, ont favorisé la
standardisation des mesures du risque.
Cette transparence, notamment concernant les méthodes utilisées, remporta
également un grand succès populaire en permettant aux utilisateurs de
comprendre l'outil qu'ils utilisent pour leurs investissements. J.P. Morgan avait
bien compris qu’on ne peut pas avoir une confiance aveugle en un logiciel aux
méthodes inconnues. Le succès de RiskMetrics poussa J.P. Morgan à créer
une filière du même nom (RiskMetrics) chargée de la commercialisation, du
développement et des extensions de ce logiciel. Cette société propose donc
aujourd’hui de nombreux services en ligne.
Le fondement de la méthodologie de calcul de la Var par RiskMetrics est la
suivante :
VAR = λ tel que
P (rendement ≤ λ ) = ε
P
rt = ln t
Pt −1
La VAR calculé par Riskmetrics s’exprime comme suit :
VAR = R T X − k (ε ) X T QX
Avec,
R : vecteur des rendements des actifs.
X : vecteur d'allocations des actifs (proportion d'investissement que l'on
place dans chaque actif).
Q : matrice de covariance des actifs
k(ε) : fonction de ε. Cette fonction dépend de la distribution des actifs.
13/32
Si ε = 5%, le rendement prédit à l'investisseur est R T X , tout en lui
garantissant que, dans 95% des cas, le rendement sera au moins égal à VaR.
La VaR est donc en quelque sorte une marge de sécurité. La VaR est d'autant
plus éloignée du rendement prédit que le portefeuille est risqué.
Avant d’aller plus loin dans notre étude il m’a semblé important de revenir sur
le concept de la loi normale.
4
Exemple : inversion des courbes de taux
14/32
notée N(0;1), peut être représentée de la manière suivante, considération faite
d'un seuil de confiance de 99% par exemple.
Caractéristiques :
− x2
1
0,5% 0,5% f ( x) = e 2
2π
E(x)=0
V(x)=1
Z1 Moyenne=0
En présence d’une loi normale centrée réduite symétrique nous avons donc,
pour un seuil de confiance de 99%, 1% de chance d’obtenir un tirage supérieur
à Z1 ou un inférieur à Z2.
13 Le modèle choisi
Etant donné que le modèle de calcul Riskmétrics présente les mêmes défauts
que le modèle de calcul standard de la value at risque, son estimation, lors de
notre démarche empirique se fera par la méthode standard par soucis de
simplicité.
15/32
PARTIE 2
16/32
Dans un premier temps, nous montrerons que la loi normale ne peut pas être
considérée comme totalement satisfaisante pour le calcul de la Value-at-Risk.
Pour ce faire nous effectuerons un test empirique de normalité sur un
portefeuille fictif que nous allons constituer. Dans un deuxième temps, nous
déterminerons l’écart de résultat constaté entre une VAR calculée avec
hypothèse de normalité et VAR avec distribution corrigée. Ensuite nous
interprèterons le résultat
5
Voir annexe 4
17/32
Code de classification Secteurs d’activité
00 Ressources
10 Industries de base
20 Industries généralistes
30 Biens de consommation
cycliques
40 Biens de consommation
non cycliques
50 Services cycliques
60 Services non cycliques
70 Services aux collectivités
80 Sociétés financières
90 Technologies de
l’information
6
Compte tenu, de leurs coefficients de corrélations et de leur variété
sectorielle7, le portefeuille sera constitué des titres : ARCELLOR (sect.10),
AXA (sect. 80), CARREFOUR (sect. 60), CAP GEMINI (sect. 90), et
LAGARDERE (sect. 50).
6
Cf. Annexe 4
7
Cf. Annexe 2
18/32
La base de donnée à ma disposition est constituée de l’ensemble des cours
hebdomadaires, des titres constituant le CAC 40. La période traitée débute le
07/01/1994 et se termine le 07/01/2005, soit une période d’étude de 10 ans.
22 Méthodologie
8
Cf. Annexe 5
19/32
distribution du portefeuille est plus ou moins tassée par rapport à la loi
normale. Enfin, nous effectuerons le test de normalité de Jarque et Bera.
µ3
S=
σ3
µ 3 = E[x − E ( x)]3
µ3 =
∑ ( xt − x ) 3
S=
∑ ( xt − x ) 3
σ 3T
20/32
S<0 S>0
21/32
µ4
K=
σ4
E [x − E ( x)]
4
K=
(σ 2 ) 2
E [x − E ( x) ] =
4 ∑ ( xt − x ) 4
K=
∑ ( xt − x ) 4
T (σ 2 ) 2
En fonction du résultat que nous obtiendrons nous aurons ainsi trois résultats
possibles : K < 3, K > 3 ou bien K=3.
Si K= 3 alors la distribution des rentabilités a un coefficient d’aplatissement
similaire à la distribution normale (Distribution mésocurtique)
Si k > 3, la distribution de notre portefeuille sera plus tassée que la
distribution normale avec des queues épaisses (Distribution leptocurtique)
Si K < 3, la distribution de notre étude présentera des queues plus fines
que celle de la loi normale. (Distribution platicurtique)
22/32
correspond à la somme des coefficients d’aplatissement et d’asymétrie élevé
au carré. Basé sur le test du chi deux, Matlab nous donnera comme résultat :
1, si la distribution observée n’est pas de type normale ; 0, si la distribution est
normale.
Jarque et Bera : 1
Skewness : -0,2789
Kurtosis : 6,7654
23/32
d’aplatissement de fischer est très largement supérieur à 3 (6,7654), la
distribution des rendements présente donc des queues plus épaisses que la
distribution normale, il rend compte des phénomènes marginaux de la
fluctuation des rentabilités étudiées. Enfin, le test de Jarque et Bera, (1)
confirme que notre distribution ne suit pas une loi normale.
Nous allons, donc, pouvoir calculer le biais qu’engendre la prise en compte
d’une hypothèse de normalité sur le calcul de la VAR.
Zq -1,655
E(Rt) 0,0003238
Ecart type du
0,00705241
portefeuille
VARq = E ( Rt ) + zq * σ ( Rt )
Soit :
VAR95% = 0,0003238 − 1,655 * 0,00705241
VAR95% = −0,01134793855
9
Voir annexe 1 et 4
24/32
Toutefois, comme nous l’avons vu dans la partie précédente, la normalité
des rendements n’est pas toujours évidente, voir même rare pour des
séries de données financières.
Ils existent plusieurs solutions pour surmonter ce problème, l’expansion
de Cornish-Fisher est l’une de celles-là.
wq ≅ z q + 1( 6 )(z q
2
)
− 1 Sk
wq ≅ −1,7355
25/32
On a alors une VAR corrigée de l’asymétrie égal à :
VARq = E ( Rt ) + wq *σ ( Rt )
Soit :
VAR95% = 0,0003238 − 1,7355 * 0,00705241
VAR95% = −0,011915
wq = z q +
1 2
6
( )
z q − 1 Sk +
1
24
( 3
)
z q − 3 z q EKur −
1
36
( 3
)
2 z q − 5 zq Sk 2
10
Partie 2, section 22
26/32
w95% = −1,655 +
1
6
( )
− 1,6552 − 1 * (−0,2780) +
1
24
( )
− 1,6553 − 3 * ( −1,655 * (6,7654 - 3) −
1
36
( )
2(−1,655)3 − 5 * (−1,655) (−0,2780) 2
Soit
w95% = −1,666
D’où :
VAR95% = −0,011426
27/32
CONCLUSION
28/32
L’objectif de ce travail était de présenter l’approche Value at Risk pour la
mesure du risque d’un portefeuille d’action du CAC 40, de montrer que l’
hypothèse de normalité de distribution des rentabilités n’était pas respectée et
de déterminer le biais engendré par cette hypothèse en corrigeant cette
distribution.
Nous avons commencé ce travail par donner un descriptif de la VaR sur son
utilisation, les raisons de son développement et son principe de calcul.
Par la suite, nous avons démontré que l’hypothèse sous jacente de normalité
des distributions des rentabilités n’est pas respectée dans le cas d’un
portefeuille d’action. Notre portefeuille, composé d’action française du CAC 40
possède une distribution plus étalée vers la gauche et des queues plus
épaisse que la distribution de référence. C’est ce que nous avons mis en
évidence avec le calcul du Skewness du Kurtosis et du test de Jarque et Bera.
29/32
cependant pas oublier que les hypothèses sont inévitables dans la mise en
pratique d'une méthode de VAR, à la fois pour des raisons de coûts et de
temps. Par conséquent, les gestionnaires ont besoin de bien connaître ces
hypothèses et leurs implications pour être capable d’interpréter proprement la
VAR. Il faut donc bien garder à l’esprit qu’aucun modèle mathématique ne
peut, ni ne pourra, prédire sans erreur le futur. Réussir son investissement
demande de bonnes informations, de la rigueur et du jugement. L’évaluation
des risques semble être autant un art qu’une science. C’est à l’investisseur lui-
même de prendre la décision finale.
30/32
BIBLIOGRAPHIE
31/32
Livres
Site WEB
• www.gloriamundi.org
• www.RiskMetrics.com
• www.Le Figaro.fr
Article
• Akimou Ossé, “La Value at Risk”, Les cahiers de la finance, BCV Mai 2002.
Etude
• J.P. Morgan/Reuters, Riskmetrics, Technical document, fourth edition 1
• Ernst&Young, « Gestion des risque le tiers providentiel ? Une étude sur le suivi
des risques par les société de gestion en France », Novembre 2002
• David X. LI, « Value at Risk based on volatility, skewness and kurtosis »,
Riskmetrics, 4 mars 1999
32/32