Vous êtes sur la page 1sur 153

BANQUE D’ALGERIE

ECOLE SUPERIEURE DE
BANQUE

Mémoire de fin d’études

En vue de l’obtention du Diplôme Supérieur des Etudes Bancaires


DSEB
Option : Gestion

Thème

La Value at Risk
Un standard pour l’évaluation du risque de marché
Application à la CELIM SICAV

Dirigé par : Présenté par :

Mr KHIATINE Ali Melle ZEDEK Nadia

Novembre 2008
Dédicaces

A mes chers parents ;

A mes frères ;

A mes sœurs ;

A toute la famille SAGHI ;

A tous mes amis et amies sans exception ;

A la mémoire de Hedjila.

Nadia ZEDEK.
Remerciements

Qu’il me soit d’abord permis de remercier Mr KHIATINE Ali, mon

promoteur, qui a supervisé, avec clairvoyance et rigueur, la

préparation de ce mémoire de fin d’études. Qu’il trouve ici

l’expression de ma profonde gratitude.

Mes profonds remerciements vont aussi à mon tuteur de stage au sein

de la CELIM SICAV, Mme MEKIDECHE, pour son aide

inestimable et sa disponibilité au cours de notre étude de cas.

Enfin, je remercie Mr SAGHI Ahcéne, Mme SAMY, Mr

MANSOURI, Zakia et toutes celles et tous ceux qui m’ont aidé, à

des titres divers, à achever mon mémoire, tout particulièrement

Moussa et Redha de la bibliothèque de l’ESB pour leur aide

appréciable, notamment sur le plan de la documentation.


INTRODUCTION

« Ce sont les goûts du risque et de l’esprit d’aventure qui ont bâti le monde moderne ».

Le risque est inhérent à l’activité bancaire (l’activité d’intermédiation basée sur la


collecte de dépôts et l’octroi de prêts, elle est dite aussi pratique traditionnelle ou
classique); l’absence ou l’insuffisance de sa maîtrise provoque inévitablement des
pertes dont la persistance peut conduire à la défaillance. Cependant, le risque est aussi
une source de profits et la banque qui ne prendrait aucun risque prendrait le plus grand
d’entre eux : faire faillite ! Le risque n’est donc pas de prendre des risques mais d’en
prendre trop ou de mal les gérer.

Au cours de cette dernière décennie, nul ne conteste que l’environnement financier


a subi de profondes mutations qui ont bouleversé le monde de la finance,
singulièrement bancaire.

Dans un tel contexte, la pratique bancaire traditionnelle ne constitue plus


aujourd’hui qu’une partie de l’activité commerciale des banques. En effet,
l’accentuation de la désintermédiation financière conjuguée à l’impératif de rentabilité
et l’acquisition d’avantages concurrentiels ont vivement poussé les banques à élargir
leur champ d’action pour préserver leur leadership dans l’économie et leurs
principales sources de profits sont désormais leurs nouvelles activités : les opérations
sur les marchés financiers.

Comme pour l’activité classique, ces opérations sont entachées de risques exprimés
sous le vocable du risque de marché1. Ce dernier fait référence à l’incertitude quant à
la valeur de marché future du portefeuille d’actifs financiers de l’institution.

Pouvant générer de lourdes pertes financières, la gestion de ce risque s’avère plus


qu’indispensable. Sachant que ce qui n’est pas mesuré ne peut pas être géré, sa
gestion se base principalement sur sa mesure.

1
Il s’agit du risque de marché au sens strict (stricto sensu) lié à la détention d’un portefeuille d’actifs financiers,
dont il sera question dans le présent mémoire. Le risque de marché au sens général englobe tous les risques qui
peuvent greffer une opération de marché même s’ils sont communs à toutes les activités (risque de règlement-
contrepartie et le risque opérationnel).

-1-
INTRODUCTION

De nombreuses méthodes classiques permettent de quantifier le risque lié à la


détention d’un instrument financier. Individuellement, chaque mesure est pertinente
mais ne permet pas d’évaluer globalement le risque de marché d’un portefeuille
d’instruments financiers. Or, l’accent est mis aujourd’hui sur la capacité à consolider
les données disparates et à les restituer aux décideurs sous un format immédiatement
exploitable.

Un indicateur unique et synthétique de mesure du risque de marché, utilisé par les


Risk Managers, permet de satisfaire ce besoin de consolidation. Il s’agit de la Value at
Risk connue sous l’acronyme VaR. Elle permet d’agréger le risque de marché à
travers plusieurs classes d’instruments financiers.

En Algérie, l’étude d’une telle mesure du risque de marché s’avère à priori limitée
vu la situation actuelle de notre marché financier. Cependant, un examen plus attentif
du tissu économique et financier algérien révèle l’existence de certaines entités qui
sont fortement exposées au risque de marché. C’est le cas par exemple de la CELIM
SICAV1.

A travers ce présent mémoire, nous allons essayer d’apporter des éléments de


réponse à la problématique suivante :

Quels sont les besoins de quantification du risque de marché par une mesure
de type VaR pour une société de gestion d’actifs financiers à l’instar de la
CELIM SICAV ?

Les questions subsidiaires qui permettent de cerner cette problématique sont :

¾ Comment se manifeste le risque de marché et quelles sont ses mesures


classiques?

¾ Qu’est ce qu’une mesure de risque de type VaR et quelles sont ses méthodes
d’estimation?

¾ Comment peut-on appliquer une telle mesure à la gestion d’un portefeuille de


valeurs mobilières et quelle critique peut-on associer à la technique VaR?

¾ Une mesure de type VaR, est-elle nécessaire pour une SICAV et quels
renseignements pourrait-elle fournir à une telle société ?

1
Il s’agit d’une société d’investissement à capital variable, dénommée Chariket El Istithmar El Mali.

-2-
INTRODUCTION

Pour répondre à ces interrogations, nous avons opté pour un modèle descriptif et
analytique.

Deux parties sous tendent ce modèle.

Sa première partie est intitulée « Les fondements théoriques de mesure du risque de


marché par la Value at Risk». Scindée en deux chapitres, elle fournira l’essentiel du
cadre conceptuel et théorique de la mesure du risque de marché selon l’approche
Value at Risk.

La deuxième partie intitulée « Application de la VaR à la gestion d’un portefeuille


de valeurs mobilières» exposera dans un premier chapitre les aspects pratiques de
mise en place d’un processus VaR et dans un second, une application concrète de ce
processus au portefeuille de la CELIM SICAV.

Ces deux parties sont liées par une synthèse permettant de mettre en évidence les
besoins réels de la CELIM SICAV d’une mesure de type VaR et les suggestions qui
lui ont été adressées.

Enfin, vous trouverez en annexes les outils mathématiques, probabilistes et


économétriques facilitant au lecteur la compréhension des développements utilisés
tout au long du mémoire.

-3-
SOMMAIRE .

INTRODUCTION…………………………………………………………… 1

PARTIE I : Les fondements théoriques de mesure du risque de marché par la


Value at Risk

Introduction…………………………………………………………………… 4

Chapitre 1 : Risque de marché……………………………………………….… 5

Section 1 : Genèse des risques bancaires et notions du risque de marché …………….6

Section 2 : Mesures classiques du risque de marché……….........................................13

Section 3 : Présentation de la Value at Risk ……………............................................20

Chapitre 2 : Approches d’estimation de la VaR de la VaR du marché…………27

Section 1 : Approche locale……………………………………..…………………. 28

Section 2 : Approche générale…………………………………………………….…36

Section 3 : Discussion comparative des forces et faiblesses des

approches d’estimation de la VaR………………………………………………… 42

Conclusion…………………………………………………………….. 48

PARTIE II : Application de la VaR à la gestion d’un portefeuille de valeurs


mobilières

Introduction…………………………………………………………………… 49
SOMMAIRE .

Chapitre 1 : Processus de mise en place de la VaR du marché……………… 50

Section 1 : Pré requis au calcul de la VaR……………………………………… 51

Section 2 : Calcul de la VaR…………………………………………………………59

Section 3 : Evaluation de la robustesse du modèle VaR et discussion critique……… 66

Chapitre 2 : Application de la VaR au portefeuille de la CELIM……………. 72

Section 1 : Cadre général d’analyse de la VaR au sein de la CELIM……………… 73

Section 2 : Estimation de la VaR à l’aide de la méthode historique………………… 87

Section 3 : Poids des paramètres et validation de la VaR historique………………… 98

Conclusion…………………………………………………………….. 107

SYNTHESE ET SUGGESTIONS…………………………………………… 108

CONCLUSION………………………………………………………………113

BIBLIOGRAPHIE

ANNEXES

TABLES DES MATIERES


Les fondements théoriques de
mesure du risque de marché par la
Value at Risk
PARTIE I : Les fondements théoriques de mesure du risque de marché par la Value at Risk

D ans cette mondialisation où les capitaux circulent à


la vitesse de la lumière et où les opérateurs
économiques parient sur l’évolution des données et
intègrent toute sorte de rumeurs, nul n’est à l’abri du risque de
marché. En particulier, les banques, qui paraissent plus sensibles
que tout autre opérateur.

Ainsi, le banquier doit, plus que jamais, être conscient du


foisonnement des conséquences de ce risque qu’il convient de
mesurer et maîtriser. Pour ce faire, plusieurs méthodes lui sont
offertes. Parmi elles, la Value at Risk (VaR).
Composée de deux chapitres, cette première partie a pour
ambition de cerner la portée théorique de notre recherche. Le
premier chapitre se veut de retracer la notion du risque de marché
tandis que le second s’intéresse à sa mesure via la technique de la
Value at Risk.

-4-
Risque de marché
CHAPITRE 1 : Risque de marché

Dans un environnement en perpétuel mouvement se caractérisant par


une forte activité de négoce1, le risque de marché rarement évoqué dans le
passé, est devenu l’un des plus grands risques auxquels les banques font
actuellement face.

Ce chapitre développera alors les notions afférentes au risque de marché


et ses différentes approches de mesure, classique et moderne.

C’est ainsi que :

¾ La genèse des risques bancaires et les notions relatives au


risque de marché feront l’objet de la première section.

¾ La deuxième section mettra en exergue les techniques


classiques de mesure du risque de marché.

¾ La troisième section présentera la nouvelle approche de


modélisation de ce risque : la Value at Risk.

1
Il s’agit de l’activité de marché.

-5-
CHAPITRE 1 : Risque de marché

 
Section 1: Genèse des risques bancaires et notions
du risque de marché
 

Dans cette section, nous présentons les spécificités de l’entreprise bancaire qui la
rendent inhérente au risque et nous donnons une définition ainsi qu’une classification
de ce dernier avant de traiter quelques notions relatives au risque de marché.

1.1. Genèse des risques bancaires  

Les banques jouent une fonction macro-économique fondamentale consistant en le


financement de l'économie.

À l’instar de toute entreprise commerciale, leur souci est de maximiser leurs


profits afin de couvrir leurs charges et de rémunérer leurs actionnaires.

Toutefois, leur qualité d’intermédiation financière les distingue des autres


entreprises. Une banque est en effet une entreprise commerciale particulière.

D’abord, toutes ses opérations sont centrées autour d'un bien particulier, la
monnaie, à la fois sa matière première et son produit final.

Puis, sa structure financière est spécifique. D’une part, son passif est constitué
essentiellement de dettes donc de fonds provenant de tiers, d’autre part, son actif est
composé majoritairement de créances ou engagements sur la clientèle.

Enfin, son hors bilan1 comprend des engagements de financement ou de garantie,


reçus et/ou donnés aux différents segments de la clientèle et des opérations sur
instruments dérivés2.

Les banques sont également des entités toujours en adaptation à leur environnement
très mutant.

1
Le hors bilan désigne un actif, une dette ou une activité de financement ne figurant pas au bilan de l’entreprise, que
ce soit à l’actif ou au passif. Un exemple d’un engagement de hors bilan pour une banque, les garanties données et
reçues.
2
Un produit dérivé est un contrat dont la valeur est « dérivée » du prix d’autre chose, en général les actions, les
obligations ou matières premières.

-6-
CHAPITRE 1 : Risque de marché

Ainsi, en plus de leur activité traditionnelle, l'intermédiation, on assiste depuis


quelques années à l'apparition de nouveaux métiers (les métiers de marché) et à
l'extension d'autres (les prestations de services) et ce, suite aux mouvements de
désintermédiation et de déréglementation des marchés ayant enclenché de nombreuses
innovations financières.

En effectuant les activités susmentionnées, les banques sont exposées à une vaste
série de risques.

« Un risque correspond à l’occurrence d’un fait imprévisible –ou à tout le moins


certain- susceptible d’affecter les membres, le patrimoine, l’activité de l’entreprise et de
modifier son patrimoine et ses résultats »1. Selon que les changements observés sont
favorables ou non, le risque est source de profit ou de perte2.

Il existe plusieurs classifications des risques bancaires. Cependant, toutes les


banques tendent à adopter la classification du Comité de Bâle3 sur le contrôle
bancaire, qui distingue trois grandes catégories de risques (dans l’accord de Bâle II) :
le risque de crédit, le risque de marché et enfin le risque opérationnel.

Une étude de ces trois catégories de risques dans le corps d’un seul travail de
recherche demeure une tâche insurmontable. En fait, chacune peut faire l’objet d’une
recherche à part entière, nous nous intéressons à celle du marché.

1
Risque et contrôle du risque. Elie COHEN. P 308.
2
Le risque a un sens péjoratif, ainsi on s’intéresse uniquement au risque de pertes.
3
Créé en 1974 après la crise qui suivit la faillite retentissante de la banque allemande Herstatt, le Comité sur les
règles et pratiques de contrôle des opérations bancaires - dit Comité de Bâle - a vocation à prévenir le retour de tels
dangers grâce à la surveillance de l'activité bancaire internationale et à la fixation de normes prudentielles (Bâle I).
Toutefois, ce dispositif a été jugé insuffisant, et le Comité a planché sur un nouveau projet d'accord ("Bâle II") qui
pallierait les lacunes principalement reprochées au premier.

-7-
CHAPITRE 1 : Risque de marché

1.2. Notions du risque de marché  

Avant d’aborder la définition, les composantes et le processus de gestion du risque


de marché stricto sensu, nous voudrions énoncer quelques notions préliminaires qu’il
conviendra de garder à l’esprit dans les prochains développements.

1.2.1. Notions préliminaires  

Chaque fois qu’on parle du risque de marché ou de sa gestion on ne cesse


d’entendre quelques mots dont le sens doit être connu et maîtrisé. Ces notions sont le
portefeuille de négociation et le facteur de risque.

a. Portefeuille de négociation  

« Un portefeuille de négociation (trading book) est constitué d’instruments financiers


destinés à être revendus ou de positions ouvertes destinées à être débouclées ou inversées
à court terme en vue de la réalisation d’un bénéfice. »1

Contrairement à un portefeuille destiné à être conservé jusqu’à échéance, le


portefeuille de négociation est toujours évalué au travers sa valeur de marché ou
valeur liquidative. Cette évaluation est appelée le marquage au marché ou mark to
market en anglais.

b. Facteur de risque  

Au concept de risque de marché, il est essentiel d’associer la notion de facteur de


risque qui concourt à sa survenance ou plutôt qui favorise sa persistance à cause de
l’absence d’un système correcteur.

Le facteur de risque est la plus petite unité dont l’existence et/ou l’évolution futures
sont inconnues et imprévisibles aujourd’hui et qui sera en mesure d’influencer la
valeur de marché d’un portefeuille d’instruments financiers donné.

1
P.BERNARD, V. JOULIA, ,B. JULIEN-LAFERRIERE, J.TARDITS, mesure et contrôle des risques de marché,
Ed Economica, Paris, 1996, P 57.

-8-
CHAPITRE 1 : Risque de marché

1.2.2. Définition du risque de marché  

On entend par risque de marché stricto sensu le risque de pertes sur les positions de
bilan ou de hors bilan à la suite de mouvements défavorables de la valeur des
paramètres de marché1.

1.2.3. Composantes  

Le vocable du risque de marché au sens strict englobe les risques suivants: le risque
de taux ; le risque de change et le risque de variation de cours2.

a. Risque de taux  

Il représente pour une banque, le risque de voir sa valeur et ses résultats affectés
négativement suite à une évolution défavorable des taux d'intérêt liés à la détention
d’un actif financier.

b. Risque de change  

Le risque de change se définit comme l’incidence, sur le patrimoine et les résultats


d’une banque, de la variation défavorable des cours des monnaies étrangères dans
lesquelles sont exprimés les actifs financiers détenus.

c. Risque de variation des cours  

Ce risque résulte, pour un établissement détenteur d’un portefeuille d’actions et de


produits dérivés (options sur actions, sur indices boursiers…), d’une évolution
défavorable des cours boursiers qui engendre des pertes aussi bien au niveau du
rendement des actifs en portefeuille que sur leur valeur.

Dans le but de prévenir l’occurrence du risque, les banques se sont efforcées


d’établir un système fiable de gestion des risques, entre autres celui de gestion du
risque de marché.

1
On désigne par paramètres de marché un taux d’intérêt ou de change et un cours boursier. Ce sont les facteurs de
risque mesurables et observables.
2
Le risque de variation de cours comprend implicitement le risque sur actions et sur produits dérivés.

-9-
CHAPITRE 1 : Risque de marché

1.2.4. Management du risque de marché  

À l’instar de tout risque, la gestion du risque de marché implique une démarche


rationnelle pour l’identifier, le mesurer, l’analyser et mettre en place les parades les
plus efficaces. Une fonction bancaire récemment instaurée a un rôle clé dans cette
démarche. Il s’agit du Risk Management1.

a. Définition du Risk Management  

Le Risk Management est défini comme étant l’ensemble des techniques permettant,
d’un côté, d’étudier les facteurs quantifiables ou non qui sont susceptibles d’impacter
le rendement et la valeur de la banque, et de l’autre côté d’apporter des solutions
techniques et stratégiques afin de combattre ces facteurs.

b. Risque de marché au sein du Risk Management  

Le processus de gestion du risque de marché au sein du Risk Management passe


par les étapes suivantes: relevé des facteurs de risque ; quantification du risque;
analyse, décision et planification des mesures ; gestion opérationnelle et surveillance
du risque et enfin le reporting du risque de marché.

b.1. Relevé des facteurs de risque  

Comprendre l’origine du risque, c’est se donner les moyens de le réduire. Le risque


global d’un portefeuille, pour être analysé, compris et modélisé doit être avant toute
chose décomposé en risques plus élémentaires (facteurs de risque).

En effet, toute tentative de gestion du risque de marché au sens strict passe dans
une première étape par une analyse aussi fine que possible des positions contenues
dans les portefeuilles de négociation.

1
La notion de Risk Management a deux emplois. Tantôt on l’utilise comme une fonction bancaire tantôt comme une
structure qui effectue cette fonction.

- 10 -
CHAPITRE 1 : Risque de marché

b.2. Quantification du risque de marché  

Détecter les sources du risque sans pour autant en connaître l’ampleur est sans
doute une information stérile.

Savoir comment évoluerait son portefeuille en cas de décalage des marchés est
depuis longtemps une demande récurrente des asset managers.

La mesure du risque de marché s’est peu à peu répandue ces dernières années
notamment avec l’implémentation du Risk Management où la mission principale est
la réévaluation quotidienne aux prix du marché (mark to market) de toutes les
positions et l’appréhension de ce risque par un arsenal d’outils dont il dispose.

 b.3. Analyse, décision et planification des mesures1  

Avant de prendre toute décision concernant le risque préalablement identifié et


quantifié, il convient de s’interroger sur quelques éléments : Pour quoi la fréquence de
survenance du risque est-elle élevée ? Pour quoi la conséquence de l’événement est-
elle si élevée ? Est-il possible de la diminuer ? Avec quelles mesures et pour quels
coûts ?

En fonction du résultat de cette analyse, les mesures qui peuvent être prises sont,
entre autres, le renforcement du contrôle interne et le développement de nouveaux
outils de gestion. La mesure, une fois prise, doit se traduire par une stratégie de
suppression, de réduction ou de maintien du risque.

Enfin, cette décision doit faire l’objet d’un plan et d’un budget avec notamment les
délais et le responsable de la mise en œuvre et du suivi.

b.4. Gestion opérationnelle et surveillance du risque de marché 

La gestion opérationnelle du risque de marché consiste en une gestion au quotidien


des opérations dans le cadre des politiques, limites et procédures fixées. Elle est
réalisée par la salle des marchés1.

1
Il s’agit des mesures à prendre.

- 11 -
CHAPITRE 1 : Risque de marché

Ce cadre doit faire l’objet d’un suivi et d’une surveillance d’une manière constante.
Tout dépassement doit être signalé, ses raisons et conséquences doivent être établies
et évaluées.

b.5. Reporting du risque de marché 

Le reporting est l’aboutissement logique de tout processus. Les résultats de la


gestion du risque de marché sont appréciés dans des rapports synthétiques et
analytiques : montant du risque, rentabilité, actions engagées et dépassements
éventuels.

En présentant les étapes du processus de Management du risque de


marché nous pouvons facilement nous rendre compte que l’enjeu de la
quantification du risque de marché est de taille dans la mesure où elle
permet de mettre en place des parades destinées à le limiter.

Pour cela nous avons jugé nécessaire de consacrer la prochaine section à


la mesure du risque de marché.

1
La salle des marchés est un lieu qui regroupe différents services spécialisés permettant aux banques d’intervenir
sur les marchés de capitaux nationaux et internationaux. Ce lieu possède d’autres noms : Dealing Room,
Trésorerie…

- 12 -
CHAPITRE 1 : Risque de marché

  Section 2: Mesures classiques du risque de marché

La présente section s’intéresse à l’approche simpliste1 de l’évaluation de chaque


composante du risque de marché.

2.1. Présentation des mesures 

2.1.1. Risque de taux d’intérêt  

Le risque de taux est la principale composante du risque de marché. Il touche


essentiellement les obligations.

La mesure du risque associé à une position de taux fait recours aux méthodes de
sensibilité, de duration et de convexité.

a. Sensibilité  

Le prix d’un actif est évalué par la somme actualisée des cashs flows futurs qui lui
sont associés :

n
CFt
P=∑  
t =1 (1 + r ) t

Avec CFt le cash flow de l’année t ; r le taux de rendement et n la maturité.  

Le risque de variation du prix (P) peut être mesuré par la dérivée de P par rapport à
∂P
r, soit :
∂r

∂P 1 n t CFt
∂r
=− ∑
1 + r t =1 (1 + r ) t
 

1
Il s’agit de l’approche classique.

- 13 -
CHAPITRE 1 : Risque de marché

On appelle sensibilité, notée S, le rapport entre la variation relative1 du prix de


l’instrument et la variation absolue du taux de rendement r, soit :

1 n t CFt 1
S =− ∑
(1 + r ) t =1 (1 + r ) P
t
× (1)

Elle mesure la variation en pourcentage du prix de l’obligation induite par une


variation unitaire (1%) du taux d’intérêt.

Le signe (-) de l’expression (1) désigne la relation inverse entre le prix d’une
obligation et son taux de rendement. Sachant cette relation, on considère la sensibilité
comme étant la valeur absolue du rapport précédent :

n
1 t CFt 1
S= ∑ ×
(1 + r ) t =1 (1 + r ) t P
(2)

b. Duration  

Comme le prix (P) de l’instrument est égal à la somme actualisée des cashs flows,
CFt 1
on peut interpréter chaque élément × de l’équation (2) comme le poids
(1 + r ) P
t

relatif du cash flow de l’année (t) dans le prix total de l’actif (P).

n
t CFt 1
Le terme ∑ (1 + r )
t =1
t
×
P
est par conséquence la durée de vie moyenne actualisée de

tous les flux (intérêts et capital) générés par l’instrument. Elle est appelée duration,
notée (D).

On écrit alors :

n
t CFt 1
D=∑ ×
t =1 (1 + r )t P

1 ∂P
La variation relative du prix de l’instrument est donnée par
P

- 14 -
CHAPITRE 1 : Risque de marché

A l’issue de l’horizon D, quelque soit l’évolution des taux d’intérêt, la valeur


globale du portefeuille reste la même et l’investisseur aura dégagé sur son
investissement un taux de rentabilité égal au taux actuariel annoncé au moment de
l’émission. On dit alors que le portefeuille est immunisé.

L’immunisation vient de la compensation à l’instant D des risques de


réinvestissement et de capital1.

La duration est comprise entre 0 et n (la maturité de l’instrument). Elle est


d’autant plus grande que les flux actualisés de montant élevé sont concentrés vers
l’échéance.

La duration d’une obligation zéro coupon2 équivaut à sa maturité puisque son prix
est égal au seul flux final actualisé.

d. Convexité  

La sensibilité et la duration sont des mesures de risque exprimées sous forme d’une
dérivée première.

Elles ne sont donc acceptables que sous l’hypothèse d’une variation infiniment
petite du taux de rendement. Dés que la variation de taux s’éloigne de zéro (0), la
mesure de risque doit intégrer l’effet de la variation de la dérivée première, mesuré
par la dérivée seconde.

Pour y remédier, on fait alors appel à la dérivée seconde du prix par rapport au taux
de rendement qu’on appelle convexité, notée C. Elle s’exprime comme suit :

1 ⎡n (t + t 2 ) ⎤
C= ⎢∑ CFt ⎥ 
(1 + r ) 2 ⎣ t =1 (1 + r ) t ⎦

1
Le risque de taux d’intérêt comprend deux risques qui s’opposent. Le risque de réinvestissement correspond au
risque de réinvestir les coupons voire le montant de remboursement à un taux défavorable, le risque de capital quant
à lui est le risque de perte en valeur lors de la réalisation du titre avant l’échéance en raison de la relation inverse
entre le prix et le taux de rendement.
2
L’obligation zéro coupon permet à l’investisseur de se protéger contre le risque de réinvestissement puisqu’il n’y a
de versement des coupons qu’à l’échéance.

- 15 -
CHAPITRE 1 : Risque de marché

Source : ESCH KIFFER et LOPEZ, Value at Risk, Ed De Boeck, Bruxelles, 1997, page 61
P(r)

r
Figure 1.1 : Prix d’une obligation

Le signe positif de la convexité signifie qu’en cas de hausse des taux, le prix de
l’instrument diminue mais la baisse est de plus en plus faible. En cas de baisse des
taux, le prix augmente et la hausse est de plus en plus forte.

2.1.2. Risque de change  

Le risque de change est mesuré par la position de change qui est le solde net des
avoirs dans une devise déterminée. Cet avoir net est l’expression du risque de change.

La notion d’avoir net est cernée par une approche patrimoniale, illustrée par un
bilan qui est une photographie du patrimoine à un instant t. Ce bilan est subdivisé en
devises et chaque devise constitue un patrimoine autonome.

2.1.3. Risque de variation des cours 

Ce risque est lié à la détention d’un portefeuille d’actions et de produits dérivés.

a. Risque lié aux actions  

Le risque d’une action vient de la volatilité de sa rentabilité donnée par :

C t +1 − C t + D t +1
Rt =  
Ct

- 16 -
CHAPITRE 1 : Risque de marché

Plus la volatilité est élevée plus le risque est élevé et inversement.

Selon la théorie de Markowitz, la mesure statistique adéquate de la dispersion des


rendements (Rit) autour de la rentabilité moyenne ( Ri ) est la variance ( σ 2 ) ou sa
racine carré (l’écart type σ ). Elle est exprimée comme suit :

1 T
σi = ∑ ( Rit − Ri )  
2

T t =1

Un autre modèle plus récent, connu sous l’acronyme MEDAF (Modèle d’Equilibre
Des Actifs Financiers) a été développé par Sharpe et Lintner.

Ce modèle exprime le risque d’un titre de propriété par le Bêta donné par :

cov( Rm , R j )
Bj =
σ 2 ( Rm )  

Où cov (Rm, Rj) est la covariance entre le rendement du marché (Rm) et le


rendement de l’actif j. Elle mesure le degré de liaison linéaire1 entre ces deux
rendements.

Le Bêta (Bj) représente la quantité du risque d’un titre. Le marché boursier dans son
ensemble a un Bêta égal à l’unité, les titres qui réagissent plus que la moyenne ont un
Bêta supérieur à l’unité tandis que les titres moins réactifs ont un Bêta inférieur à 1.

b. Risque sur produits dérivés  

L’utilisation des produits dérivés a connu un développement exponentiel que ce


soit pour des fins de spéculation ou de couverture. L’un des produits dérivés les plus
utilisés est l’option.

1
La relation linéaire est souvent exprimée par le coefficient de corrélation au lieu de la covariance. Celui-ci est
cov( Ri , R j )
formulé ainsi : ρ ij =
σ iσ j

- 17 -
CHAPITRE 1 : Risque de marché

L’option est un contrat entre deux parties par lequel l’une accorde à l’autre le droit
(mais non l’obligation) de lui acheter (option d’achat ou call) ou de lui vendre (option
de vente ou put) un actif financier (actif sous jacent), moyennant le versement d’une
prime (premium)1. L’achat (ou la vente) de cet actif se fera à un prix déterminé (prix
d’exercice ou strike), durant une période (période d’exercice pour les options
américaines) ou à une date précise (date d’exercice pour les options européennes).

Le prix de l’option (la prime) dépend de nombreux facteurs à savoir le prix spot du
sous jacent à l’instant t (St), le prix d’exercice de l’option (K), la durée restant à courir
jusqu’à l’échéance de l’option (T-t), la volatilité du rendement du sous jacent ( σ R ) et
le taux de l’actif sans risque (RF). Il s’écrit comme suit :

Pt = f ( S t , K , T − t , σ R , RF )  

Le risque associé à une option est alors lié aux fluctuations qui peuvent provenir
des variations de chacun des facteurs déterminant le prix de l’option. Pour se
prémunir contre ce risque, le concerné doit se servir des différentes sensibilités
appelées : les greeks.

Les greeks (grecques) sont des dérivées du prix de l’option par rapport à ses
différents facteurs. Ils sont appelés greeks parce qu’ils sont représentés par des lettres
grecques2.

Le coefficient Delta ( Δ ) représente la variation du prix de l’option par rapport à la


variation du prix de l’actif sous-jacent.

Un autre coefficient exprime la sensibilité du prix de l’option par rapport à celui du


sous jacent, mais au second ordre cette fois. C’est le Gamma ( Γ ) d’une option qui se
définit comme la variation du ( Δ ) par rapport à celle de l’actif sous-jacent.

Le coefficient suivant est le Thêta d’une option, noté ( θ ). Il désigne la sensibilité


du prix de l’option par rapport à une variation de la durée de vie de l’option.

1
P. VERNIMMEN, Finance d’entreprise, Ed Dalloz, Paris, 1998, P 435, 436, 437, 438.
2
Exception faite du Véga qui bien que considéré comme greek n’est pas une lettre grecque.

- 18 -
CHAPITRE 1 : Risque de marché

Le Véga (V) d’une option équivaut à la variation de son prix par rapport à la
volatilité du rendement de l’actif sous jacent.

Enfin le Rho ( ρ ) d’une option représente la sensibilité de son prix à la variation du


niveau des taux d’intérêt.

2.2. Limites des mesures  

Chacune de ces mesures précitées est consacrée à une catégorie particulière


d’instruments financiers : l’écart type et le Bêta pour les actions ; la sensibilité, la
duration et la convexité pour les obligations ; les greeks pour la quantification du
risque des options. Toutefois, quelque soit leur importance dans l’appréhension du
risque, elles restent sujettes à certaines limites qu’il convient de mettre en relief.

D’abord, la variance considère de la même façon le risque de baisse et le risque de


hausse, alors que les investisseurs redoutent seulement les baisses.

De plus, son utilisation suppose que les rendements sont distribués suivant une loi
normale, une hypothèse que dément la réalité.

Aussi, aucune des mesures sus énoncées ne spécifient quelle perte subit le détenteur
du titre ni avec quel niveau de probabilité.

Enfin, ces mesures, considérées individuellement peuvent aider l’investisseur à


prendre des décisions sur le marché mais aucune d’entre elles ne peut lui servir
d’indicateur global du risque de son portefeuille.

La présentation des mesures classiques de quantification du risque de marché


révèle leur insuffisance dans un environnement en perpétuelle mutation. Il est donc
utile de mettre au point un indicateur qui pallierait ces inconvénients.

La prochaine section sera réservée à la présentation de cet indicateur.

- 19 -
CHAPITRE 1 : Risque de marché

 
Section 3: Présentation de la Value at Risk
Une technique moderne de mesure du risque de marché
 

La complexité actuelle des marchés financiers ne laisse guerre place à l’utilisation


des méthodes classiques pour la mesure du risque de marché. Ceci a donné naissance
à une mesure pragmatique de ce risque: la Value at Risk, objet de la présente section.

3.1. Historique  

La Value at Risk1 a vu le jour lorsque le président de la banque américaine J.P.


Morgan2, Denis Weatherstone, a demandé un rapport journalier résumant l’exposition
de la banque au risque de marché en estimant les pertes potentielles pour le
portefeuille de négociation sur les prochaines 24 heures.

Dans cette perspective, un outil d’agrégation des risques des différentes positions
sous une forme uniforme, à savoir la VaR, a été intégré dans le système interne de
cette banque et les adjoints ont décidé dés lors d’automatiser la tâche pour répondre à
la demande quotidienne de leur patron.

La méthodologie de quantification du risque de marché auquel sont sujets les


portefeuilles: RiskMetrics3, lancée en automne 1994 par J.P. Morgan Bank, a donné
ses lettres de noblesses à la VaR et a eu le mérite de devenir un benchmark pour la
mesure et la gestion du risque de marché, voire l’ensemble des risques auxquels une
institution est soumise. Nous assistons ainsi à un véritable essor de la Value at Risk
comme mesure idoine des risques qu’ils soient de crédit, de marché ou opérationnels.

1
Dans les prochains développements on inscrit en abrégé VaR au lieu de Value at Risk.
2
Cette banque a été fondée en 1828.
3
C’est un logiciel d’aide à la décision qui permet de mesurer le risque sur les marchés financiers. Il a été
commercialisé en 1994 et est vite devenu une référence mondiale. Son succès fut tel que, maintenant, RiskMetrics
est aussi le nom d’une filiale de J.P Morgan qui s’occupe de faire évoluer le logiciel.

- 20 -
CHAPITRE 1 : Risque de marché

3.2. Définition1  

La VaR est un nombre exprimé en unités monétaires représentant le montant de


pertes maximum2, estimé sur une période donnée, qu’un établissement pourrait subir
sur son portefeuille, fut- il multidevises et multi produits, à la suite de mouvements
adverses des facteurs d’un marché fonctionnant dans des conditions normales3 et ce
pour un horizon temporel précis et avec une probabilité d’occurrence donnée.

Elle permet de répondre à la question suivante : « combien l’établissement peut-il


perdre avec une probabilité q et pour un horizon de temps h fixé ? ».

Les composantes de cette définition mettent en exergue la dépendance de la VaR de


certains paramètres qui sont indispensables à son interprétation.

3.3. Paramètres  

La VaR dépend de trois paramètres :

9 La distribution des profits et pertes (P&L) du portefeuille4.

9 Le niveau de confiance.

9 L’horizon temporel.

3.4. Interprétation5  

Si le montant de la VaR d’un portefeuille à 99% et sur un horizon de temps de 2


jours est de l’ordre de 4000 DA, cela signifie que si la composition du portefeuille ne
change pas durant les 48 heures et que les conditions de marché restent normales, il y
a 99% de chances pour que la perte sur les 2 jours soit inférieure à 4000 DA.
1
A noter que la Value at Risk est calculée sur un portefeuille dont la composition reste stable durant l’horizon
choisi.
2
Le montant de pertes maximum compte tenu du seuil de confiance choisi.
3
Par conditions normales, on entend notamment un marché liquide ayant un volume transactionnel suffisant.
4
Dans les prochains développements, on parle à chaque fois de la VaR du portefeuille. En réalité, il s’agit de la VaR
du portefeuille ou de l’actif qui le compose.
5
Il s’agit d’un exemple d’interprétation de la VaR du marché puisque à coté de cette dernière il existe la VaR du
crédit et OP-VaR (la VaR du risque opérationnel).

- 21 -
CHAPITRE 1 : Risque de marché

Toutefois, le portefeuille perdrait plus de 4000 DA si les événements exceptionnels


devaient se produire. Notons que la perte totale fait partie de ces derniers.

3.5. Périmètre d’application  

Bien que popularisée pour la mesure des risques, la technique VaR trouve sa place
peu à peu dans deux autres domaines.

3.5.1. Value at Risk : outil d’allocation des fonds propres 

Indépendamment de toute réglementation, les banques ont besoin de fonds propres


de manière à couvrir toutes les dépenses nécessaires à leur établissement et leur
lancement. En cas de faillite, ces fonds propres jouent également un rôle de
coassurance pour les déposants. De leur côté, les régulateurs bancaires imposent de
détenir des fonds permettant d’absorber les pertes issues des fluctuations adverses.

La problématique générale de l’allocation des fonds propres est double. Il s’agit,


pour le dirigeant, d’évaluer d’abord le montant des fonds propres nécessaire pour
couvrir l’activité globale dans le but d’éviter notamment la faillite et ensuite de
trouver une clé de répartition de ces ressources entre les différentes branches qui
composent son activité. La détermination de la source du risque d’un produit et du
capital de couverture correspondant est, en conséquence, un préalable impératif à
toute approche d’allocation de fonds propres. Par exemple, dans le cadre de l’activité
de marché, le comité de Bâle propose deux approches.1

Toutefois, les banques qui sont très averses au coût élevé des fonds propres ont fait
pression sur leurs autorités pour qu’elles admettent leur VaR comme outil d’allocation
des fonds propres en estimant pouvoir aboutir, grâce à cette dernière, à un capital de
couverture plus faible.

1
Le menu d’options pour la mesure du risque de marché comprend l’approche standardisée et l’approche des
modèles internes.

- 22 -
CHAPITRE 1 : Risque de marché

Ces autorités ont finalement accepté l’utilisation des modèles internes pour le
calcul de l’exigence en fonds propres mais ont imposé des conditions très dures1.

3.5.2. Value at Risk: outil du Corporate Governance 

L’utilisation de modèles internes axés sur la Value at Risk permet de mieux


gouverner l’entreprise. En effet, les actionnaires mandatent des dirigeants pour gérer
leurs fonds. Un actionnaire est, comme le veut la rationalité, très averse au risque, il
veut en fait être informé de tout ce qui est susceptible d’altérer sa richesse. La Value
at Risk, de par sa simplicité et la masse importante d’information qu’elle véhicule en
un seul chiffre, constitue par excellence le premier signal aux yeux d’un actionnaire.

Aussi, grâce à la Value at Risk, la mise en place d’un système d’information


permettant de localiser l’exposition aux risques par niveau de responsabilité et par
activité est très possible.

3.6. Utilisateurs  

Si l'application la plus répandue de la VaR reste celle consacrée au risque de


marché dans le secteur bancaire, il n'en demeure pas moins que l’intérêt grandissant
de cet outil tente de le rendre universel et qu’il soit adapté et utilisé par d'autres types
d'institutions : les OPCVM, les compagnies d'assurance, les entreprises non
financières voire les personnes physiques.

3.6.1. Banques  

Conscientes de l’ampleur des dommages que causerait l’effondrement du système


bancaire, les banques ont consacré d’importants moyens au développement de
systèmes internes de gestion des risques basés sur la VaR.

1
L’exigence en fonds propres calculée par cette méthode est donnée par :
j −1
FP = max(VaR j , (3 + complément ) × ∑ VaR j ) Le complément est directement lié aux performances du
j − 60
modèle, évaluées à posteriori. Il peut être nul si le modèle a un failure rate faible. La VaR réglementaire est
calculée pour un horizon de temps quotidien, un seuil de confiance de 99% et un historique d’au moins une année.

- 23 -
CHAPITRE 1 : Risque de marché

Cette notion très abondante dans les banques trouve sa place dans les différentes
branches composant leur activité à savoir : le Risk Management, la salle des marchés,
l’inspection et l’audit interne et le comité de Gestion Actif Passif (ALM).

La vulnérabilité du système bancaire et sa spécificité justifient alors le leadership


des banques quant à l’utilisation de cette technique (VaR).

3.6.2. OPCVM1  

Dans la gestion de leurs portefeuilles, les OPCVM calculent la Value at Risk en


continu. Ce sont, avec les banques, les utilisateurs par excellence de la VaR. Le calcul
et le suivi permanent de cette technique fournissent une mine d’informations très
utiles pour la gestion des risques et servent de repère pour mener une bonne stratégie
de gestion de portefeuilles.

3.6.3. Compagnies d’assurance  

Toute la philosophie du métier d’assureur est axée sur le calcul de probabilité


d’occurrence d’événements spécifiques. Il doit alors constituer des fonds propres pour
couvrir les risques auxquels la compagnie est exposée.

Pour faire face à ces péripéties de l’incertain, les compagnies d’assurance doivent
disposer d’outils modernes de gestion dont la VaR. Cet instrument est capable de leur
assurer une mesure fiable des risques et une allocation optimale des fonds propres
nécessaires.

3.6.4. Entreprises non financières  

D’emblée, la VaR semble peu appropriée comme outil de gestion des risques des
entreprises non financières puisque ces dernières ne disposent pas d’un portefeuille de
négociation très liquide et évalué à sa valeur de marché. Comme les banques, ces
entreprises sont confrontées à une multitude de risques financiers provenant de la
volatilité croissante des marchés sur lesquels elles opèrent.

1
Organismes de Placement Collectif en Valeurs Mobilières.

- 24 -
CHAPITRE 1 : Risque de marché

Pour y faire face, ces entreprises ont recours aux produits dérivés dans toutes leurs
formes. Or, l’utilisation de ceux-ci fait automatiquement appel aux calculs de la VaR.

3.6.5. Personnes physiques  

Comme le veut la rationalité, toute personne agissant dans le monde incertain


maximise son rendement en prenant un minimum de risque.

Autrefois, l’investisseur s’intéressait au concept statistique de l’écart type comme


mesure du risque. A l’heure actuelle, il calcule la VaR de son portefeuille pour mieux
s’orienter vers les bonnes décisions, notamment la VaR incrémentale1 qui constitue un
indicateur phare d’optimisation de la gestion de son portefeuille.

De la présentation d’un bref historique de la Value at Risk, nous


sommes passés à sa définition qui fait ressortir ses paramètres et son
interprétation avant d’aboutir à l’exposition de ses différents emplois qui
n’ont cessé de séduire un nombre croissant d’utilisateurs.

Ce sont tant de notions générales qui nous permettent de nous forger


une idée globale sur la technique VaR.

1
Voir section 2 du chapitre 1 de la partie II.

- 25 -
CHAPITRE 1 : Risque de marché

Plusieurs techniques classiques de quantification sont utilisées


pour se prémunir contre le risque de marché inhérent à l’activité
bancaire.

Compte tenu de leur insuffisance sur les marchés actuels offrant


une gamme très diversifiée d’instruments financiers, une technique
moderne, à savoir la Value at Risk, a été convoitée par l’ensemble
des opérateurs économiques.

Les notions décrites dans ce chapitre constituent des outils


nécessaires à la compréhension de la façon dont est estimé le chiffre
VaR afin de quantifier le risque de marché. Cette estimation fera
l’objet du deuxième chapitre.

- 26 -
Approches d’estimation de
la VaR du marché
CHAPITRE 2 : Approches d’estimation de la VaR du marché

Asseoir un dispositif1 VaR performant dans le système interne de


gestion du risque de marché repose sans doute sur une estimation adéquate
de la VaR.

Cette dernière nécessite la construction de la distribution de la variable


aléatoire « P&L» à l’issue de l’horizon de temps2 choisi. Pour ce faire, il
existe différentes méthodes allant des plus simples aux plus complexes,
réparties en deux grandes catégories.

Il s’agit des approches locale et générale, objets du présent chapitre.

Notre souci n’étant pas de présenter une étude détaillée de celles-ci mais
tient à décrire pour chacune son principe et hypothèses, sa procédure de
mise en œuvre avant d’aboutir à une critique de ces approches.

Au travers des trois sections constituant ce chapitre, nous allons traiter:

¾ L’approche locale dans une première section.

¾ La deuxième section mettra en évidence l’approche générale

¾ Une discussion comparative entre ces deux approches sera présentée


dans la troisième section.

1
Voir processus de mise en place d’un dispositif VaR dans le prochain chapitre.
2
Voir section 3 du chapitre 1 de la présente partie.

- 27 -
CHAPITRE 2 : Approches d’estimation de la VaR du marché

Section1: Approche locale  


 
 
 

L’approche locale est manifestement l’approche qui a donné ses lettres de noblesse
à la VaR et qui a assuré sa promotion.

1.1. Principe et hypothèses  

L’approche locale comprend des techniques dites d’évaluation partielle pour


lesquelles la distribution réelle de la variable aléatoire considérée (P&L) est inconnue.
Une distribution paramétrique qui s’ajuste le plus possible aux données est alors
utilisée. Il s’agit d’une méthode probabiliste dans laquelle les facteurs de risque sont
modélisés par des variables aléatoires distribuées suivant une loi théorique dépendant
d’un nombre limité de paramètres1. Elle inclut la méthode analytique de la matrice des
variances covariances. Cette dernière, employée par J.P.Morgan Bank dans sa
méthodologie RiskMetrics, tire son nom du fait qu’elle mesure la VaR en se basant
sur l’estimation de la matrice des variances covariances des rendements2 des actifs
composant le portefeuille.

Cette approche pose trois hypothèses qui permettent de simplifier fortement


l’estimation de la VaR et de la tirer ensuite d’une formule finale unique. Il s’agit de :

9 La stationnarité ; par laquelle les paramètres mesurés sur la distribution


observée des variations de prix sont de bonnes estimations de ces mêmes paramètres
inconnus pour l’horizon considéré.

9 La normalité3 ; les variations des variables de marché sont distribuées suivant


une loi normale.

1
Il s’agit notamment de la loi normale.
2
Il faut garder à l’esprit que dans les prochains développements on utilise les notions : prix, variation de prix et
rendements.
3
Voir annexe n°1.

- 28 -
CHAPITRE 2 : Approches d’estimation de la VaR du marché

9 La linéarité1 ; la variation de la valeur de marché d’une position s’exprime


comme une combinaison linéaire des facteurs de risque.

1.2. Procédure  

La mise en œuvre de la méthode de variances covariances passe par trois étapes : le


relevé des facteurs de risque et collecte de données ; le mapping des facteurs de risque
et l’extraction de la VaR gaussienne.

1.2.1. Relevé des facteurs de risque et collecte de données  

L’étape préliminaire de l’approche paramétrique2 consiste à exprimer chaque


position du portefeuille en fonction d’un ou plusieurs substituts uniquement sensibles
à un seul facteur de risque.

Considérons par exemple un investisseur américain détenant une obligation zéro


coupon en Euro. Celui-ci a implicitement une position en devises soumise au risque
de change USD/EUR et une seconde sensible aux variations du taux zéro coupon.

Cette étape est cruciale dans la mesure où la décomposition d’un actif en plusieurs
facteurs de risques assure une grande précision des résultats, mais elle est coûteuse en
termes de moyens de calcul et en données nécessaires pour alimenter le modèle.

Pour justifier nos propos, nous allons dans ce qui suit donner l’intuition générale
des modèles3 de décomposition des instruments financiers4.

9 Les positions en actions sont exprimées en termes des indices boursiers des
devises principales.

1
Voir annexe n°2.
2
L’approche locale est dite aussi paramétrique, analytique, gaussienne.
3
Voir annexe n°2 sur les modèles économétriques
4
La décomposition décrite est dite représentative. Il existe une autre décomposition quantitative qui consiste à
identifier un certain nombre de facteurs clés par l’analyse des composantes principales ou par l’analyse factorielle.

- 29 -
CHAPITRE 2 : Approches d’estimation de la VaR du marché

9 Les postions en titres à revenu fixe sont décomposées en somme d’obligations


zéro coupons. Ce genre de décomposition touche particulièrement les obligations, les
swaps et les futures de taux d’intérêt.

9 Les positions de change quant à elles sont mesurées par les deux (02) montants
faisant l’objet de la transaction, ces deux cashs flows étant liés par le taux de change
des deux devises considérées. Le même type de raisonnement est valable pour les
swaps de change.

Une fois les facteurs de risque élémentaires sont relevés, une collecte de données
leur correspondant intervient.

Les données -souvent des observations historiques- sont collectées sur les taux de
change des devises principales, quelques points des courbes de taux d’intérêts, les
indices boursiers, les prix et les sensibilités (les deltas) des positions ayant un
comportement non linéaire1.

1.2.2. Mapping des facteurs de risque  

Chacun des facteurs de risque élémentaires auxquels les positions du portefeuille


ont été décomposées est un cash flow caractérisé par un certain montant, exprimé
dans une certaine devise et payé à une certaine date.

La VaR calculée par cette méthode nécessite l’estimation de la variance de la perte


du portefeuille déterminée à partir des variances de tous les facteurs de risques et leurs
corrélations deux à deux. Il est quasi impossible de calculer pour chaque instrument
les éléments univariés et bivariés des facteurs de risques, pour un portefeuille
comprenant un grand nombre d’instruments et un nombre considérable d’échéances.

Pour surmonter ce problème, la technique de mapping des cashs flows a été mise en
place. Elle consiste à réduire tous les instruments en prêts-emprunts et à regrouper
dans des échéances standard les cashs flows exprimés dans les principales devises.

1
Voir section 2 du chapitre 1 de la prochaine partie.

- 30 -
CHAPITRE 2 : Approches d’estimation de la VaR du marché

Dans ce cadre, RiskMetrics fournit les données nécessaires à l’estimation de la


matrice de variances covariances des facteurs de risque (taux zéro coupon, les
volatilités et les corrélations). Il utilise 14 maturités standard1 des instruments à taux
fixe, 30 devises des positions de change et 30 indices boursiers nationaux pour les
actions.

La technique de mapping intervient uniquement lorsque l’échéance du cash flow


considéré ne coïncide pas avec une échéance standard. Ainsi, l’approche est basée sur
la répartition de ce cash flow entre deux échéances standard, une directement
supérieure et une directement inférieure.

Prenons par exemple un cash flow de valeur actuelle (V0) (l’actualisation se fait à
la date où la VaR est calculée) et de maturité t0. Cette valeur V0 doit être répartie entre
les échéances standard t1 et t2 avec t1< t0 < t2.

V0
Echéances réelles
t0

V1 V2
Echéances standard
t1 t2

Figure 2.1 : Le Mapping

Dans ce cadre, une question majeure intervient : comment déterminer la valeur


actuelle V1et V2 des cashs flows associés aux échéances standard ?

La répartition de V0 entre V1 et V2 peut se faire par plusieurs méthodes, entre


autres : le mapping élémentaire et le mapping selon RiskMetrics2.

1
Dans son système, RiskMetrics utilise 14 échéances standard : 1, 3, 6, 12 mois et 2, 3, 4, 5, 7, 9, 10, 15, 20 jusqu’à
30 ans.
2
Pour plus de détails, se référer au livre ESCH L., KIFFER R., LOPEZ T., Value at Risk: Vers un Risk
Management moderne, Ed De Boeck & Larcier s.a., Bruxelles, 1997.

- 31 -
CHAPITRE 2 : Approches d’estimation de la VaR du marché

a. Mapping élémentaire  

Dans le mapping élémentaire, l’institution prend en considération deux (02)


principes financiers :

9 La conservation de la valeur actuelle :

V0 = V1 + V2 (1)  

9 La conservation de la duration1 :

t 0 × v0 = t1 × v1 + t 2 × v 2 (2)

La résolution du système d’équation composé des deux relations (1) et (2) à deux
inconnues (V1, V2) donne le résultat suivant :

t 2 − t0 t0 − t1
V1 = × V0     V2 = × V0  
t2 − t1 t2 − t1

Exemple :2 

Considérons un cash flow dont l’échéance est de t0= 12 ans et de montant 1000 (à
ce moment là). Les échéances standard voisines sont t1= 10 ans et t2= 15 ans et nous
supposons que les taux d’intérêt pour ces deux durées sont r1= 7% et r2= 8%.

Par interpolation linéaire, nous pouvons déterminer le taux correspondant à


l’échéance de 12 ans, soit r0= 7,4%.

La valeur actuelle du cash flow est :

V0 = 1000 (1 + r0 ) −12 = 1000.(1,074) −12 = 424,57

1
Voir section 2 du chapitre 1 de la présente partie.
2
ESCH L., KIFFER R., LOPEZ T., Value at Risk: Vers un Risk Management moderne, Ed De Boeck & Larcier
s.a., Bruxelles, 1997, P 116. Il concerne les produits de taux.

- 32 -
CHAPITRE 2 : Approches d’estimation de la VaR du marché

Les valeurs actuelles réparties seront donc :

15 − 12 12 − 10
V1 = ( 424 , 57 ) = 254 , 74 et V 2 = ( 424 , 57 ) = 169 , 83
15 − 10 15 − 10

Notons enfin que :

R 0V 0 = R 1V 1 + R 2V 2

Avec R0, R1, R2 sont les returns associés à chaque cash flow. Ceci nous permet de
dégager la forme de la variance des rendements des cashs flows qui s’écrit :

σ 2 0 × V0 2 = σ 12 × V12 + σ 2 2 × V2 2 + 2 × σ 1 × σ 2 × ρ12 × V1 × V2 (3)

En raison de l’existence du coefficient de corrélation1, l’écart type déterminé par la


relation (3) issue du mapping élémentaire peut être sous-estimé. Cette sous-estimation
influe fortement sur la VaR gaussienne puisque celle-ci est déterminée à partir de
l’écart type. Pour cela, une autre méthode proposée par RiskMetrics est mise en place.

b. Mapping selon RiskMetrics  

Cette technique se base sur deux principes:

V0 = V1 + V2

σ 2 0 × V0 2 = σ 1 2 × V1 2 + σ 2 2 × V2 2 + 2 × σ 1 × σ 2 × ρ12 × V1 × V2

Comme pour le mapping élémentaire, les paramètres σ 1 , σ 2 , ρ12 sont donnés par
RiskMetrics. À contrario, σ 0 s’obtient par interpolation linéaire qui permet d’éliminer
la sous-estimation du risque.

1
σ 0 2 .V0 2 ≤ σ 1 2 .V1 2 + σ 2 2 .V2 2 + 2.σ 1 .σ 2 .V1 .V2 ⇒ σ 0 2 .V0 2 ≤ (σ 1 .V1 + σ 2 .V2 ) 2 et la valeur maximale de
l’écart type est : σ 0 .V0 = σ 1 .V1 + σ 2 .V2 qui est déterminé par interpolation linéaire à partir de σ 1 et σ 2 .

- 33 -
CHAPITRE 2 : Approches d’estimation de la VaR du marché

Nous introduisons le paramètre ( α ) et nous posons :

V1 V2
α = , 1− α =
V0 V0

En divisant (3) par V0 2 et en remplaçant par ( α ), nous obtenons :

σ 2 0 = σ 1 2 × α 2 + σ 2 2 × (1 − α ) 2 + 2 × σ 1 × σ 2 × ρ12 × α × (1 − α )

Ce qui peut s’écrire après manipulation :

α 2 (σ12 + σ 22 − 2 ×σ1 ×σ 2 × ρ12) + 2 ×α × (σ1 ×σ 2 × ρ12 −σ 22 ) + (σ12 −σ02 ) = 0

La résolution de cette équation du deuxième degré par la méthode habituelle donne


deux couples ( α 1 , α 2 ) de solutions (V1, V2). Le couple retenu est celui qui contient les
valeurs de même signe que la valeur actuelleV0.

Exemple 

Reprenons l’exemple précédent pour lequel le cash flow à répartir était de


V0= 424,57 et les échéances valaient respectivement t1= 10, t0= 12 et t2= 15. Nous
supposons que l’on dispose des données supplémentaires suivantes :

σ 1 = 0,6% , σ 2 = 0,9% , σ 12 = 0,94

σ 0 = 0,72% 1 s’obtient par interpolation linéaire et l’équation du mapping devient :


1548α 2 − 6048α + 2916 = 0

Les deux solutions sont α1 = 3,3436 , α 2 = 0,5634. Nous retenons la deuxième qui
donne des cash flows de même signe que V0. Elle permet de calculer :

V1 = α V0 = 239 ,19 ; V2 = (1 − α ) V0 = 185 ,37  


1
Remarquons la légère sous-estimation du risque qui provient de l’effet de diversification lorsqu’on applique le
mapping fondant sur la conservation de la duration. On obtient alors la valeur
σ 0 2 .V0 2 = 9,0643 , σ 0 = 0,7091% au lieu de σ 0 = 0,72% fourni par interpolation linéaire.

- 34 -
CHAPITRE 2 : Approches d’estimation de la VaR du marché

1.2.4. Extraction de la VaR gaussienne 

Dans le cadre de l’approche locale, la VaR d’un actif est tirée d’une formule
limitative, fonction de l’écart type du rendement et du quantile correspondant au seuil
de confiance choisi.

Cependant, ce calcul diffère selon que le portefeuille contienne des valeurs


linéaires ou non linéaires1.

Les VaR partielles étant déterminées, la VaR du portefeuille est calculée à partir de
celles-ci en tenant compte des corrélations entre les différentes classes d’actifs.2

Si l’approche locale permet de calculer rapidement la VaR pour des


portefeuilles linéaires et dans des conditions de stabilité des marchés, elle
devient plus compliquée pour les portefeuilles non linéaires et gère mal les
événements extrêmes. Ainsi faut-il être vigilant quant aux conclusions qui
peuvent en être tirées, la VaR paramétrique peut s’éloigner sensiblement
de la vraie VaR.

Pour atténuer les contraintes imposées sur ce modèle d’estimation de la


VaR, une autre approche plus aérée a été introduite. Il s’agit de
l’approche générale, objet de la section suivante.

1
Voir le calcul des VaR partielles (de chaque position) dans la section 2 du chapitre 1 de la prochaine partie.
2
Voir la VaR gaussienne d’un portefeuille dans la section 2 du chapitre 1 de la prochaine partie.

- 35 -
CHAPITRE 2 : Approches d’estimation de la VaR du marché

  Section 2: Approche générale

Composée des techniques dites d’évaluation complète, l’approche générale intègre


les méthodes de simulations historique et de Monte Carlo.

2.1. Principe et hypothèses  

Cette approche se veut générale dans la mesure où elle s’applique à n’importe


quelle distribution et évite au maximum de poser des hypothèses qui pourraient
s’avérer restrictives. Son principe fondamental consiste à appliquer, sur la
composition actuelle du portefeuille, les changements relatifs de prix des facteurs de
risque obtenant ainsi les possibilités d’évolution de la valeur du portefeuille. Ce
dernier est alors revalorisé comme si ces changements survenaient à l’issue de
l’horizon choisi. Pour cela l’hypothèse de stationnarité est requise.

Ce principe s’applique aussi bien à la technique historique que de Monte Carlo à la


seule différence que les changements de prix avec lesquels le portefeuille est réévalué
dans cette dernière sont simulés plutôt qu’historiques.

2.2. Procédure  

L’estimation de la VaR par l’approche générale passe par trois étapes : le relevé des
facteurs de risque et collecte de données ; la construction de la distribution des profits
et pertes (P&L) et enfin l’extraction du chiffre VaR.

2.2.1. Relevé des facteurs de risque et collecte de données  

L’étape préliminaire de l’approche générale consiste à identifier tous les facteurs de


risque appropriés sur lesquels l’institution en question récolte une base de données.

Dans le cadre de la méthode historique, ces données servent à la construction de la


distribution empirique des P&L.

- 36 -
CHAPITRE 2 : Approches d’estimation de la VaR du marché

À l’opposé, la base de données collectée dans la méthode de Monte Carlo sert dans
un premier temps à spécifier les distributions de probabilités1 et à estimer leurs
paramètres (moyennes, variances et corrélations) afin de décrire le comportement
dans le temps de chacun des facteurs de risque.

Les distributions ainsi déterminées permettent de générer une série de scénarii


futurs de mouvement de prix, de l’ordre de 5000 à 10000. Les résultats de ces
simulations sont ensuite utilisés pour estimer la distribution des P&L du portefeuille
et pour calculer la VaR.

2.2.2. Construction de la distribution de probabilités des P&L  

Une fois les données historiques collectées et les scénarii générés, le concepteur de
la VaR procède à la construction de la distribution de probabilités de la variable P&L
dans un mode similaire aussi bien pour la méthode historique que de Monte Carlo.

9 Calculer les variations relatives des prix et taux des facteurs de risque (actifs).
Pour qu’elles soient simulées, elles doivent être calculées pour un intervalle de temps
correspondant à l’horizon choisi.

9 Appliquer ces variations relatives aux valeurs actuelles des facteurs de risque
afin d’obtenir leurs variations absolues.

9 Calculer la valeur actuelle (V0) du portefeuille qui représente sa valeur au jour


d’analyse.

9 Déterminer les valeurs futures possibles (Vt) du portefeuille à partir de celles


des actifs le composant en tenant compte de leur pondération dans le portefeuille.

Il convient de signaler que par l’hypothèse de stationnarité, l’institution peut


considérer la détention du portefeuille actuel durant la période d’observation.

1
Il s’agit souvent de modèles stochastiques. Voir section 2 du chapitre 1 de la partie II.

- 37 -
CHAPITRE 2 : Approches d’estimation de la VaR du marché

9 Calculer les profits et pertes (P&L) qui peuvent être engendrés sur cet horizon :

1
Lt = V0 − Vt

Avec Lt la variable « profits et pertes» ; V0 la valeur actuelle du portefeuille ; Vt la


valeur future du portefeuille.

9 Ranger les profits et pertes trouvés par ordre croissant.

On obtient ainsi les statistiques d’ordre :

Min ( P & Li ) = P & L1:n ≤ P & L 2:n ≤ ... ≤ P & L n:n = Max ( P & Li )

9 Représenter par un histogramme la distribution des profits pertes.

2.2.3. Extraction du chiffre VaR  

Une fois la distribution de pertes et profits construite et traduite en un histogramme,


la VaR de l’approche générale est extraite en tant que le quantile adéquat compte tenu
du niveau de confiance (q) et du nombre de réalisations possibles de (P&L).

La valeur en risque est égale à :

VaR = n × (1 − q ) éme petite valeur de P & L de la liste (1 )

Par exemple pour un seuil de 95% et 500 (P&L) triés, la VaR est la 26éme
( 26 = 500 × (1 − 0,95) ) petite valeur de P&L de la liste.

Si (1) n’est pas un entier naturel, la VaR est obtenue par interpolation via la
formule suivante :

2
VaR = P & Ln*:n + (n × (1 − q) − n * ).( P & Ln* +1:n − P & Ln*:n )  

1
Lt positive correspond à la vraie perte tandis que Lt négative représente le gain.
Avec n l’entier naturel inférieur le plus proche de n × (1 − q ) .
2 *

- 38 -
CHAPITRE 2 : Approches d’estimation de la VaR du marché

Pour bien appréhender cette approche, nous présentons un exemple1 chiffré.

Soit un portefeuille contenant deux actions aux nombres respectifs : n1 =5, n2 =10
pour lesquelles nous avons observé le jour de calcul de la VaR les cours sur 10
périodes.

Tableau 2.1: Cours historiques des actions


Période (t) Cours 1 Cours 2
-10 200 170
-9 190 190
-8 230 180
-7 190 200
-6 205 220
-5 190 205
-4 195 180
-3 230 170
-2 205 180
-1 230 175
0 215 160

Nous calculons en premier lieu les variations relatives des cours des actions. Les
résultats obtenus sont répertoriés dans le tableau n°2.

Nous sommes maintenant à l’étape de simulation historique dont les inputs sont les
valeurs observées des cours des deux actions le jour de calcul de la VaR (t0) et leurs
variations relatives du tableau n°2. La simulation historique consiste à appliquer ces
dernières aux valeurs actuelles (t0) des cours des actions de manière à obtenir les
valeurs futures des facteurs de risque (actions) indiquées dans le tableau n°2.

1
Il concerne la technique historique.

- 39 -
CHAPITRE 2 : Approches d’estimation de la VaR du marché

Tableau 2.2: Variations relatives et absolues


Période (t) Variation relative 1 Variation relative 2 Variation absolue (1) Variation absolue (2)
-9 -0,0500 0,1176 204,2500 178,8235
-8 0,2105 -0,0526 260,2632 151,5789
-7 -0,1739 0,1111 177,6087 177,7778
-6 0,0789 0,1000 231,9737 176,0000
-5 -0,0732 -0,0682 199,2683 149,0909
-4 0,0263 -0,1220 220,6579 140,4878
-3 0,1795 -0,0556 253,5897 151,1111
-2 -0,1087 0,0588 191,6304 169,4118
-1 0,1220 -0,0278 241,2195 155,5556
0 -0,0652 -0,0857 200,9783 146,2857

Par exemple, pour la période (-6), la variation absolue (valeur future) de l’action (1)
est calculée par la formule suivante :

1
C (1) ( 6 ) = 215 × (1 + 0,0789 ) = 231,9737

On utilise ces variations absolues pour calculer les valeurs futures possibles du
portefeuille et on trouve par exemple pour la période (-6) :

V ( P ) ( 6 ) = 231 , 9737 × 5 + 176 × 10 = 2919 , 8684

Tableau 2.3 : Valeurs futures et actuelle du portefeuille et P&L


Période (t) Valeur future du portefeuille (P&L) (P&L) triés
-9 2809,4853 -134,4853 -244,8684
-8 2817,1053 -142,1053 -142,1053
-7 2665,8213 9,1787 -134,4853
-6 2919,8684 -244,8684 -104,0598
-5 2487,2506 187,7494 -86,6531
-4 2508,1675 166,8325 9,1787
-3 2779,0598 -104,0598 22,7302
-2 2652,2698 22,7302 166,8325
-1 2761,6531 -86,6531 187,7494
0 2467,7484 207,2516 207,2516

1
On note la période (6) au lieu de (-6) pour désigner qu’il s’agit d’une période future déterminée à partir de la
période passée (-6).

- 40 -
CHAPITRE 2 : Approches d’estimation de la VaR du marché

On détermine ensuite la valeur actuelle du portefeuille (à la date t0) :

= 215 × 5 + 160 × 10 = 2675


(0)
VP

On construit alors la distribution des profits et pertes (P&L) et on tire le chiffre


VaR au seuil de confiance de 99% comme étant le quantile de cette distribution.

Figure 2.2: Distribution estimée des P&L

300,00

200,00

100,00

0,00 P&L
1 2 3 4 5 6 7 8 9 10
-100,00

-200,00

-300,00
Périodes

La VaR à 99% est de l’ordre de (207,2516)1.

A la lumière de ce qui précède, on peut conclure que l’approche générale


convient presque à toutes les conditions de marché étant donné qu’elle
évite d’émettre des hypothèses très particulières.

Après avoir développé les deux approches locale et générale, quelle est
celle qui semble la meilleure pour l’estimation de la VaR ?

C’est à cette question que tentera de répondre la prochaine section.

1
On ne peut pas appliquer la formule de calcul de la VaR basée sur l’interpolation linéaire vu le nombre de données
limité. On prend la VaR positive car une Lt positive correspond à une vraie perte.

- 41 -
CHAPITRE 2 : Approches d’estimation de la VaR du marché

  Section 3: Discussion comparative des forces et faiblesses des


  approches d’estimation de la VaR

Nous avons jusqu’ici présenté les deux approches d’estimation de la VaR, chacune
étant caractérisée par un certain nombre d’avantages mais qui ne saurait exempte de
limites.

Dans cette section, nous tâcherons de mettre en relief les forces et les faiblesses de
chaque méthode constituant ces deux approches en comparaison avec les deux autres
méthodes afin de déterminer leur domaines d’application.

3.1. Hypothèses restrictives 

Les méthodes de simulations historique et Monte Carlo ont l’avantage de laisser


ouvert le choix des lois de probabilités, contrairement à l’approche paramétrique qui,
quant à elle, suppose la normalité des distributions de l’évolution des prix des facteurs
de risque.

D’une part, cette hypothèse simplifie considérablement les calculs. Ainsi, la VaR
s’exprime comme un multiple de l’écart type du rendement et éventuellement des
paramètres de sensibilité1 des positions aux variations des prix et taux de marché.

D’autre part, l’hypothèse de normalité est contestée par la réalité. En effet, un


examen attentif des marchés révèle une déviation remarquable des données de marché
par rapport à l’idéal mathématique de la distribution normale. En fait, la courbe des
rendements des actifs n’est pas exactement normale mais souvent plus large sur les
bords et plus cintrée. C’est le phénomène des « longues queues » ou
« leptocurtisme2 ». Ceci constitue un danger latent de sous estimation du risque.
Sachant que la VaR s’intéresse aux valeurs extrêmes et eu égard au caractère
leptocurtique des observations de marché, les queues de la loi normale, trop plates,
rendent mal compte des fréquences historiques observées.
1
Voir la méthode Delta Normale dans le chapitre 1 de la prochaine partie.
2
Voir le Kurtosis en annexe n°1.

- 42 -
CHAPITRE 2 : Approches d’estimation de la VaR du marché

Une autre hypothèse requise par la méthode analytique est la linéarité. Elle est
cependant prise en défaut pour certaines familles d’actifs et la méthode se trouve ainsi
peu adaptée pour les valeurs non linéaires dont les options. Le traitement de ce genre
de produits se fait par la méthode Delta Normale qui se base sur le développement de
Taylor1 qui n’est qu’une approximation.

A contrario, les approches de simulations semblent bien correspondre au traitement


de ce type de produits puisqu’elles calculent la VaR en se basant sur des échantillons
(réels ou simulés) sans émettre d’hypothèses de linéarité.

Enfin, l’hypothèse de stationnarité est émise par toutes les approches. Elle suppose
la stabilité des marchés qui entraîne celle des distributions et des paramètres estimés,
chose que dément la réalité. Ainsi, il n’est guerre surprenant, même un observateur
occasionnel peut remarquer que les marchés apparaissent plus volatiles à certains
moments qu’à d’autres. En effet, les données du marché montrent une alternance entre
des périodes de crises et de calmes que la notion de la VaR ne prend pas en compte.
Soulignons que cette hypothèse est moins forte dans l’approche historique car elle
suppose seulement que les variations futures (durant l’horizon choisi) soient
identiques à celles observées dans le passé.

Il est donc d’ores et déjà clair que l’approche paramétrique est plus faible devant
les deux autres en ce qui concerne les hypothèses formulées pour le calcul de la VaR.

3.2. Modèles utilisés 

L’analyse historique est presque totalement indépendante des modèles d’évaluation


du moment qu’elle estime la VaR à partir du seul échantillon empirique. Ainsi, le
risque associé à la qualité des modèles utilisés est presque nul dans cette méthode qui
peut alors être qualifiée de la méthode la plus intuitive.

L’approche de variances covariances repose sur l’utilisation d’un modèle statistique


même supposé normal et ses paramètres sont estimés à partir des observations
historiques.

1
Voir la formule de Taylor en annexe n° 2.

- 43 -
CHAPITRE 2 : Approches d’estimation de la VaR du marché

Enfin, la simulation de Monte Carlo, pour décrire le comportement des facteurs de


risque, utilise des modèles de pricing d’actifs dont certains sont complexes et mal
connus. Cette méthode se trouve alors fortement sujette au risque du modèle et les
résultats obtenus peuvent s’éloigner de la réalité. Il est à noter que cette dernière se
trouve plus entachée de ce risque en comparaison à la méthode analytique. Ainsi, pour
les portefeuilles linéaires, les P&L simulés pour calculer la valeur en risque (VaR)
correspondent à la différence entre la valeur mark to market du portefeuille à la date
(t0) et la valeur mark to model du même portefeuille à la date (t),

P & L simulé = V0 − Vt
{ {
mark to market mark to mod el

Tandis que la valeur de P&L effectivement réalisée est la différence entre deux
mark to market :

P & L réalisé = V0 − Vt
{ {
mark to market mark to market

Pour les produits dérivés, nous n’avons pas forcément les prix de marché. En effet,
ils sont valorisés en mark to model. Cela implique que les P&L simulés et
effectivement réalisés sont calculées comme la différence entre deux mark to model :

P& L = V0 − Vt
{ {
mark to mod el mark to mod el

Par ce la méthode de simulation de Monte Carlo est la plus sujette au risque des
modèles utilisés, vient ensuite la méthode gaussienne et enfin la simulation historique
qui est presque totalement indépendante de ces modèles.

3.3. Données historiques 

Les données historiques sont indispensables pour toutes les approches d’estimation
de la VaR. En effet, l’approche paramétrique recourt aux observations historiques
pour l’estimation des paramètres du modèle gaussien.

- 44 -
CHAPITRE 2 : Approches d’estimation de la VaR du marché

De même, la spécification et l’estimation des paramètres des modèles d’évolution


des facteurs de risque de l’approche de Monte Carlo dépendent exclusivement des
données historiques.

Cependant, l’approche historique demeure la plus dépendante de ces données. En


fait, les principales limites de celle-ci sont inhérentes à sa dépendance étroite de la
qualité des données utilisées. Ainsi, pour estimer la VaR historique, l’institution doit
récolter un échantillon d’observations sur les différents facteurs de risque pour une
période passée, jugée représentative. Or, stocker des données sur une gamme de
facteurs et pendant une longue période n’est pas une tâche aisée mais ardue et expose
le concepteur de la VaR à un double obstacle. D’une part, l’accumulation d’un grand
nombre de données engendre des problèmes de multi colinéarité qui biaisent
l’estimation des paramètres et impactent en conséquence la qualité de la prévision.
D’autre part, le nombre de données peut être limité notamment pour les nouvelles
classes d’actifs qui ne possèdent pas un long historique. En pratique, cette méthode
manque souvent de données pour générer des estimations précises du risque et une ou
quelques observations exceptionnelles influencent fortement la VaR1.

De ce point de vue, la méthode historique est la plus faible par rapport aux deux
premières.

3.4. Complexité des calculs et d’utilisation 

Étant la moins gourmande en termes de calculs financiers élémentaires allant


uniquement d’opérations arithmétiques jusqu’aux tris, la méthode historique est la
plus facile à mettre en œuvre et la moins consommatrice en termes de temps de calcul
et de moyens.

L’approche paramétrique quant à elle, a recours à des calculs économétriques plus


ou moins compliqués notamment avec les retraitements nécessaires pour la technique
de mapping. Elle est également d’une mise en œuvre simple une fois le modèle
statistique requis est défini.

1
Ceci conduirait à sa sous ou surestimation, produisant ainsi une VaR empirique très éloignée de la vraie VaR.

- 45 -
CHAPITRE 2 : Approches d’estimation de la VaR du marché

Toutefois, la méthode de Monte Carlo utilise le plus de calculs. En effet, le nombre


de simulations à effectuer croit rapidement avec la complexité des produits contenus
dans le portefeuille et le nombre de tirages devient très important si l’on souhaite
obtenir une prévision précise. Avec ces milliers de simulations, le risque d’erreur
d’échantillonnage se trouve réduit mais une difficulté de mise en œuvre se manifeste.
Elle est également une méthode très consommatrice de ressources informatiques
(machines à grande capacité de calcul) nécessitant un personnel qualifié et un système
d’information efficient.

En synthèse, le choix de la méthode de calcul reste tributaire de


plusieurs éléments, à savoir : la nature du portefeuille, les conditions de
marché, les objectifs de l’entreprise et surtout ses moyens et le degré
d’aversion au risque de ses dirigeants.

- 46 -
CHAPITRE 2 : Approches d’estimation de la VaR du marché

Tout au long de ce deuxième chapitre, nous avons développé


d’une manière sommaire les hypothèses et la procédure de mise en
œuvre des deux approches utilisées pour l’estimation du nombre
VaR.

De cette présentation, nous avons conclu qu’aucune méthode


n’est idéale dans l’absolu et chacune peut être la meilleure dans un
contexte bien précis. C’est alors aux utilisateurs de faire le choix
qui semble pouvoir être le plus pertinent pour assurer une bonne
mesure du risque de marché.

- 47 -
PARTIE I : Les fondements théoriques de mesure du risque de marché par la Value at Risk

A insi, nous arrivons au terme de la première partie de notre


mémoire. Nous sommes alors tentés de dire que le métier
du banquier est par essence risqué et avec le
développement de l’univers financier, certains risques se sont
amplifiés et d’autres sont ajoutés à la liste traditionnelle. Cette
partie a été consacrée à l’étude d’un de ces risques, celui de marché
qui doit à l’heure actuelle géré et maîtrisé.

Pour ce faire, un processus de gestion de ce risque doit être mis


en place.

Une étape clé de ce processus est la mesure de l’ampleur des


conséquences du dit risque. L’une des méthodes utilisées, la Value
at Risk estimée par les approches locale et générale.

Maintenant que le cadre théorique de mesure du risque de


marché par l’approche VaR est bien saisi, il convient de s’intéresser
particulièrement à l’application de cette notion.

- 48 -
Application de la VaR à la gestion
d’un portefeuille de valeurs
mobilières
PARTIE II : Application de la VaR à la gestion d’un portefeuille de valeurs mobilières

P our bien comprendre la question de la mesure du


risque de marché par l’approche Value at Risk ,
nous nous proposons tout au long de cette deuxième
partie l’étude de ses aspects pratiques.

Notre étude de cas porte sur une application chiffrée d’un


processus VaR à la gestion d’un portefeuille de valeurs
mobilières d’une société algérienne, une Société d’Investissement
à Capital Variable dénommée Chariket El Istithmar El Mali
(CELIM).

Mais auparavant, il importe de présenter d’une manière


générale les étapes d’application de ce processus à la gestion d’un
portefeuille donné d’actifs financiers.

- 49 -
Processus de mise en place
de la VaR du marché
CHAPITRE 1: Processus de mise en place de la VaR du marché

Les deux chapitres précédents nous ont permis de faire le tour de la


notion VaR et de ses différentes méthodes d’estimation.

Si la VaR est facile à comprendre et à interpréter, sa mise en pratique


n’est pas autant. C’est un processus à plusieurs étapes nécessitant une
attention particulière.

La VaR est certes un concept qui témoigne du divorce avec les méthodes
classiques de mesure du risque de marché. Toutefois, une forte critique lui
a été adressée, dévoilant ainsi ses propres limites.

Au travers des trois sections composant ce chapitre seront présentés :

¾ Les pré requis à l’estimation de la VaR dans une première


section.

¾ Le calcul de la VaR dans une deuxième section.

¾ La dernière section sera consacrée à l’évaluation de la


robustesse du modèle VaR et à sa discussion critique.

- 50-
CHAPITRE 1: Processus de mise en place de la VaR du marché

Section 1: Pré requis à l’estimation de la VaR

L’extraction (calcul) de l’indicateur VaR est précédée par certains choix sans quoi
l’information véhiculée par cette mesure s’avère stérile. Il s’agit de la constitution de
la base de données et le choix des paramètres1 dont dépend cet indicateur.

1.1. Collecte de données  

La base de données requise par toutes les méthodes d’estimation de la VaR doit
être fiable et pertinente (taille et richesse).

Ainsi, il faut être vigilant quant à sa source (interne ou externe), la robustesse du


modèle et des hypothèses qui ont permis de la générer.

De plus, la VaR étant un estimateur, sa valeur théorique diffère de la VaR estimée.


La précision de cette dernière dépend de sa variance qui est fonction de la taille de la
base de données (plus le nombre de données est élevé plus la VaR estimée se
rapproche de la VaR théorique). En effet, toutes les méthodes développées au chapitre
précédent requièrent une estimation de certains paramètres.

Pour calculer la VaR gaussienne, nous remplaçons les paramètres inconnus (μ, Σ)
par leurs estimateurs. Il s’agit donc d’une VaR gaussienne estimée.

Considérons maintenant la VaR historique qui nécessite l'estimation d'un quantile.

VaRhistorique = F −1 (q ) 2 

1
Voir section 3 du chapitre 1 de la partie I.
2
F la fonction de répartition empirique de la variable P&L.

- 51-
CHAPITRE 1: Processus de mise en place de la VaR du marché

Or l'estimation de ce dernier a une vitesse de convergence beaucoup plus faible que


les estimateurs de la moyenne, de la variance et de la médiane. Cela tient au fait que
l'estimation d'un quantile est locale et demande donc beaucoup d'observations afin
d'en avoir suffisamment autour du quantile. La VaR de Monte Carlo1 est aussi un
estimateur.

Nous pouvons alors affirmer que l’estimateur VaR converge vers la valeur
théorique avec la taille de l'échantillon.

Enfin, la base de données doit être collectée sur l’ensemble des facteurs de risque
relevés pour assurer sa richesse.

1.2. Choix des paramètres  

La VaR est fonction de trois paramètres. Il s’agit d’opter pour un horizon et un


seuil de confiance. Mais avant tout, la détermination de la distribution de la variable
perte demeure la pierre angulaire de tout calcul de la VaR.

1.2.1. Distribution de probabilités  

Ce choix est crucial dans l’estimation de la VaR notamment les VaR paramétrique
et Monte-Carlo (voir chapitre précédent).

La VaR étant un instrument de mesure de risque, elle se concentre sur la perte


potentielle et non sur les bénéfices éventuels. L’ensemble des pertes possibles à
l’issue de l’horizon de temps h, chacune est associée à une certaine probabilité, forme
une distribution statistique. Celle-ci constitue la base sur laquelle le nombre VaR est
estimé.

Pour déterminer la perte correspondant à 1% par exemple, il faut construire une


distribution de probabilités de la variable P&L.

1
Elle combine deux types d’estimation puisqu’il faut estimer des paramètres comme la VaR analytique et le
quantile comme la VaR historique.

- 52-
CHAPITRE 1: Processus de mise en place de la VaR du marché

Une question fondamentale demeure: comment choisir un modèle de distribution


de probabilités pour une variable de marché?

Idéalement, il faudrait un modèle qui soit simple et qui «colle» très bien aux
observations empiriques.

En finance, la distribution la plus simple et la plus répandue pour modéliser les


facteurs de risque est la distribution normale. Ce jugement se justifie par les
arguments suivants:

9 Les paramètres μ et Σ sont faciles à comprendre et à estimer ;

9 La combinaison linéaire des composantes d'un vecteur gaussien est une


variable aléatoire gaussienne et il est très facile d'en calculer la variance;

9 On trouve en général plus facilement une formule fermée1 de calcul de la


VaR lorsqu'on utilise une distribution Normale que toute autre distribution.

Malheureusement, de nombreuses études empiriques ont montré que cette


distribution «colle» mal aux observations empiriques. Les crashs boursiers avec leur
fréquence d’occurrence témoignent pleinement les limites du modèle normal.

Source : www.lesechos.fr

Distribution
empirique
Distribution
normale

Rendements
extrêmes

Figure 1.1 : Distribution empirique des variables de marché

1
Voir la section 2 du présent chapitre.

- 53-
CHAPITRE 1: Processus de mise en place de la VaR du marché

Ce graphe montre que contrairement à la distribution normale, l'empirique possède


une asymétrie1 négative entre les gains et les pertes. Nous observons aussi beaucoup
plus de rendements extrêmes que la distribution normale ne le prévoit. Il s’agit du
caractère leptocurtique.

Autrement dit, le choix d'une distribution normale pour modéliser ces rendements
conduirait à une sous-estimation des risques de pertes extrêmes. Alors, tout choix de
cette distribution de probabilités doit au préalable être validé par des tests statistiques
tel que le test de normalité de Jarque et Bera2.

Pour améliorer l'adéquation avec les données empiriques, nous pouvons considérer
des distributions plus compliquées ou alors intégrer le fait que la volatilité des
rendements varie dans le temps. Les modèles actuellement disponibles combinent ces
deux solutions. Cependant, ces modèles plus compliqués ne sont pas forcément plus
efficaces, car ils posent de délicats problèmes d'identification et d'estimation3. Il faut
donc chercher un compromis entre l'efficacité et l'adéquation avec l’échantillon
empirique.

1.2.2. Horizon temporel  

Jusqu’à présent nous n’avons encore rien dit de l’écoulement du temps. Celui-ci
n’est pas un facteur de risque puisque ce dernier, par définition, doit être imprévisible
mais il est la source de tous les facteurs de risque puisqu’il est générateur du
processus d’innovation4.

En effet, le portefeuille de négociation tel que conçu, a vocation à évoluer sans


cesse au gré des transactions et sa valeur marchande est très sensible au passage du
temps.

1
Voir le coefficient d’asymétrie en annexe n° 1.
2
Voir ce test en annexe n°1.
3
Voir la notion d’estimation en annexe n°1.
4
Voir la définition du facteur de risque dans la section 1 du chapitre 1 de la partie I.

- 54-
CHAPITRE 1: Processus de mise en place de la VaR du marché

L’horizon1 de temps est l’instant futur auquel on se place pour envisager la valeur
marchande future.

Valeur certaine Valeur incertaine

V0 Vt
Ecoulement du temps.

Le choix de ce paramètre doit être réfléchi en fonction de plusieurs critères. Il doit


être :

9 Relativement court

Pour le calcul de la VaR, on fait l’hypothèse de la stabilité de la composition du


portefeuille de négociation entre la date d’aujourd’hui (t0) et (t), l’issue de l’horizon.
Or, la composition du portefeuille de négociation évolue sans cesse. Ainsi, pour que
l’hypothèse de stabilité ne soit pas trop éloignée de la réalité, on choisit un horizon de
risque suffisamment proche dans le temps.

De plus, une mesure fiable de la VaR requiert un grand nombre de données. Or,
plus l’horizon est long, plus il faut disposer de beaucoup d’observations.

Aussi, la définition de la VaR précédemment donnée n’est valable que pour un


marché fonctionnant dans des conditions normales. Cette exigence pousse à choisir un
horizon relativement court pour écarter l’effet de la forte volatilité sur la VaR
puisqu’une volatilité élevée concentre le risque de voir les rendements d’actifs
diverger de leur valeur moyenne. Cette volatilité s’amplifie d’autant plus que
l’horizon est long.

1
C’est l’issue de l’horizon qui est définie ainsi.

- 55-
CHAPITRE 1: Processus de mise en place de la VaR du marché

Enfin, toutes les méthodes de calcul de la VaR utilisent les données du passé pour
estimer les variations potentielles de la valeur actuelle du portefeuille. Cela suppose
implicitement que le futur se comporte comme le passé. Pour cela, l’horizon doit être
court pour assurer l’hypothèse de stationnarité requise.

Inversement, l’horizon de risque ne doit pas être trop proche de l’instant présent car
dans les situations qui nous préoccupent, le débouclage ou l’inversion des positions
ouvertes dans des conditions acceptables peut nécessiter plusieurs jours de
négociation.

9 Egal à la périodicité

L’horizon de calcul est en principe égal à la périodicité des observations historiques


pour pouvoir estimer le futur à partir du passé. L’élargissement de la périodicité
conduit à une réduction de la taille de notre échantillon.

Soit n le nombre de périodicités dans la période d’étude. On a alors la relation


suivante :

Période d ' étude = n × périodicit é

période d ' étude


n=
périodicté

Or le nombre de périodicités n est égal à la taille de l’échantillon.

Sachant que la période d’étude est fixe, plus la périodicité est grande plus la taille
de l’échantillon n se réduit et plus l’estimation du chiffre VaR est moins probable
puisqu’elle dépend étroitement du nombre d’observation.

9 Fonction de certains facteurs

La fréquence de recomposition du portefeuille, la liquidité du marché et la nature


des instruments, sont autant de facteurs qui doivent peser dans le choix de l’horizon.

- 56-
CHAPITRE 1: Processus de mise en place de la VaR du marché

En effet, l’institution peut retourner sa position très rapidement (dans la journée)


pour les produits standard tandis que la réalisation d’une position se trouve difficile et
voire impossible dans le cas de produits dérivés pour lesquels il est pénible de trouver
une contrepartie.

1.2.3. Seuil de confiance  

Le seuil de confiance est un autre paramètre déterminant pour l’estimation du


nombre VaR. Il désigne la probabilité d’observer une perte inférieure à la valeur en
risque (VaR), ou c’est la probabilité que la perte réelle ne dépasse pas la VaR.

Le choix d’un niveau de confiance n’est pas arbitraire mais dépend de l’objectif
poursuivi par l’institution.

En effet, si l’institution poursuit un objectif de fiabilité du système interne de


gestion du risque de marché, elle opte pour un seuil élevé, sans quoi une perte
supérieure à la VaR s’observe souvent. Cependant, un seuil de confiance élevé
conduit à :

9 Une entreprise moins performante et moins compétitive sur le marché


(baisse des résultats ajustés au risque).

9 Une augmentation de l’exigence en fonds propres lorsque la VaR constitue


sa base de calcul, se traduisant par des coûts élevés qui pénaliseront davantage
les performances économiques de la firme.

Le choix d’un seuil de confiance est également fonction de l’aversion au risque du


propriétaire du portefeuille. Si le propriétaire craint le risque, il s’arrangera pour que
la probabilité des événements favorables soit très petite.

- 57-
CHAPITRE 1: Processus de mise en place de la VaR du marché

La VaR ne tient pas compte des événements exceptionnels qui font l’objet d’une
autre analyse, basée sur des simulations : « stress testing »1. C’est pourquoi, un niveau
de confiance ne peut en aucun cas être égal à l’unité (1). Il est donné par :

Niveau de confiance = 1 − probabilit é des événements défavorabl es

La méthodologie pratique de mise en place d’un dispositif de gestion du


risque de marché axé sur la VaR s’inscrit dans la procédure de prévision
économétrique commençant par une collecte de données fiable et pertinente
du point de vue de la richesse et de la taille et un choix judicieux, d’une
distribution de probabilités qui s’ajuste le plus possible aux données
collectées à l’étape précédente, d’un horizon temporel, source du processus
d’innovation et enfin d’un niveau de confiance sans quoi l’interprétation
de la VaR est impossible.

L’étape suivante de cette méthodologie est l’extraction du chiffre VaR


qui fera l’objet de la prochaine section.

1
Voir la section 3 du présent chapitre.

- 58-
CHAPITRE 1: Processus de mise en place de la VaR du marché

Section 2: Calcul de la VaR

Le calcul de la VaR peut s’effectuer aussi bien pour une position isolée que pour un
portefeuille d’actifs financiers. La présente section est réservée à cet effet.

2.1. Value at Risk d’un instrument financier isolé 

Considérons un actif financier dont on désire calculer la VaR à la date (t) et un


seuil de confiance (q).

Pour rappel, le risque lié à un actif financier est issu de l’évolution de sa valeur
entre deux instants différents. Cet actif est caractérisé par deux valeurs (V0 , Vt ) et la
perte Lt1 .

Le calcul de la Value at Risk2 de l’actif en question à la date (t) et le niveau de


confiance (q) nécessite la construction de la distribution de probabilités de la variable
Lt. Selon le type de cette distribution on distingue les deux cas suivants :

a. Cas général  

Une fois la distribution de probabilités spécifiée3, le chiffre VaR est extrait


aisément en tant que le quantile d’ordre (1-q) de la densité de probabilités ou de la
fonction de répartition.

Formellement, on écrit :

P ( L t ≤ VaR ) = q ⇔ P ( L t > VaR ) = 1 − q (1 ) 4 

1
Lt=V0-Vt
2
La Value at Risk d’un actif financier est un montant, noté VaR, tel que la perte encourue sur cet actif durant la
période [0, t] ne dépassera VaR qu’avec une probabilité de (1-q).
3
Voir dans le chapitre précédent la façon dont est extraite la distribution de probabilités.
4
Cette définition n’est valable que pour une variable aléatoire continue. La fonction de répartition d’une variable
aléatoire discrète est en escalier. Pour tenir compte de cette distinction, la définition de la VaR prend la forme
[
suivante : VaR = max{V : Pr Lt ≤ V ≤ q} ]

- 59-
CHAPITRE 1: Processus de mise en place de la VaR du marché

Les figures suivantes représentent l’extraction du chiffre VaR :

Source : ESCH, KIFFER, LOPEZ, Asset & Risk Management, Ed de boeck, Bruxelles, 2003, pages 87, 88.

Figure 1.2 : Définition de la VaR d’un actif à Figure 1.3 : Définition de la VaR d’un actif à
partir de la fonction de répartition partir de la densité de probabilités

b. Cas particulier   

En pratique, la détermination de la loi de probabilités d’une variable aléatoire n’est


pas une tâche aisée. C’est d’ailleurs la raison pour laquelle la normalité de l’évolution
des prix est souvent supposée.

L t → N ( E ( L t ), σ 2
( L t ))

La VaR gaussienne a l’avantage d’être tirée d’une formule unique exprimée par la
moyenne et l’écart type de la perte Lt.

Après manipulation de la formule (1) on obtient :

⎡ L − E ( L t ) VaR q − E ( L t ) ⎤
P⎢ t > ⎥ =1− q
⎣ σ ( Lt ) σ ( Lt ) ⎦

Lt − E ( Lt )
Dont : est une variable aléatoire centrée réduite qu’on note Z.
σ ( Lt )

On pose :

VaR q − E ( Lt )
= Z 1− q ........( 2 )
σ ( Lt )

- 60-
CHAPITRE 1: Processus de mise en place de la VaR du marché

Où Ζ1−q est le quantile d’ordre (1-q) de la variable Z suivant une loi normale.

Ζ1− q 1est donc aisément lu dans la table de la loi normale2.

À partir de (2) on a :

VaR q = E ( Lt ) − Ζ q .σ ( Lt ) 3

Que ce soit pour le cas général ou particulier, le calcul de la VaR d’un actif
nécessite la construction d’une distribution de probabilités de la variable Lt qui
requiert une prévision des valeurs futures de l’actif considéré en fonction des
fluctuations futures des facteurs de risques appropriés. Ceci est l’objet des modèles4
d’évaluation formulés comme suit :

P = f ( X 1 ,....., X k )+ ε 5

Avec P le prix de l’actif considéré, f est le modèle ou la relation liant les facteurs

au prix, X i (i =1,.....k ) sont les facteurs de risque, ε l’erreur du modèle.

Selon le type de la relation f , on distingue des modèles d’évaluation linéaires et


des modèles non linéaires. Cette distinction influe sur le calcul de la VaR gaussienne
qui s’appuie sur l’hypothèse de linéarité.

b.1.  VaR gaussienne pour des modèles linéaires  

f est linéaire ⇔ P = B0 + B1 X 1 + ........ + B K X K + ε


Où X j ( j = 1 ,..... k ) k facteurs explicatifs ; B j ( j = 1 ,...... k ) k paramètres du modèle.

1
Z 1− q = Z q
2
Voir annexe n° 1.
3
C’est la formule limitative ou simplifiée de calcul de la VaR gaussienne. Une autre définition de cette dernière par
rapport à la perte moyenne (VaR*) s’exprime comme suit : VaR = − Z q .σ ( Lt )
*

4
Voir annexe n° 2.
5
Ces modèles peuvent comprendre comme argument la variable temps.

- 61-
CHAPITRE 1: Processus de mise en place de la VaR du marché

Les paramètres du modèle sont estimés par la technique de régression linéaire


habituelle. Une fois estimés, le prix futur (Pt) de l’actif est calculé à partir de modèle.
P0 étant connu, les variations du prix sont alors :

Δ Pˆ = Pˆt − Pˆ0 = Bˆ 0 + Bˆ1 Δ X 1 + ...... + Bˆ k Δ X k

Pour ce cas où la loi jointe des facteurs de risque suit une loi Normale, la VaR de
l’actif considéré est déterminée en calculant l’espérance et la variance de l’évolution
du prix de l’actif par les formules suivantes :

E(ΔPˆ ) = Bˆ0 + Bˆ1E1 + .......+ Bˆk EK. , σ (ΔPˆ ) = Bˆ12σ 12 + ...... + Bˆ K2 σ K2 + σ ε2 .1

On calcule enfin la VaR gaussienne du titre par la formule simplifiée :

VaR = − E (ΔPˆ ) − Z q .σ (ΔPˆ ) 2

Les valeurs linéaires comprennent les positions de change, obligations et les


actions.

Pour une position de change, la VaR tient compte du taux de change, de son écart
type, du montant de la position et de la valeur tabulée de la loi normale (Zq).

VaR = taux de change × σ × mon tan t × ( − Z q )

Concernant un instrument à taux fixe, après le mapping, le calcul de la VaR


requiert la variance de son rendement. Celle-ci est bien entendu calculée par le
logiciel RiskMetrics. La VaR est :

[
VaR = mon tan t × E ( R ) − Z q × σ ( R ) ]

1
E (ΔX 1 ,..........ΔX k ) / = ( E1 ,..........E k ) / , V (ΔX 1 ,.........., ΔX k ) / = (σ 21 ,.........., σ 2 k ) / et
V (ε ) = σ 2
ε ,ε = 0
Notons que ΔP = − Lt et E ( Lt ) = − E ( ΔP )
2

- 62-
CHAPITRE 1: Processus de mise en place de la VaR du marché

Les actions quant à elles sont un cas un peu particulier. Ainsi, le modèle diagonal
de Sharpe est utilisé pour estimer leur VaR. Ce modèle suppose que le rendement de
toute action est une relation affine du rendement du marché sur lequel elle évolue.

Ri = α i + β i × R m + ε i 1

La variance du rendement de l’action est donnée par :

σ 2 ( Ri ) = β i 2 σ m 2 + σ ε 2 2

La VaR est donc :

[
VaR = mon tan t × E ( Rˆ i ) − Z q × ( βˆi .σ m ) ]
b.2.  VaR gaussienne pour des modèles non linéaires  

Pour certains types d’actifs, le modèle d’évaluation est non linéaire. Le


raisonnement précédent ne convient plus et ses conclusions ne sont plus valides.

Les modèles non linéaires peuvent prendre deux formes :

¾ Modèles aléatoires stationnaires  

Comme leur nom l’indique, ils sont indépendants du temps. En effet, la fonction f
ne comprend pas la variable « temps » comme argument.

Pour conserver les nombreux avantages de la normalité et pouvoir appliquer cette


dernière, certains réaménagements doivent être opérés dans les modèles considérés. Il
s’agit de leur linéarisation à travers le développement de Taylor et d’utiliser ensuite la
méthode delta normale qui consiste en une approximation linéaire de la valorisation
de la position.

1
Avec βi est la sensibilité du rendement de l’action aux fluctuations de l’indice boursier.
Notons que pour des portefeuilles bien diversifiés σ²ε tend vers zéro et la variance se limite à : σ ( Ri ) = β iσ m 2
2 2

- 63-
CHAPITRE 1: Processus de mise en place de la VaR du marché

L’appellation delta normale vient d’un côté du fait qu’on ait maintenu l’hypothèse
de normalité et de l’autre côté de l’utilisation du vecteur delta. La variation du prix de
l’option est par exemple approchée par le changement du cours de l’actif sous-jacent,
lequel est multiplié par le vecteur des sensibilités (delta).

¾  Processus stochastiques  

Ces modèles combinent les aspects aléatoire et temporel. Ainsi, la fonction


f comprend la variable temps comme argument outre les facteurs de risque.

Le modèle de Black et Scholes est un exemple des processus stochastiques pour les
produits optionnels.

2.2. VaR d’un portefeuille d’actifs financiers  

Jusqu’à présent nous avons exposé la VaR d’un titre isolé. Or les investisseurs sont
averses au risque et procèdent souvent à la diversification de leur portefeuille.

Dans le cadre de l’approche générale, la distribution de la perte du portefeuille doit


être déterminée. Celle-ci est construite sur la base des actifs du portefeuille.

Soit un portefeuille composé de (n) titres dont les nombres w1,……..wn.

Soit Pj le prix du jéme titre et Pp le prix du portefeuille.

Le prix d’un portefeuille est donné par la relation suivante :

n n

∑ , sa variation est ΔPp = ∑ w j .ΔPj .


Pˆ = w . Pˆ ˆ ˆ
p j j
j =1 j =1

Comme pour un actif, la VaR est extraite en tant que le quantile de cette
distribution.

La VaR gaussienne, quant à elle, est tirée de la formule simplifiée après avoir
calculé l’espérance et la variance de ΔP̂p à partir de celles de ΔP̂ des différents actifs.

- 64-
CHAPITRE 1: Processus de mise en place de la VaR du marché

n n n
E ( Δ Pˆp ) = ∑ w j .E ( ΔPˆ j )  et   σ (ΔPˆp ) = ∑∑ w j wi cov(ΔPˆj , ΔPˆi ) 1 
j =1 j =1 i =1

La VaR du portefeuille se calcule alors à l’aide de la formule limitative :

VaR q = − E ( Δ Pˆ ) − Z q .σ ( Δ Pˆ )

2.3. Value at Risk incrémentale  

La volonté de faire passer la VaR d’une simple mesure de risque à un moyen


proactif de gestion des risques est le facteur qui a parrainé l’émergence de la VaR
incrémentale. Il s’agit d’un indicateur qui mesure la contribution de chaque actif à la
VaR totale.

En fournissant une telle information, cet outil permet aux gestionnaires de


portefeuilles de connaître avec précision les principaux titres générateurs de risque et
de mener par la suite une bonne stratégie de réduction du risque global du portefeuille.

La VaR incrémentale d’un titre est égale à la VaR totale du portefeuille contenant
le titre en question à laquelle on soustrait la VaR totale du portefeuille sans ce titre.

Le signe de la VaR incrémentale véhicule une information utile. En effet, si la VaR


individuelle (d’un actif isolé) et IVaR sont de mêmes signes, le titre en question
contribue à la concentration du risque du portefeuille. Dans le cas contraire, le titre
contribue à la diversification du risque global.

L’étape d’estimation de la VaR étant présentée, la prochaine section


sera réservée à l’évaluation de la robustesse du modèle obtenu.

1
On constate que la variance de ΔPp est d’autant plus faible que les corrélations entre les titres qui le composent
tendent vers (-1).

- 65-
CHAPITRE 1: Processus de mise en place de la VaR du marché

Section 3: Évaluation de la robustesse du modèle


VaR et discussion critique

“VaR is a useful number, but not the answer”

Il ne faut jamais oublier que le nombre VaR n’est qu’une estimation du risque
puisqu’il résulte d’une série d’hypothèses et d’approximations. En effet, les méthodes
VaR1 ne constituent ni une science exacte ni le montant maximum de pertes qui
peuvent réellement se produire.

Il est par conséquent nécessaire d’évaluer le degré de précision de la VaR calculée


et de compléter le dispositif VaR par d’autres analyses. Ceci est respectivement
l’objet du back testing et du stress testing2 dont il sera question dans la présente
section avant de critiquer la technique VaR.

3.1. Back testing  

Le back testing consiste à confronter la VaR calculée avec les P&L réalisés et
s’assurer que les pertes réelles ne dépassent pas de manière anormale le montant de la
VaR. Par exemple, avec un niveau de confiance de 99%, les pertes ne doivent pas
dépasser la VaR plus de 1% des fois sur la période de référence (on choisit
aléatoirement une période de référence). Un chiffre supérieur révélerait la sous
estimation du modèle et incite à se poser la question sur sa pertinence.

Selon les recommandations de la BRI3, les résultats sont classés comme suit :

Tableau 1.1 : classification des résultats du back testing selon la BRI.


Zone Nombre d’erreurs Facteur complémentaire
Verte [0-4] 3
Jaune [5-9] [3,4-3,85]
Rouge ≥ 10 4

1
Voir chapitre 2 de la partie I.
2
Il est dit aussi : simulations de crise, scénarios catastrophes.
3
Banque de Règlements Internationaux.

- 66-
CHAPITRE 1: Processus de mise en place de la VaR du marché

Le résultat du back testing doit se situer en zone verte pour bénéficier de


l’allocation des fonds propres la plus favorable.

3.2. Stress testing  

Pour rappel, la VaR mesure en un seul chiffre la perte maximale d’un portefeuille
d’actifs en cas de mouvement défavorable d’un marché fonctionnant dans des
conditions normales sur une période donnée, pour un horizon temporel précis et avec
un degré de probabilité déterminé.

De cette définition, il parait clairement que les modèles VaR reposent tous plus ou
moins sur l’hypothèse de stabilité des marchés. Ils s’avèrent ainsi limités face à des
événements extrêmes. En effet, les mouvements exceptionnels tels qu’un crash
boursier et un assèchement des liquidités du marché ne sont pas visés par la VaR. Ces
mouvements de faibles occurrences font l’objet d’une autre analyse basée sur des
simulations de crise. Par ce, le stress testing constitue le complément de l’outil VaR
qui ne représente qu’une partie du système de gestion du risque de marché.

3.2.1. Définition  

Le stress testing est un outil qui permet d’analyser la répercussion potentielle


d’événements exceptionnels sur le portefeuille de négociation et qui force les
gestionnaires à appréhender les vulnérabilités de l’institution à certains chocs.

Contrairement à la VaR, il permet de répondre à la question suivante : quel est le


montant de perte auquel l’institution doit faire face lors de la prochaine crise si la
composition du portefeuille de négociation ne change pas ?

En effet, dans les scénarios catastrophes, la notion de probabilité disparaît.


Statistiquement, les stress testing font donc référence à un maximum et non à un
quantile. On dit alors que ces simulations sont une vision du risque extrême.

- 67-
CHAPITRE 1: Processus de mise en place de la VaR du marché

3.2.2. Typologie  

Deux grandes familles de stress testing sont distinguées :

9 Les techniques objectives : qui utilisent comme scénarii de crises les désastres
financiers passés réellement vécus.

9 Les techniques subjectives : qui se basent sur des hypothèses et simulations.

La technique de stress testing est capable de simuler n’importe quel scénario jugé
intéressant. Elle parvient en effet à prendre en compte des situations complètement
absentes dans les données historiques et toute prévision, qui même peu probable, est
jugée possible. De cette manière, la simulation de crise pallie à un inconvénient
majeur des systèmes VaR qui se basent sur des données historiques.

3.3. Evaluation de la VaR  

Dés sa création, la VaR a connu une expansion rapide et est devenue un outil de
référence dans le système de suivi et de gestion du risque de marché.
Malheureusement, la nature parfois complexe de ce risque peine à être parfaitement
résumé par une statistique unique, si robuste soit elle.

3.3.1. Forces de la VaR  

Le développement rapide de cette technique et l’abondance de ses utilisateurs


illustrent les avantages croissants qu’elle suscite. Ces derniers se divisent en deux (02)
catégories : les avantages inhérents à la technique VaR (intrinsèques) et ceux liés à sa
mise en œuvre (pratiques).

a. Avantages intrinsèques  

Le principal attrait de cette mesure réside dans le fait qu’elle permet d’agréger en
un indicateur global l’exposition de l’institution au risque de marché. Ainsi, à des
données disparates (Voir les mesures classiques du risque de marché) et hétérogènes
se substitue une mesure unique facilement interprétable et comparable.

- 68-
CHAPITRE 1: Processus de mise en place de la VaR du marché

En tant qu’outil de reporting, elle fournit des informations sur les concentrations
des risques par type de marché, par trader et par produit financier.

De plus, par rapport aux autres mesures du risque de marché, la VaR est le seul
outil qui permet d’évaluer de manière quantitative la perte possible exprimée en unités
monétaires en tenant compte du bénéfice réel de la diversification.

Enfin, le holy scale (VaR) permet une gestion optimale des fonds propres et
d’allocation du capital disponible1.

b. Avantages pratiques  

Outre ses avantages intrinsèques, la VaR présente des avantages inhérents à sa mise
en place et à son application.

D’abord, l’incorporation de la VaR dans le système interne d’une institution


constitue le premier pas vers l’harmonisation. Une telle mesure vise à introduire un
langage commun pour tous les départements, un langage qui permettra notamment
d’interpréter les risques en termes comparables.

Puis, la VaR pousse à une meilleure communication dans l’entreprise et à


l’instauration de systèmes d’information plus puissants. Ainsi, le simple fait de
collecter les données requises pour le calcul de la VaR, oblige l’institution à bien se
connaître.

Enfin, une méthodologie VaR permet de répondre aux besoins internes de


l’institution notamment le renforcement du rapport actionnaires/dirigeants.

3.3.2. Limites de la VaR  

Comme pour ses avantages, ses limites se divisent en limites conceptuelles


(inhérentes à la technique) et pratiques.

1
Voir section 3 du chapitre 1 de la partie I.

- 69-
CHAPITRE 1: Processus de mise en place de la VaR du marché

a. Limites conceptuelles  

Le problème axe de la VaR est lié à ses hypothèses simplificatrices qui sont parfois
contestées par la réalité. Il s’agit de la stationnarité, linéarité et la normalité1.

b. Limites pratiques  

La difficulté pratique majeure réside dans la collecte des données nécessaires pour
alimenter les modèles d’estimation de la VaR.

De plus, la VaR a été conçue pour gérer le risque de marché. Certes, elle peut
également être adaptée au contrôle d’autres risques financiers. Néanmoins, elle reste
totalement inadéquate face aux risques stratégiques et d’autres risques non
quantifiables.

Enfin, la VaR est inutile sans une infrastructure organisationnelle bien développée,
à savoir un enregistrement précis des positions internes de l’institution, des
responsabilités de gestion bien définies et des procédures qui nécessitent une
mobilisation de fonds importante.

Malgré ses réels atouts, la VaR n’est pas un remède infaillible


pour contrôler l’activité de marché. C’est un outil entre les mains
des dirigeants qui doit être validé à posteriori, étayé par des
mesures complémentaires, utilisé à bon escient et qui ne saurait se
substituer à un contrôle interne rigoureux, ni au bon sens.

1
Voir section 3 du chapitre 2 de la partie I.

- 70-
CHAPITRE 1: Processus de mise en place de la VaR du marché

Pour jouer pleinement son rôle, la VaR du marché requiert une


certaine méthodologie pratique.

A travers ce chapitre, nous avons exposé cette méthodologie de


calcul de la VaR en mettant le point sur chaque étape avant
d’entamer sa critique.

De la constitution de la base de données, nous sommes arrivés à


la validation empirique du modèle et la présentation de ses mesures
complémentaires en passant par le choix de certains paramètres clés
pour le calcul du holy scale.

Comme toute autre mesure de risque, l’indicateur VaR n’est pas


à l’abri de critique. Il est certes d’un intérêt irréfutable qui ne
saurait exempte de limites.

- 71-
Application de la VaR au
portefeuille de la CELIM
CHAPITRE 2 : Application de la VaR au portefeuille de la CELIM.

Certes, le processus de mise en pratique d’une méthodologie VaR est présenté au


chapitre précédent. Cependant, la compréhension d’un tel processus ne serait jamais
assimilée s’il ne comportait pas un appui pratique. Une application chiffrée est
donc plus qu’indispensable pour bien le cerner.

Ce deuxième chapitre de la présente partie est réservé à cette application. Il est


totalement en adéquation avec le chapitre dispensé précédemment sauf qu’il se
propose d’apporter quelques gloses empiriques en appliquant les notions théoriques
à un portefeuille réel de valeurs mobilières.

À cet effet, nous tâcherons de présenter non seulement le calcul de la VaR et le


choix de ses paramètres, mais aussi de tester sa fiabilité. Nous tenterons également
de dépasser l’aspect ‘‘VaR indicateur de risque’’ pour arriver à la ‘‘VaR outil actif
de management’’.

À travers les trois sections composant ce chapitre, seront vus successivement :

¾ Une présentation générale de la structure d’accueil, de son portefeuille


ainsi que les pré requis à l’estimation de la VaR dans une première section.

¾ L’estimation de la VaR individuelle, de la VaR du portefeuille et


incrémentale dans une deuxième section.

¾ La VaR estimée sera recalculée en tenant compte de différents


paramètres et validée par un back testing dans une troisième section.

- 72 -
CHAPITRE 2 : Application de la VaR au portefeuille de la CELIM.

  Section 1: Cadre général d’analyse de la VaR


au sein de la CELIM

Dans cette section, nous exposerons la structure détentrice de notre portefeuille


d’analyse. Cette présentation sera suivie par la désignation des pré requis à
l’estimation de la VaR de ce portefeuille.

1.1. Présentation de la structure d’accueil 

Notre stage pratique a été effectué au sein de la CELIM SICAV. A cet effet, il
convient d’éclaircir l’acronyme d’OPCVM avant d’aborder toute notion relative à
cette structure.

1.1.1. OPCVM 

a. Définition, rôle économique et formes juridiques  

Les OPCVM désignent des Organismes de Placement Collectif en Valeurs


Mobilières ayant pour objet de créer et gérer un portefeuille de valeurs mobilières
pour le compte de tiers (actionnaires ou détenteurs de parts). Ils sont habilités à
collecter l’épargne aussi modeste soit elle en vue d’être investie sur le marché
financier. Ils jouent ainsi un rôle économique primordial et deviennent le principal
vecteur d’épargne. Ils offrent aux investisseurs la possibilité d’une gestion rationnelle
et professionnelle de leur épargne, notamment par l’assurance d’une grande division
des risques (sécurité), liquidité et rendement.

Les OPCVM peuvent se présenter sous deux formes juridiques:

9 Société d’Investissement à Capital Variable (SICAV) : c’est une société par


actions qui gère un portefeuille de valeurs mobilières de ses actionnaires.

9 Fonds Commun de Placement (FCP) : il s’agit d’une copropriété de valeurs


mobilières pour le compte des porteurs de parts. Contrairement aux SICAV, ces
derniers ne sont pas dotés de la personnalité morale.

- 73 -
CHAPITRE 2 : Application de la VaR au portefeuille de la CELIM.

b. OPCVM en Algérie  

La création des OPCVM en Algérie est survenue à la suite d’un contexte


économique bien spécifique. Ce paragraphe sera alors consacré à ce contexte ainsi que
les objectifs et le cadre réglementaire mis en place afin de garantir leur bon
fonctionnement.

b.1. Contexte économique de la création des OPCVM en Algérie 

L’alternative qui s’imposait à l’économie d’endettement était la création


d’organismes capables d’absorber l’épargne pour l’orienter vers l’économie et
dynamiser le marché financier. Dans cette optique, la création d’OPCVM fut
indispensable et le premier organisme créé en Algérie est la Société d’Investissement
à Capital Variable dénommée « CELIM » afin d’accompagner le développement du
marché boursier algérien.

b.2. Réglementation algérienne des OPCVM  

La réglementation1 régissant les OPCVM en Algérie découle des articles


composant les textes législatifs et réglementaires suivants:

9 L’ordonnance n° 96-08 du 10 Janvier 1996 relative aux OPCVM.

9 Le Règlement de la COSOB2 n° 97-04 du 25 Novembre 1997 relatif aux


OPCVM, a pour objet de définir les modalités de constitution, de fonctionnement et
les règles prudentielles ainsi que le contrôle des OPCVM.

9 L’instruction n° 97-02 du 30 Novembre 1997 relative aux OPCVM. Cette


instruction a pour objet de présenter les éléments qui constituent le dossier
d’Agrément des projets des statuts des SICAV ou de Règlement des FCP ainsi que le

1
Guide de la bourse et des opérations boursières, Réglementation et législation, M.L.P Editions, P 38.
2
Commission d’Organisation et de Surveillance des Opérations de Bourse.

- 74 -
CHAPITRE 2 : Application de la VaR au portefeuille de la CELIM.

prospectus d’information1 qui doit être approuvé, par la COSOB, et mis à la


disposition des souscripteurs avant l’émission de toute action ou part par un OPCVM.

Nous n’allons pas aborder toute la réglementation algérienne des OPCVM en


détail, mais on cite au moins les règles prudentielles de gestion dont on s’est servi
dans la présente recherche.

En application des dispositions de l’article 41 de l’ordonnance n° 96-08 sus-citée,


la gestion de l’actif de tout OPCVM doit respecter les règles ci-après:

9 Un OPCVM peut employer en titres et en valeurs mobilières d’un même


émetteur jusqu’à 20% de ses actifs.

9 Un OPCVM peut employer en titres et en valeurs mobilières d’un même


émetteur jusqu’au 60% de son actif si ces titres ou valeurs sont émis ou garantis par
l’Etat.

9 Un OPCVM ne peut détenir plus de 20% d’une même catégorie de valeurs


mobilières d’un même émetteur.

9 Un OPCVM ne peut détenir en liquidité plus de 20% de ses actifs et peut


procéder à des emprunts d’espèces dans la limite de 10% de ses actifs.

1.1.2. Chariket El Istithmar El Mali (CELIM/SPA) 

a. Cadre général  

Après avoir exposé d’une manière générale les OPCVM et leur réalité algérienne, il
convient de présenter la CELIM SICAV.

1
Le prospectus d’information comprend la note d’information et la fiche signalétique. Les OPCVM sont tenus aussi
d’afficher dans les locaux des SICAV, du gestionnaire du FCP et des établissements chargés des souscriptions et de
rachats, la valeur liquidative de leurs actions ou parts ainsi que les commissions de souscription et de rachat. Les
statuts, les publications périodiques, les rapports annuels ainsi que les documents comptables (Bilans et TCR)
doivent être disponibles en quantités suffisantes dans les mêmes locaux.

- 75 -
CHAPITRE 2 : Application de la VaR au portefeuille de la CELIM.

La " C.EL.I.M " est la première et seule Société d'Investissement à Capital Variable
en Algérie. Elle a été créée le 08 janvier 1998 par décision de l'Assemblée Générale
constitutive.

La C.EL.I.M a été agréée par la COSOB en qualité de Société d’Investissement à


Capital Variable (SICAV) par la Décision n°01 du 31 Mars 1998. Elle est constituée
à l’initiative de deux banques et une société d’assurance: la BNA, BDL et la SAA,
avec une participation de 40 millions de dinars chacune, constituant ainsi le capital
social initial de la SICAV qui s'élevait à 120 millions de dinars, réparti en 120 milles
actions1.

Le fonctionnement d’une SICAV est assuré par une société de gestion et un


dépositaire. La première est chargée de sa gestion tandis que le deuxième s’occupe
principalement de la conservation des titres et éventuellement de leur
commercialisation. La CELIM présente la particularité d’être autogérée puisque la
notion de « société de gestion d’OPCVM» n’ayant pas été prévue par la
réglementation actuelle. La BDL assure actuellement le rôle de dépositaire.

La valeur liquidative est calculée le dernier jour ouvré de chaque semaine selon la
formule suivante :

Actif net 2
VL =  
Nombre d ' actions en circulation

Les souscriptions ainsi que les rachats d’actions CELIM-SICAV s’effectuent à la


valeur liquidative du jour de souscription et de rachat selon les modalités suivantes :

PS = VL × (1 + Commission de souscripti on ) × nombre d ' actions souscrites  


1
PR = VL × (1 − Commission de Rachat ) × nombre d ' actions rachetées  
1
La valeur nominale de l’action CELIM a été revue à la baisse. Elle est actuellement de 1000 DA chacune.
2
VL est la valeur liquidative, l’actif net est déterminé en tenant compte des plus ou moins values latentes, des
dividendes non encore distribuées et des revenus réalisés depuis le début de l’exercice en cours.

- 76 -
CHAPITRE 2 : Application de la VaR au portefeuille de la CELIM.

Le montant maximum des frais de gestion, visé à l’article 51 de la dite ordonnance,


ne peut excéder 2% de la moyenne des actifs constatés lors de l’établissement de la
dernière valeur liquidative de chaque mois, déduction faite des actions ou parts
d’autres OPCVM détenues en portefeuille.

b. Organisation et missions  

Pour l’exercice de ses missions, la CELIM est organisée comme suit :

Figure 2.1 : Organigramme hiérarchique de la CELIM SICAV

Président Directeur
  Général

 
Chargé de Secrétaire de
l’Administration et direction
des Finances

Responsable de la Responsable de la
structure Front structure Back
Office Office

Chargé de Gestion Analyste financier Chargé du registre Chargé de la


du portefeuille du marché « actionnaires » comptabilité

Cette présentation d’organigramme n’est qu’un projet théorique. La CELIM


comprend actuellement un PDG, un chargé du Back Office et un chargé
d’administration.

1
PS et PR sont respectivement les prix de souscriptions et de rachats. Les montants des commissions de
souscription et de rachat ne dépassent pas respectivement un maximum de 3% et 1,5% de la valeur liquidative.

- 77 -
CHAPITRE 2 : Application de la VaR au portefeuille de la CELIM.

b.1. Président Directeur Général (PDG) 

Le Président Directeur Général a pour mission :

9 La conception et la mise en œuvre de la politique d’investissement et de


placement adoptée par le conseil.

9 La sélection sur la base d’étude et d’analyse des titres devant constituer le


portefeuille et prise des décisions d’investissement et de réinvestissement.

9 La conception de la politique commerciale et de communication et le suivi de


leur mise en œuvre ainsi que la supervision et le suivi de la gestion comptable et
administrative de la société.

9 L’évaluation de la performance de la CELIM.

b.2. Chargé de l’administration et des finances 

Il a pour mission:

9 La gestion et le suivi du dossier administratif de la société.

9 L’établissement de la paie et la tenue du registre de paie.

9 La tenue de la caisse et le registre de caisse.

9 La gestion du planning des congés annuels et la tenue des registres des congés.

9 Assure les différentes déclarations sociales et administratives et les droits qui


en découlent.

9 Procède à l’achat du matériel et de la fourniture de la société.

b.3. Secrétaire de direction  

Ses missions sont:

9 La saisie, l’impression et le classement des documents.

- 78 -
CHAPITRE 2 : Application de la VaR au portefeuille de la CELIM.

9 L’envoi des documents à caractère confidentiel.

9 Régule les liaisons de la Direction Générale avec l’environnement (accueil,


correspondance et téléphone).

9 Classement, traitement et enregistrement du courrier de la Direction Générale.

b.4. Front Office  

Le responsable du Front Office est chargé de :

9 La gestion du portefeuille de la CELIM et la mise en œuvre de la politique


commerciale.

9 La collecte de l’information financière et économique pour les besoins de


l’analyse fondamentale et de la conjoncture et l’établissement des différentes
statistiques.

b.3. Back Office 

Le responsable du Back Office assure :

9 La valorisation permanente de l’actif et le calcul de la valeur liquidative et sa


communication au réseau chargé des souscriptions et rachats.

9 La tenue de la comptabilité de la CELIM.

9 La gestion des titres et l’établissement de leur inventaire.

c. Présentation du portefeuille de la SICAV  

La CELIM SICAV est une SICAV diversifiée qui investit dans les produits
suivants: actions et titres assimilés, obligations et titres assimilés, titres de créances
négociables (bons du Trésor et autres titres de créances négociables), placements de
liquidité et dépôts bancaires à court terme.

- 79 -
CHAPITRE 2 : Application de la VaR au portefeuille de la CELIM.

La composition de son portefeuille évolue sans cesse au gré des transactions qui
s’effectuent. Le graphe ci-dessous affiche sa composition au 30/06/2008.

Figure 2.2: Composition du portefeuille de la CELIM au


30/06/2008

Groupe Saidal
9% 3% 09% EGH EL Aurassi
23 % 3,0 4,3 6,
21 , 42 %
12 , SRH
47 % 94 % ENAFOR
14 , 18 ,
44 % Sonelgaz
19 ,
Air Algérie
Algérie Telecom
Dépôt à terme

D’emblée, il apparaît que la composition du portefeuille de la CELIM est


déséquilibrée entre les titres de propriétés et les titres de créances. Ainsi, le
portefeuille obligataire représente plus de 80% du portefeuille global. Cette
composition influe inévitablement sur nos résultats.

Pour estimer la VaR d’un sous portefeuille de la CELIM, il y a tout un préalable


impératif permettant de mener une méthodologie adéquate. Ainsi, l’estimation de la
VaR commence toujours par le choix de certains paramètres d’où le paragraphe
suivant.

1.2. Préalables à l’estimation de la VaR  

1.2.1. Collecte de données  

Avant de collecter des données il faut d’abord choisir un portefeuille d’analyse.

a .Choix du portefeuille d’analyse  

Notre portefeuille d’analyse est une sous partie du portefeuille global de la CELIM
SICAV précédemment présenté.

- 80 -
CHAPITRE 2 : Application de la VaR au portefeuille de la CELIM.

Sa composition est limitée aux seuls titres cotés en bourse étant donné que la VaR
s’intéresse uniquement à la valeur mark to market. Ainsi, notre portefeuille est
constitué de cinq positions : deux titres de propriété (Aurassi et Saidal) et trois titres
de créances (Sonelgaz, Algérie Telecom et Air Algérie).

b. Collecte et analyses descriptive & graphique de la base de données 

Après avoir identifié la composition du portefeuille d’étude, nous avons récolté


auprès de la bourse d’Alger une base de données, d’environ deux (02) ans allant du
22/11/2006 au 30/06/20081, sur les cours bihebdomadaires des dites positions. La
première date représente la date d’introduction en bourse de l’obligation Algérie
Telecom. Le choix de cette date de départ nous permet de récolter les cours boursiers
des obligations Algérie Telecom et Sonelgaz puisque l’introduction en bourse de cette
dernière fut le 22/05/2006. Le seul problème auquel nous avons été contraint est
l’obligation Air Algérie dont l’introduction en bourse fut le 12/02/2007. Pour y
remédier, nous avons utilisé la valeur au pair de cette dernière pour la période allant
du 22/11/2006 au 12/02/2007, afin de compléter les cours qui manquaient et de
respecter l’équilibre temporaire de la base de données.

Le choix de la périodicité « bihebdomadaire » est fait suivant les séances de


cotation qui se tiennent deux fois par semaine : Lundi et Mercredi. Vu que le marché
boursier algérien est statique, une séance de cotation tenue n’affiche pas
automatiquement un cours. Par ce, nous avons été confronté au problème de quelques
données manquantes. Afin de remplir notre base de données et pour ne pas affecter la
variance de cette dernière et ne pas favoriser un cours sur un autre nous avons
complété chaque donnée manquante par un cours moyen des deux cours qui la
précédent et les deux cours qui la suivent.

Les graphes suivants retracent l’évolution des titres constituant le portefeuille au


cours de la période d’étude considérée.

1
Il s’agit de la date actuelle à laquelle la VaR est calculée.

- 81 -
CHAPITRE 2 : Application de la VaR au portefeuille de la CELIM.

Figure 2.3: Evolution des rendements à maturité des titres


obligataires
7%
6%
5% Sonelgaz
YTM

4% Algérie Telecom
3%
2% Air Algérie
1%
0%

006 006 006 007 007 007 007 008 008


/05 /2 /08 /2 /11 /2 /02 /2 /05 /2 /08 /2 /11 /2 /02 /2 /05 /2
26 26 26 26 26 26 26 26 26

Dates

D’après ce graphe, les prix1 des titres obligataires sont immaculés par leur tendance
parallèle et peuvent être qualifiés de titres stables durant toute la période d’étude sauf
le titre Sonelgaz qui a connu une légère hausse2 dans une première phase. Notons
enfin que le titre Air Algérie est le titre le plus stable.

Figure 2.4: Evolution des cours des actions

500

400
300 Aurassi
Cours

200 Saidal

100

00
6 06 06 07 07 07 07 08 08
/2 /20 /20 /20 /20 /20 /20 /20 /20
6/ 05 6/ 08 6/ 11 6/ 02 6/ 05 6/ 08 6/ 11 6/ 02 6/ 05
2 2 2 2 2 2 2 2 2
Dates

Quant au graphe des titres de propriété, il affiche une tendance semblable des titres
Aurassi et Saidal caractérisée par une légère chute dans un premier temps et une
relative stabilité dans un deuxième temps.

Le rendement est la variable la plus utilisée pour refléter les fluctuations de la


valeur marchande du portefeuille. Son calcul nécessite la détermination du rendement

1
Pour les obligations, nous avons calculé le rendement à maturité (YTM) à partir des prix déterminés (cours +
intérêt couru) à l’aide du solveur Excel via la formule des flux futurs actualisés. Il convient de rappeler que le YTM
est lié au prix par une relation inverse.
2
Notons que l’analyse est faite par rapport au prix tandis que le graphe représente les rendements à maturité (YTM).

- 82 -
CHAPITRE 2 : Application de la VaR au portefeuille de la CELIM.

des titres qui le composent et les proportions de ceux-ci dans le portefeuille1. Pour
respecter l’hypothèse de la stabilité de la composition du portefeuille requise par la
VaR et pour écarter l’influence de la variation des proportions sur le rendement du
portefeuille, nous avons utilisé celles de la date de calcul de la VaR, soit le
30/06/2008. Le rendement des actions est calculé par la formule habituelle abstraction
faite des dividendes qui sont censés être reflétés par les cours.

Selon la théorie Markowitz, le rendement du portefeuille (Rp) est donné par :

n
R p = ∑ x i × R i 2 
i =1

1.2.2. Choix de la méthode  

L’estimation du nombre VaR, comme nous l’avons développée dans le chapitre 2,


peut se faire sur la base de trois (03) méthodes. Quelle est alors la méthode à utiliser ?

Pour choisir une méthode, il suffit que ses hypothèses soient vérifiées par notre
base de données. Notre propos tient à tester uniquement l’hypothèse distributionnelle
du moment que la stationnarité requise par toutes les méthodes est confirmée par les
graphes d’évolution des titres, la linéarité est aussi vérifiée puisque les positions
considérées appartiennent à la liste des valeurs linéaires (actions et obligations).

a. Méthode de simulation de Monte Carlo  

La présentation de la méthode de simulation de Monte Carlo a montré qu’il s’agit


d’un outil très puissant et sophistiqué pour estimer la VaR.

1
Les rendements bihebdomadaires des titres et leurs proportions se trouvent respectivement dans la feuille Excel
« taux et prix » et « portefeuille ». La transformation du YTM annuel en un YTM bihebdomadaire est faite en
divisant le premier par le nombre de périodicités dans l’année, soit 2*52 périodicités.
2
Avec : xi la proportion du titre (i) dans le portefeuille et Ri son rendement. Voir feuille Excel « Rendement du
portefeuille »

- 83 -
CHAPITRE 2 : Application de la VaR au portefeuille de la CELIM.

Cette technique est cependant complexe et difficile à mettre en oeuvre, sans


compter son coût élevé, notamment en temps de calcul. Ainsi, l’estimation de la VaR
avec une telle méthode dépasse nos capacités et le temps qui nous a été accordé.

A cet effet, l’approche des simulations de Monte Carlo est à écarter d’ores et déjà
et notre choix portera sur les méthodes analytique et historique.

b. VaR analytique  

Confirmer ou infirmer l’usage de l’approche analytique, revient à vérifier la réalité


de l’hypothèse de normalité sur la distribution des rendements de notre portefeuille.

Pour ce faire, il suffit de comparer les distributions normale et empirique.1

Le traitement statistique des données sera effectué informatiquement à l’aide du


logiciel XLStat2 qui permet, après avoir inséré la rentabilité déterminée de notre
portefeuille, de calculer les indicateurs de détection de normalité et de tracer
l’histogramme de répartition des rentabilités.

b.1. Comparaison numérique  

Notre démonstration s’effectuera en trois étapes.

D’abord, nous calculons le Skewness3 pour chiffrer l’écart de symétrie constaté


entre la loi normale et la distribution des rendements de notre portefeuille.

Le calcul du coefficient d’asymétrie à l’aide d’une fonction Excel nous donne un


résultat de 1,2642 soit un coefficient d’asymétrie positif. Cela signifie que notre
distribution indique une longue queue vers la droite c'est-à-dire elle penche à droite.

Puis, nous déterminons le Kurtosis pour vérifier son aplatissement.

1
La moyenne et l’écart type de la distribution du rendement du portefeuille sont respectivement 0,0512% et
0,0434%.
2
Excel stat est un add-in du Tableur Excel qui permet d’ajouter certaines fonctions d’analyse de données. C’est une
application téléchargeable sur le site : www.Xlstat.com
3
Pour plus de détail sur les notions statistiques de Skewness et de Kurtosis, voir annexe n°1 jointe à ce mémoire.

- 84 -
CHAPITRE 2 : Application de la VaR au portefeuille de la CELIM.

Le coefficient d’aplatissement de notre portefeuille est égal à 8,3162 soit un


Kurtosis largement supérieur à trois (3). Cela veut dire que notre distribution
comporte de longues queues comptant ainsi plus d’observation que dans une
distribution gaussienne. Elle est alors qualifiée de leptocurtique.

Enfin, nous effectuons, à l’aide du logiciel XLStat, des tests de normalité.

Les quatre tests effectués dont celui de Jarque Bera (Voir feuille Excel « tests de
normalité »), rejettent l’hypothèse nulle et affirment la non normalité des rendements.

b.2. Comparaison graphique  

A l’aide du logiciel XLStat on a pu effectuer une comparaison graphique entre la


distribution empirique des rendements de notre portefeuille et la loi normale.

Figure 2.5: Comparaison graphique entre les distributions normale et empirique du


portefeuille.
Milliers

Histogrammes (Rendement bihebdomadaire) Fonctions de répartition (Rendement bihebdomadaire)

1.4 1

0.9
1.2
0.8
Fréquence cumulée

1 0.7

0.6
Densité

0.8
0.5
0.6
0.4

0.4 0.3

0.2
0.2
0.1

0 0
-0.002 -0.001 0 0.001 0.002 0.003 0.004 -0.001 0 0.001 0.002 0.003 0.004

Rendem ent bihebdom adaire Rendem ent bihebdom adaire

Rendement bihebdomadaire Normale(5.120E-4;4.340E-4) Rendement bihebdomadaire Normale(5.120E-4;4.340E-4)

Les graphes obtenus confirment notre intuition sur le degré d’asymétrie et


d’aplatissement.

Au vu du graphique, et des indicateurs considérés, nous pouvons affirmer que la


distribution de notre portefeuille n’est pas Normale.

- 85 -
CHAPITRE 2 : Application de la VaR au portefeuille de la CELIM.

L’hypothèse de Normalité est non vérifiée, l’approche analytique ne peut pas être
appliquée, le champ du choix des méthodes est restreint à la seule méthode historique.

1.2.3. Seuil de confiance et  horizon temporel  

Pour la présente application, nous estimons la VaR du sous portefeuille de la


SICAV dans un premier temps pour un seuil de confiance de 99%1.

Le choix de l’horizon dépend de la périodicité des données historiques. A cet effet,


nous choisissons un horizon bihebdomadaire.

Quant à la devise dans laquelle la VaR sera exprimée est le dinar algérien (DA).

De la présentation de la CELIM SICAV, notre structure d’accueil, et


de son portefeuille, nous sommes aboutis à un choix motivé du portefeuille
d’analyse et des paramètres préalables au calcul de la VaR.

Le champ d’application de la VaR au portefeuille de la CELIM étant


délimité, la prochaine section sera consacrée à sa deuxième étape pratique,
son estimation via la méthode retenue.

1
L’impact de modification de ce seuil sera présenté à la section 3 de ce chapitre.

- 86 -
CHAPITRE 2 : Application de la VaR au portefeuille de la CELIM.

  Section 2: Estimation de la VaR à l’aide


de la méthode historique

Nous venons de voir que l’approche paramétrique1 est totalement inappropriée au


portefeuille considéré. La technique historique est donc incontestablement la méthode
idoine de calcul de la VaR du sous portefeuille de la CELIM SICAV.

Nous allons dans cette section estimer les différentes VaR à l’aide de cette méthode
avant d’aboutir à leur interprétation.

2.1. Estimation de la VaR  

2.1.1. VaR Individuelle 

La VaR individuelle représente le risque de marché d’un instrument pris isolément.


Elle est très utile pour identifier les sources de risque dans le portefeuille.

Comme son nom l’indique, la VaR individuelle s’obtient en considérant les profits
et pertes relatifs à l’actif considéré. En effet, notre portefeuille étant constitué de cinq
positions, nous calculons dans ce qui suit cinq VaR individuelles.

La démarche de calcul de cette VaR est identique pour tout titre d’une même
catégorie mais elle présente quelques nuances d’une catégorie à l’autre.

a. Calcul des variations relatives (VRi,t ; RRj,t) 2 

La première étape de cette démarche consiste à déterminer les chocs connus par les
différents facteurs de risque durant la période d’étude.

La variation relative d’un titre de propriété est donnée par la formule suivante :

Ct − Ct −1
VRi ,t =  
Ct −1
1
La simulation de Monte Carlo n’est pas inappropriée mais elle dépasse nos capacités.
2
Ces résultats sont répertoriés dans la feuille Excel «VaR pour un portefeuille», colonne « variation relative ».

- 87 -
CHAPITRE 2 : Application de la VaR au portefeuille de la CELIM.

La 63éme variation relative du cours de l’action «Aurassi » est :

409,72 − 409,67 1
VR Aurassi , 63 =
409,67
= 0,0114%  

La variation relative d’une obligation est la différence entre deux rendements à


maturité successifs :

YTM t − YTM t −1 2
RR j ,t =  
YTM t −1

La deuxième variation relative du rendement du titre « Sonelgaz » est :

4,1680% − 4,1718%
RRSone lg az , 2 =
4,1680%
= −0,0910%  

b. Calcul des variations absolues (VAi, t ; RAj, t )3  

Dans cette étape, on applique les chocs passés sur la valeur actuelle des facteurs de
risque, soit la valeur (Ci,166 ; YTMj,166) à la date 30/06/2008.

Pour une action (i), la variation absolue unitaire à la date (t) est :

VAi ,t = Ci ,166 × (1 + VRi ,t ) (1)  

La variation absolue unitaire du cours de l’action Aurassi pour la 63éme période est :

VAAurassi , 63 = 430 × (1 + 0,0114%) = 430,05  


Pour un titre obligataire (j), la variation absolue du rendement (rendement futurs
simulés à la date (t) sont :

1
Il s’agit d’un rendement bihebdomadaire sans dividende de l’action.
2
Il s’agit d’une variation du YTM annuel (rendement à maturité annuel).
3
Ces résultats sont retracés dans la feuille Excel « VaR pour un portefeuille ».

- 88 -
CHAPITRE 2 : Application de la VaR au portefeuille de la CELIM.

RAj ,t = YTM j ,166 × (1 + RR j ,t )  

La variation absolue du rendement de Sonelgaz pour la deuxième période est :

RASone lg az , 2 = 5,4092% × (1 − 0,0910%) = 5,4043%  


Pour déterminer les prix futurs des titres obligataires à partir des YTM simulés,
nous utilisons la fonction Excel dite « Prix titre »1.

Le 2éme prix futur du titre Sonelgaz obtenu par cette fonction est :

2
PSone lg az , 2 = 96,9725%  

c. Détermination de la valeur future totale des titres (Vi,t ; Vj,t)3  

A partir de la relation (1), nous calculons la valeur future totale de chaque titre de
propriété en multipliant la valeur future unitaire (variation absolue) de chaque action
(VAi,t) par le nombre4 d’actions en question (ni) dans le portefeuille à la date de
référence.

Vi ,t = VAi ,t × ni  

La 63éme valeur future totale de l’action Aurassi est :

V Aurassi , 6 = 430,05 × 24077 = 10354287 ,66 DA  


 
 

1
Ses paramètres sont : la date de liquidation ; l’échéance ; le taux de rendement ; YTM simulé ; la valeur
d’échéance ; la fréquence et la base. Notons que la fréquence est égale à l’unité puisque les rendements sont annuels
et la base considérée est égale à trois qui signifie 365 jours.
2
A noter que le cours d’une obligation est exprimé par un pourcentage de la valeur nominale.
3
Les résultats de ces calculs sont dans la feuille Excel « VaR pour un portefeuille », colonne « valeur future totale ».
4
Les nombres des titres dans le portefeuille sont retracés dans la feuille Excel « Portefeuille », colonne « nombre ».

- 89 -
CHAPITRE 2 : Application de la VaR au portefeuille de la CELIM.

Les prix futurs obtenus à l’aide de la fonction Excel « Prix titre » sont multipliés
par la valeur nominale de chaque titre et le nombre d’obligations (nj) dans le
portefeuille pour calculer la valeur future totale (Vj,t) de ces dernières.

V j ,t = Punitaire × valeur no min ale × n j  

La deuxième valeur future totale de l’obligation Sonelgaz est :

V Sone lg az , 2 = (96,9725 / 100 ) × 3150 × 10000 = 30546349 ,5110  


d. Extraction de la VaR individuelle 

Une fois les valeurs futures totales déterminées, nous procédons au calcul des P&L:

1
P & Li ,t = Valeur future totale du titre − Valeur actuelle du titre  
La 63éme P&L de l’action Aurassi est :

P & L Aurassi ,6 = 10354287,66 − 430 × 24077 = 1177,66  


Afin de construire la distribution des P&L de chaque titre, les profits et pertes sont
triés par ordre croissant. La VaR individuelle est égale, comme on l’a vu, à la
n(1-q)iéme plus petite valeur des P&L. Par exemple la VaR individuelle de l’action
Aurassi est de (-121229,5099 DA). Ces résultats sont dans «VaR pour un actif isolé».

2.1.2. VaR du portefeuille d’analyse  

La VaR donne la possibilité de déterminer le risque encouru par l’ensemble des


instruments constituant notre portefeuille.

1
A à l’opposé de la perte Lt calculée dans les développements théoriques précédents, P&Li,t positif indique un gain
tandis qu’un P&Li,t négatif correspond à une vraie perte.

- 90 -
CHAPITRE 2 : Application de la VaR au portefeuille de la CELIM.

La procédure suivie pour le calcul de la VaR individuelle est presque similaire à


celle du portefeuille. La seule différence réside dans la colonne des P&L qui est
obtenue dans ce dernier cas par l’agrégation de l’ensemble des P&L de chaque titre.

5
P & L p = ∑ P & Li  
i =1

Par exemple la deuxième P&L du portefeuille est égale à (-4745903,2251).

Comme pour la VaR individuelle, ces P&Lp sont agencés par ordre croissant et la
VaR du portefeuille est déduite comme un quantile de la distribution des P&Lp au
seuil de confiance choisi (voir la feuille Excel « VaR pour un portefeuille »).

La VaR bihebdomadaire du portefeuille d’analyse au seuil de 99% est égale à


(-5257722,741 DA).

2.1.3. VaR Incrémentale des instruments  

Jusqu’à présent, l’analyse d’instruments individuels s’est limitée au calcul de leur


VaR « stand-alone », c'est-à-dire le risque d’une position considérée isolément.

Toutefois, dans le cadre d’un portefeuille dans lequel des effets de diversification
sont possibles et même souhaitables, il est intéressant d’analyser la contribution de
chaque position à la VaR globale. Cette information est fournie par la VaR
incrémentale ou marginale (IVaR).

Une fois la VaR globale déterminée, le calcul de la VaR incrémentale de chaque


titre se trouve aisée puisque cette dernière n’est rien d’autre que :

IVaRi = VaR du portefeuille − VaR( portefeuille − titre(i ) )  

La VaR incrémentale1 de l’action Aurassi est égale à 44362,8533 DA.

1
Voir la feuille Excel « VaR pour un actif isolé ».

- 91 -
CHAPITRE 2 : Application de la VaR au portefeuille de la CELIM.

2.2. Interprétation de la VaR  

Après avoir estimé la VaR de chaque position à travers les VaRs individuelles et
incrémentales ainsi que la VaR globale, il est intéressant de donner une interprétation
des résultats trouvés sans laquelle l’estimation de la VaR s’avère inutile.

Puisque la VaR tient en compte les effets de diversification du portefeuille, les


résultats obtenus dépendent des poids des titres dans le portefeuille. Pour mieux
détecter les composantes de la VaR globale, nous avons segmenté notre interprétation
en deux étapes.

Dans un premier temps, nous avons considéré la composition effective du sous


portefeuille de la CELIM et les résultats de l’estimation sont résumés dans le tableau
ci-dessous.

Tableau 2.1: VaR individuelle, incrémentale et global du sous portefeuille de la


CELIM au 30/06/2008 (99%, horizon bihebdomadaire)
Titre VaR individuelle VaR (Portefeuille-titre) VaR incrémentale
Saidal -50110,16 -5277156,25 19433,5
Aurassi -121229,5 -5302085,59 44362,85
Air Algérie -1299085,74 -4031326,15 -1226396,58
Sonelgaz -1506086,60 -3919955,88 -1337766,85
Algérie Telecom -2692368,05 -2841376,24 -2416346,5
Somme -5668880,067 -4916713,58
VaR globale -5257722,74 DA

- 92 -
CHAPITRE 2 : Application de la VaR au portefeuille de la CELIM.

Ce graphe projette les VaR individuelles contre leur VaR incrémentales.

Figure 2.6: VaR individuelles et incrémentales avec composition


effective du sous portefeuille de la CELIM au 30/06/2008

Air Algérie
Titres

Sonelgaz
VaR incrémentales
VaR individuelles
Aurassi

-3000 -2500 -2000 -1500 -1000 -500 0 500

VaR Milliers

Au vu du tableau et du graphique, nous pouvons tirer des informations utiles pour


mener notre interprétation.

D’abord, la somme des VaR individuelles des instruments composant le


portefeuille est supérieure1 à la VaR globale tandis que la somme de leur VaR
incrémentales lui est inférieure.

De plus, nous pouvons constater aisément qu’il y a une concordance entre les VaR
individuelles et incrémentales. En effet, la VaR incrémentale vient pour confirmer
l’importance du risque individuel tout en véhiculant une information supplémentaire
sur le signe de la VaR. Contrairement aux VaR individuelles qui sont toujours
négatives, les VaR incrémentales peuvent être de signe positif ou négatif. Un titre
ayant une VaR individuelle et incrémentale de même signe contribue à la
concentration du risque du portefeuille tandis qu’un titre dont les VaR individuelle et
incrémentale sont de signes différents aide à la diversification du risque global.

Suivant ce critère, nous pouvons scinder notre portefeuille en deux sous


portefeuilles ; un portefeuille actions (Aurassi et Saidal) qui diversifie le risque et un
portefeuille obligataire contribuant à la concentration de la VaR globale.

1
À noter que la comparaison est faite en valeur absolue c'est-à-dire 4916713 ,582 < 5257722 ,7415 < 5668880 ,067 .

- 93 -
CHAPITRE 2 : Application de la VaR au portefeuille de la CELIM.

Une comparaison entre les titres composant ces deux sous portefeuilles ne peut être
effectuée vu les montants disparates des positions et la nature différente des titres.
Nous nous intéressons donc à une comparaison des titres de chaque sous portefeuille.

Prise isolément, la VaR individuelle de l’action Aurassi est deux fois (02)
supérieure à celle de l’action Saidal et constitue ainsi une source considérable de
risque. Toutefois, du point de vue du portefeuille dans son ensemble, la position en
actions Aurassi permet de réduire le risque global de l’ordre de 44362,853 DA. Cela
signifie que si cette position (Aurassi) était annulée, la VaR du portefeuille
augmenterait de 44362,853 DA, passant de -5257722,7415 DA à -5302085,5948 DA.

D’ici, il apparaît que l’interprétation de la VaR individuelle à elle seule est


insuffisante et doit être complétée par une VaR incrémentale.

Le portefeuille obligataire affiche des positions d’un risque individuel nettement


élevé, soit un montant de -2692368,05 DA pour Algérie Telecom . L’annulation de
cette position conduit à une diminution du risque du portefeuille de 2416346,5 DA
passant ainsi de -5257722,7415 DA à -2841376,2418 DA. En effet, l’obligation
Algérie Telecom est incontestablement le titre le plus risqué dans le portefeuille tandis
que celle d’Air Algérie est la moins risquée, bien entendu pour la prochaine cotation.

Pour écarter l’influence des proportions des titres sur nos résultats, nous avons
procédé dans un deuxième temps au calcul des VaR individuelle et incrémentale
unitaires pour le sous portefeuille action. Ce tableau répertorie les résultats obtenus :

Tableau 2.2 : VaR individuelle et incrémentale unitaires des titres de propriété

Titre VaR individuelle unitaire VaR incrémentale unitaire

Aurassi -5,04 1,84

Saidal -2,93 1,13

Ces VaR désignent, comme à la première analyse, que le titre Aurassi est plus
risqué (VaR individuelle) et plus réducteur (VaR incrémentale) du risque que celui de
Saidal.

- 94 -
CHAPITRE 2 : Application de la VaR au portefeuille de la CELIM.

Quant au sous portefeuille obligataire, nous avons calculé des VaR individuelles et
incrémentales (VaR*) en considérant une même valeur nominale pour chaque titre
obligataire, soit une valeur de 30000000 DA.

Le tableau et le graphe ci-dessous reprennent les résultats obtenus.

Tableau 2.3 : VaR individuelle et incrémentale des titres obligataires avec une
valeur nominale identique
Titre VaR individuelle* VaR (Portefeuille obligataire-titre) VaR incrémentale*

Sonelgaz -1434368,193 -3941140,57 -1295780,4699

Air Algérie -1664072,254 -3645817,896 -1591103,144

Algérie Telecom -2349361,3 -3105016,122 -2131904,9183


VaR* globale
-5236921,0399 DA
obligataire

Figure 2.7: VaR* individuelles contre leur VaR* incrémentales

Air Algérie

Algérie Telecom
VaR* incrémentale
VaR* individuelle
Sonelgaz

-2500 -2000 -1500 -1000 -500 0


Milliers

Nous constatons que l’ordre d’importance du risque a changé par rapport à la


première analyse. En effet, l’obligation Algérie Telecom reste la plus risquée, vient
ensuite celle d’Air Algérie et en dernière position se présente l’obligation Sonelgaz.

Le risque de l’obligation Algérie Telecom représente 40% dans la VaR globale du


portefeuille obligataire. La VaR d’Air Algérie (31,78%) est légèrement supérieure à
celle de Sonelgaz (27,39%).

En tenant compte du seul critère « risque », la réaction logique est de liquider le


titre Algérie Telecom et éventuellement ceux d’Air Algérie et du groupe Saidal et de

- 95 -
CHAPITRE 2 : Application de la VaR au portefeuille de la CELIM.

réinvestir1 leur valeur dans les titres Sonelgaz et Aurassi ou d’acquérir de nouveaux
titres (suivant les possibilités offertes sur le marché).

Cependant, avant de procéder à de telles opérations, la CELIM doit se rapporter


aux rendements annuels que procure chaque titre obligataire et à leurs YTM calculés
au 30/06/2008 qui permettent de prendre en compte la durée de vie restante à courir
mais aussi à la réglementation à laquelle elle est soumise.

Le tableau suivant résume les informations qui nous permettent d’effectuer une
sélection des titres selon le critère risque–rendement tout en respectant les règles
prudentielles dictées par la COSOB.

Tableau 2.4 : Les paramètres de sélection des titres obligataires


Rendement Poids dans le
Titre YTM Ordre du risque Echéance
en cours portefeuille
Sonelgaz 4,25% 5,4092% + 6 ans 19,44%

Air Algérie 4,5% 5,5736% ++ 6 ans 14,47%

Algérie Telecom 4% 5,3111% +++ 5 ans 21,23%

Ce tableau confirme notre réaction sur le titre Algérie Telecom. Il convient de le


liquider puisqu’il présente le titre obligataire le plus risqué et le moins rentable.

Une comparaison entre les titres Sonelgaz et Air Algérie ne peut pas être effectuée.
Le titre Air Algérie présente un risque et un rendement plus élevés que ceux de
Sonelgaz. La décision dans ce cas revient à apprécier approximativement si le titre Air
Algérie présente la rémunération adéquate pour le risque encouru. Si c’est le cas, il
convient d’acquérir ce titre que celui de Sonelgaz puisque ce dernier a presque atteint
la limite réglementaire maximale du point de vue du poids. Pour les titres de capital, il
convient d’acquérir l’action Aurassi qui présente une composante réductrice du risque

1
Leur valeur peut aussi être utilisée pour satisfaire la demande de rachat.

- 96 -
CHAPITRE 2 : Application de la VaR au portefeuille de la CELIM.

du portefeuille et qui procure un dividende1 élevé par rapport à celui de du groupe


Saidal2.

Durant cette année, la CELIM a procédé à l’acquisition des titres Air Algérie et
Algérie Telecom. Cette décision s’explique par le fait que la CELIM veuille réduire le
poids de l’obligation ENAFOR dans le portefeuille.

En confrontant les résultats de notre étude aux décisions réelles qu’a prises la
CELIM, nous pouvons suggérer à la CELIM d’acquérir uniquement (si elle prend la
décision d’acquisition au 30/06/2008) le titre Air Algérie. Elle n’a pas à acheter (elle
doit au contraire le liquéfier si une possibilité s’offre) celui d’Algérie Telecom
puisqu’il a presque atteint la limite réglementaire maximale dans l’actif et présente le
titre le plus défavorable du point de vue du critère rendement-risque.

L’analyse du portefeuille par les VaR historiques individuelle, globale


et incrémentale a permis d’établir un classement des titres de la CELIM
par ordre d’importance du risque.

La prochaine section mettra en exergue la sensibilité de la VaR


par rapport à ses paramètres.

1
Les dividendes de l’année 2007 distribués par l’Aurassi et Saidal sont respectivement 47 DA/ action et
11 DA/ action.
2
Toutes ces suggestions sont faites dans le respect des disponibilités des titres sur le marché boursier.

- 97 -
CHAPITRE 2 : Application de la VaR au portefeuille de la CELIM.

Section 3: Poids des paramètres et validation


de la VaR historique

Nous avons calculé à la section précédente la VaR historique du sous portefeuille


de la CELIM pour un seuil de confiance fixe en utilisant tout l’échantillon collecté.

Dans ce qui suit, nous allons d’abord modifier ces paramètres1 afin de cerner leurs
répercussions sur l’ampleur des VaR trouvées, puis nous effectuons un test de
validation du modèle de la VaR historique construit.

3.1. Poids des paramètres  

Ce paragraphe est réservé pour démontrer l’effet des paramètres sur la VaR.

3.1.1. Niveau de confiance et taille de l’échantillon 

Puisque, les P&L sont classés par ordre croissant et que la VaR est par définition la
n(1-q)iéme petite valeur de la P&L, la VaR historique à 99% est certainement
supérieure2 à celles calculées à des niveaux de confiance inférieurs.

La VaR est aussi un estimateur dont la précision dépend du nombre d’observations.


Le chiffre VaR estimé sur une courte période passée et celui estimé sur une longue
période n’est évidemment pas le même notamment pour une VaR estimée par la
méthode historique qui se base sur les P&L historiques effectivement réalisés.
Logiquement, une période courte donne une VaR moins élevée car la valeur du
portefeuille demeure stable.

Pour rendre plus palpable ces jugements, nous nous proposons dans ce qui suit de
calculer la VaR à un seuil de 97%, 95% et 90% tout en considérant les périodes
suivantes : deux (02) ans, un an et six (06) mois.
1
Par paramètres, on entend le seuil de confiance, la taille de l’échantillon et la distribution. L’horizon n’est pas pris
en compte puisqu’il est considéré comme fixe et est égal à la périodicité.
2
Evidemment supérieure en valeur absolue.

- 98 -
CHAPITRE 2 : Application de la VaR au portefeuille de la CELIM.

Tableau 2.5 : VaR globale à différents seuils de confiance et


différents historiques1
99% 97% 95% 90%

VaR -5257722,7415 -4983459,5494 -4864949,1052 -4809929,1493


2 ans
VaR%2 -4,9488% -4,6906% -4,5791% -4,5273%

VaR -5024338,9129 -4981937,1515 -4856883,7379 -4804088,4022


1 an
VaR% -4,7291% -4,6892% -4,5715% -4,5218%

VaR -4854944,0425 -4831180,9418 -4809929,1493 -4801096,9838


6 mois
VaR% -4,5697% -4,5473% -4,5273% -4,5190%

Que ce soit d’une manière verticale ou horizontale, ce tableau confirme la réduction


de la valeur de la VaR avec celles du seuil de confiance et de la taille de l’échantillon
et plus le seuil de confiance est élevé plus l’influence de la restriction de l’historique
sur la valeur de la VaR est grande.

Cependant, la réduction horizontale se trouve plus élevée que celle verticale, alors
l’influence de la variation du seuil de confiance sur la VaR est plus importante que
celle de la taille de l’échantillon.

3.1.2. Distribution  

Après avoir calculé la VaR historique à la section précédente, nous


allons essayer dans ce qui suit d’estimer la VaR analytique.

Pour ce faire, nous avons effectué un test empirique de Normalité sur la variable
P&L de notre portefeuille. Les résultats obtenus ont rejeté l’hypothèse de Normalité3.

Pour mettre en relief l’importance du choix de la distribution en matière de calcul


de la VaR, nous avons considéré dans un premier temps que l’hypothèse de Normalité

1
Voir ces résultats dans la feuille Excel « poids des paramètres »
2
Ce pourcentage est le rapport entre la VaR historique et la valeur du portefeuille considéré à la date de calcul de la
VaR au 30/06/2008.
3
Voir la feuille Excel « norm des P&L »

- 99 -
CHAPITRE 2 : Application de la VaR au portefeuille de la CELIM.

est vérifiée et nous avons calculé la VaR analytique via la formule simplifiée à des
seuils de confiance différents. Dans un deuxième temps, nous avons ajusté la VaR
analytique par l’expansion de Fisher1 et nous avons déterminé l’écart de Fischer
constaté entre la VaR analytique et la VaR analytique ajustée. Puis, nous avons
comparé la VaR analytique obtenue à ce niveau et la VaR historique calculée à la
section précédente2. Les résultats trouvés sont repris dans ce tableau.

Tableau 2.6: VaR globale estimée sur deux (02) ans à différents
seuils de confiance et différentes méthodes
99% 97% 95% 90%
VaR analytique -4999205,4393 -4950273,7431 -4924363,5588 -4884460,3372
VaR analytique corrigée -5535304,3904 -5103045,7059 -4940675,1097 -4767472,9931
Ecart de Fischer 536098,9511 152771,9628 16311,5509 -116987,3441
Ecart de Fischer%3 -10,7237% -3,0861% -0,3312% 2,3951%
VaR historique -5257722,7415 -4983459,5494 -4864949,1052 -4809929,1493
Ecart -258517,3022 -33185,8062 59414,4536 74531,1879
Ecart%4 4,9169% 0,6659% -1,2213% -1,5495%
observation sous-estimation sous-estimation surestimation surestimation

D’après ce tableau, la VaR analytique engendre soit une sous-estimation soit une
surestimation par rapport à celle corrigée de l’asymétrie et du Kurtosis. Ceci dépend
du seuil de confiance considéré. Nous pouvons noter que l’écart de sous-estimation
diminue avec la réduction du seuil de confiance (99%, 97% et 95%) jusqu’à obtention
d’un écart de surestimation au seuil de 90%.

1
Voir l’expansion de Fischer en annexe n°4.
2
Voir la feuille Excel « VaR et hypothèse de normalité ».
3
L’écart de Fischer est la différence entre la VaR analytique et celle corrigée divisée par la VaR analytique.
Lorsqu’il est positif, il s’agit de la surestimation de la VaR analytique par rapport à celle corrigée, à contrario, un
écart négatif correspond à une sous-estimation.
4
Il s’agit d’un écart entre la VaR historique et la VaR analytique divisé par la première. Un signe positif correspond
à une sous-estimation du risque par la VaR analytique par rapport à la VaR historique.

- 100 -
CHAPITRE 2 : Application de la VaR au portefeuille de la CELIM.

Ces résultats peuvent être interprétés par les caractéristiques de la distribution des
P&L de notre portefeuille retracées dans le tableau 2.7 et le graphe n°8 représentant la
distribution Normale superposée à notre distribution empirique de la variable P&L.

Tableau 2.7: Caractéristiques de la variable P&L du portefeuille

Kurtosis Coefficient d'asymétrie Espérance Ecart type

37,2024 -4,0152 -4743695,2152 109835,4572

Figure 2.8: Comparaison graphique des distributions empirique des P&L et Normale

Histogrammes (Pertes & profits) Fonctions de répartition (Pertes & profits)

0.000006 1

0.9
0.000005
0.8
Fréquence cumulée

0.7
0.000004
0.6
Densité

0.000003 0.5

0.4
0.000002
0.3

0.2
0.000001
0.1

0 0
-6000000 -5500000 -5000000 -4500000 -4000000 -6000000 -5500000 -5000000 -4500000 -4000000

Pertes & profits Pertes & profits

Pertes & profits Normale(-4.744E+6;1.098E+5) Pertes & profits Normale(-4.744E+6;1.098E+5)

Au vu du tableau n°7 et ces graphes, nous constatons que notre distribution


présente un phénomène leptocurtique étalé vers la gauche.

La variation de l’écart de Fischer avec celle du seuil de confiance s’explique par la


relation qui lient le seuil de confiance (ou le quantile correspondant Zq), le Skewness
et le Kurtosis.

1 1 1
wq ≅ Z q + ( ) × ( Z q − 1) × SK + × ( Z q − 3 × Z q ) × EK − × ( 2 × Z q − 5 × Z q ) × SK 2
2 3 3

6 24 36

Où wq le quantile corrigé; Zq (valeur négative) le quantile correspondant à une N


(0,1) ; Sk le Skewness (Coefficient d’asymétrie) et EK l’excès d’aplatissement.

- 101 -
CHAPITRE 2 : Application de la VaR au portefeuille de la CELIM.

Tableau 2.8 : L’effet de l’expansion de Fischer sur le quantile corrigé

Seuil de confiance Effet du Skewness (wq) Effet du Kurtosis (wq) Effet conjoint (wq)

99% 0,7880 -10,3215 -7,2072

97% -1,8313 -3,3212 -3,2717

95% -2,4833 -0,9550 -1,7934

90% -2,6958 1,1978 0,2165

85% -2,4096 1,8081 0,4349

80% -1,9969 1,9070 0,7517

70% -1,0843 1,5121 0,9522

60% -0,1796 0,8065 0,8801

50% 0,6692 0,0000 0,6692

Au vu du tableau 2.8 nous pouvons tirer ces renseignements :

Le Skewness négatif fait augmenter la VaR pour tout seuil de confiance sauf pour
les seuils 99% et 50%.

Le Kurtosis n’a pas un effet à sens unique sur le quantile corrigé (donc sur la VaR
corrigée). Ainsi, pour les seuils 99%, 97% et 95%, un excès du Kurtosis positif fait
augmenter la VaR analytique tandis qu’il la réduit pour les autres seuils.

L’effet du Kurtosis sur le quantile corrigé est prépondérant par rapport à celui du
Skewness. C’est pourquoi l’effet conjoint des deux indicateurs fait augmenter la VaR
analytique pour les seuils appartenant à l’intervalle] 95%, 99%]. Alors, pour des seuils
élevés, un excès du Kurtosis positif associé à un Skewness négatif jouent
négativement sur la VaR analytique qui se voit rehaussée, sous l’effet de
l’augmentation du quantile corrigé wq, en se rapprochant de la VaR historique. L’écart
de Fischer passe ainsi de -0,3312% à -10,7237% pour les seuils 95% et 99% (sous-
estimation). Ce constat est confirmé par le graphe 2.8 où la distribution empirique des
P&L se situe en dessus de la distribution Normale correspondante.

- 102 -
CHAPITRE 2 : Application de la VaR au portefeuille de la CELIM.

À un moment donné, les effets opposés des deux indicateurs s’égalisent en valeurs
absolues et s’annulent. Ceci donne un wq ≈ Z q , ce qui rend les deux VaR analytiques et

corrigée égales. Dans ce cas, l’expansion de Fischer n’a aucun effet sur la VaR. Ce
point s’appelle point mort. Pour notre distribution, il se situe entre les seuils 90% et
95%. À partir de ce point, l’expansion de Fischer joue positivement (réduction) sur la
VaR analytique ce qui donne un écart de surestimation, confirmé par le graphe où la
distribution Normale se situe en dessus de la distribution empirique des P&L.

3.2. Back testing  

Le nombre d’observations (166 observations) disponible pour la présente


application ne permet pas d’asseoir un processus significatif de Backtesting.
Cependant, il faut garder à l’esprit que cette application s’inscrit dans le cadre d’une
démarche globale de calcul de la VaR et c’est cette dernière qui prime et non pas les
résultats chiffrés ou l’importance des données. Ainsi, nous avons procédé à un
backtesting pour la période allant du 03/09/2007 au 18/06/2008, soit 20 observations.

Pour ce faire, nous avons calculé 20 VaR différentes correspondantes aux dates
choisies aléatoirement. Toutes ces VaR sont aux seuils de confiance de 99% et 90%.

Chaque VaR trouvée est comparée avec le gain réalisé ou la perte effectivement
subie durant la prochaine cotation.

Les taux d’échec pour les seuils de 99% et 90% sont respectivement 5% et 10%, ce
sont des taux qui appartiennent à la zone verte selon les recommandations de la BRI.

- 103 -
CHAPITRE 2 : Application de la VaR au portefeuille de la CELIM.

Le tableau suivant résume les résultats du calcul effectué.

Tableau 2.8 : Récapitulatif du Back testing

Date actuelle VaR du portefeuille Perte Gain Dépassements

99% 90% 99% 90%

03/09/2007 -4631829,7 -3568237,8 -12119,34 0 0

26/09/2007 -4775283,4 -3723056,697 -154256,4733 0 0

03/10/2007 -4810884,783 -3765555,784 56040,4805 0 0

29/10/2007 -3829823,437 -2798005,794 -178167,3518 0 0

05/11/2007 -3870957,974 -2844509,001 -2929998,607 0 1

26/11/2007 -3973133,454 -2996920,763 104978,6758 0 0

10/12/2007 -3676276 -2745125,896 60343,7045 0 0

26/12/2007 -2714057,03 -2710362,66 39888,5768 0 0

16/01/2008 -2717735,76 -2700537,949 46471,0960 0 0

30/01/2008 -3875281,813 -3098182,155 -3962027,225 1 1

11/02/2008 -3927989,48 -3179775,459 86506,8778 0 0

27/02/2008 -3989690,827 -3289863,304 12290,0925 0 0

10/03/2008 -4043387,212 -3371939,965 13210,9589 0 0

31/03/2008 -5467357,949 -4809893,751 80406,7465 0 0

16/04/2008 -5597731,567 -4978330,012 50535,6164 0 0

30/04/2008 -5715411,464 -5125345,344 33982,6789 0 0

12/05/2008 -5820211,428 -5252269,813 69703,6215 0 0

28/05/2008 -4479635,813 -3958377,401 37965,3835 0 0

11/06/2008 -4601369,718 -4106213,612 48393,3835 0 0

18/06/2008 -4662311,582 -4185880,156 -6712,6164 0 0

Somme 1 2

Nombre d'observation 20 20

Taux d'échec 5% 10%

- 104 -
CHAPITRE 2 : Application de la VaR au portefeuille de la CELIM.

De là, on comprend la liaison entre le niveau de confiance et la fiabilité du système


VaR. En effet, plus le seuil est grand moins le taux d’échec est élevé et plus le
système est fiable. L’institution concernée doit alors faire un compromis entre le
degré de compétitivité sur le marché et la fiabilité du système interne de gestion des
risques.

La modification du seuil de confiance, de la longueur de la base de


données et de la méthode (distribution) choisie révèle une divergence des
VaR trouvées, justifiant ainsi l’attitude des autorités réglementaires qui
imposent un seuil de confiance de 99% et une année d’observation
historique.

Le failure rate, dégagé par la procédure du contrôle à posteriori du


modèle VaR obtenu( Back testing), doit tendre vers zéro pour assurer
d’une part la fiabilité du système de gestion des risques et permettre aux
utilisateurs de bénéficier de quelques avantages réglementaires y
afférents1.

1
Voir section 3 du chapitre 1 de la présente partie.

- 105 -
CHAPITRE 2 : Application de la VaR au portefeuille de la CELIM.

L’objectif de ce deuxième et dernier chapitre était de présenter l’approche Value


at Risk pour la mesure du risque du sous portefeuille de la CELIM.

Pour ce faire, nous avons commencé par donner un descriptif de la CELIM


SICAV, notre structure d’accueil, de son portefeuille et du portefeuille sujet
d’étude.

Par la suite, nous avons choisi les paramètres de la VaR et démontré que
l’hypothèse sous jacente de normalité des distributions des rentabilités n’est pas
respectée par notre portefeuille qui possède une distribution leptocurtique plus
étalée vers la gauche 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. Cette
élimination motivée nous a conduit à aboutir à la conclusion que l’approche
historique était la méthode idoine pour notre analyse.

Par le biais de cette méthode, nous avons calculé dans un premier temps les VaR
individuelles des titres et la VaR du portefeuille dans sa globalité dans un
deuxième temps. Puis, nous avons mené une analyse par la VaR incrémentale.

La VaR ainsi déterminée a été recalculée en considérant d’autres paramètres afin


de faire apparaître le poids de ceux-ci dans son estimation. Dans ce cadre nous
avons insisté sur l’hypothèse de normalité. En fait, nous avons estimé la VaR
analytique et déterminé le biais engendré par cette hypothèse en corrigeant cette
distribution et nous en avons conclu que cette hypothèse a tendance à sous-estimer
le risque encouru par rapport à la VaR historique.

Les VaR trouvées ont été enfin validées par un back testing qui nous a permis de
dégager un failure rate appartenant à la zone verte.

- 106 -
PARTIE II : Application de la VaR à la gestion d’un portefeuille de valeurs mobilières

P ar ce, nous arrivons au terme de la deuxième partie


du présent mémoire, dans laquelle nous avons
abordé les aspects pratiques de mesure du risque de
marché par l’approche VaR.

Par un souci de pragmatisme, nous avons essayé de lui donner


plus de valeur empirique en insistant sur la mise en œuvre réelle
d’un maximum de notions vues dans la théorie.

A présent, les aspects théoriques et pratiques étant développés,


vous trouverez une synthèse et suggestions qui rallient les deux
parties de ce mémoire afin de mettre en évidence son objectif
ainsi que son aboutissement.

- 107 -
SYNTHESE ET SUGGESTIONS

Tout au long de ce mémoire nous avons tenté de répondre à la problématique


suivante : «Quels sont les besoins de mesure du risque de marché par la Value at
Risk pour une société de gestion d’actifs financiers telle que la CELIM SICAV?».

À ce niveau, nous nous posons cette question: est ce que nous avons répondu à
cette problématique par l’ensemble des informations contenues dans le corps de ce
mémoire ? Si oui, comment pouvons-nous lier ces informations qui paraissent
éparpillées afin de permettre au lecteur de suivre le fil conducteur de notre travail et
de lui montrer notre aboutissement ?

Notre recherche a été segmentée en deux parties.

Nous avons commencé par la présentation de la sensibilité du monde bancaire et


sa forte exposition à une vaste série de risques. Le développement des produits
traités sur les marchés nous a poussé à aborder le risque de marché lié à la détention
d’un portefeuille d’instruments financiers. Pour se prémunir contre ce dernier, l’art
du banquier est de le gérer. Sa gestion est un processus qui englobe plusieurs
étapes. Sachant que ce qui n’est pas mesuré ne peut pas être géré, nous avons
consacré notre recherche à une seule étape de ce processus ; la mesure du risque de
marché qui fait recours à deux approches, classique et moderne.

La présentation des techniques classiques a mis en évidence leur insuffisance


dans des marchés en perpétuelle expansion. Ceci, a donné naissance à une mesure
moderne du risque de marché, la Value at Risk qui a fait l’objet de ce mémoire.

Pour pouvoir l’appliquer à un portefeuille d’instruments financiers, nous avons


donné un descriptif général de la notion VaR dans un premier temps et ses
techniques d’estimation dans un deuxième temps. Par ce, nous avons clos la
première partie du mémoire qui a permis de régler le problème théorique d’outils
nécessaires à l’estimation de la VaR de marché et donc la mesure du risque de
marché.

- 108 -
SYNTHESE ET SUGGESTIONS

Dans la seconde partie, nous avons présenté les aspects pratiques de mise en
place d’une méthodologie VaR de marché. Nous avons développé d’une manière
générale le processus d’application de cet outil à un portefeuille quelconque dans
un premier chapitre et dans un deuxième, l’application concrète de ce même
processus au portefeuille de valeurs mobilières de la SICAV algérienne ; la
CELIM.

A ce stade (après avoir clos les deux parties), nous avons répondu à la question
de mesure du risque de marché par l’outil VaR pour un portefeuille d’une société
de gestion d’actifs financiers (la CELIM SICAV). Pour compléter notre réponse,
nous mettons en exergue les besoins réels de la SICAV d’un tel outil. Ces besoins
sont au nombre de trois : l’optimisation du rendement, la gestion des rachats et
l’information des souscripteurs.

Pour apporter de la valeur, les gestionnaires d’une SICAV doivent prendre des
positions (vendre ou acheter un titre donné, par exemple) mais aussi de mesurer la
quantité de risque consommée par celles-ci. A ce dernier besoin répond la mesure
VaR, notamment via les VaR incrémentales qui permettent de répondre à la
question suivante : « De combien va varier mon risque si je modifie une telle
position ? ». En effet, la VaR leur permet d’effectuer une sélection des titres (les
moins risqués et les plus rentables).

La SICAV a un devoir de rachat de ses actions à la demande de ses


souscripteurs. Pour répondre à cette demande, des liquidités doivent être
constituées. En Algérie, le volet de liquidité permanent que peut se constituer un
OPCVM est plafonné à 20% de ses actifs. Il peut aussi procéder à des emprunts
d’espèces dans la limite de 10% de ses actifs. Au cas où le montant de la demande
de rachats est supérieur à ces liquidités (liquidité permanente et emprunts),
l’OPCVM doit liquéfier les actifs de fond du portefeuille pour y faire face. A l’aide
de la technique VaR, le gestionnaire peut agir efficacement dans le respect du délai1
réglementaire du paiement de rachat.

1
En Algérie, le paiement des rachats s’effectue dans les deux jours ouvrés suivants la date de rachat.

- 109 -
SYNTHESE ET SUGGESTIONS

En effet, si la VaR calculée par exemple à (j-7)1 indique une perte très élevée, le
gestionnaire prévoit une baisse éventuelle des cours des titres et une demande
massive de rachats au jour (j). Pour compléter le volet de liquidité nécessaire à
cette dernière, il procède à la vente des titres du portefeuille appropriés (les plus
risqués et les moins rentables sélectionnés à l’aide de la VaR) à un prix acceptable
à (j-3) avant que la baisse éventuelle des cours des titres ne se produise.

Pour pouvoir fidéliser ses actionnaires, la SICAV doit, outre l’obligation de


publication de la valeur liquidative (VL), afficher la VaR. Cette information VL-
VaR leur permet d’avoir une idée sur le rendement de l’action SICAV, ajusté au
risque afin de pouvoir prendre les meilleures décisions possibles suivant le critère
rendement-risque.

Notre étude a été effectuée dans le but de suggérer quelque chose à notre
structure d’accueil. Ainsi, la description théorique de la technique VaR et son
application chiffrée ainsi que nos constats dégagés durant notre stage pratique
au sein de la CELIM constituent, nous le pensons, de solides arguments sur
lesquels nous nous appuyons pour suggérer vivement ce qui suit.

Partant des tâches assurées par le Font Office2 de la CELIM (chargé de la gestion
du portefeuille et de l’analyse de la situation financière des entreprises émettrices),
ce dernier doit être renforcé par la mesure du risque de marché par la VaR. Cette
technique permettra d’optimiser le rendement de l’action CELIM par la prise en
considération du risque de fluctuations du portefeuille de négociation, de s’associer
à la valeur liquidative calculée par le Back Office constituant ainsi une information
complète pour le client et de faciliter l’établissement de critères rigoureux de
sélection des titres qui vont composer le portefeuille de la CELIM.

1
Il s’agit d’une VaR calculée pour un horizon de 7 jours. On la calcule pour cet horizon pour que le gestionnaire
puisse agir au temps opportun.
2
Actuellement, la CELIM ne dispose pas du Front Office. C’est le PDG qui assure ses tâches. La technique VaR
doit renforcer le Front office lorsqu’il sera mis en place.

- 110 -
SYNTHESE ET SUGGESTIONS

Pour jouer pleinement son rôle, la technique VaR, une fois mise en place, doit
être estimée par différentes approches et la variation de ses paramètres est
recommandée afin d’assurer la convergence des différentes mesures VaR vers la
vraie exposition au risque. Outre la validation des performances du modèle à
posteriori via un back testing, cette technique doit aussi être complétée par la
procédure du stress testing permettant d’évaluer l’impact des situations extrêmes
sur les positions de la SICAV.

La mise en place de cette technique nécessite des moyens aussi bien humains
que matériels. En effet, le personnel de la CELIM doit, d’une part, être qualifié et à
jour en terme de gestion des risques puisqu’il traite des produits de marchés sans
cesse en évolution. D’autre part, l’utilisateur final du chiffre VaR doit comprendre
les modèles, hypothèses et facteurs de risques afférents aux calculs de la VaR des
portefeuilles. De plus, il doit être capable, en fonction des conditions de marché
passées, actuelles et qu’il présage, de relativiser et d’interpréter, bref de « sentir »
ce que signifie ce nombre eu égard aux conditions de marché. A cet effet, ce
personnel doit bénéficier d’un plan de formation bien concerté en fonction des
besoins de la CELIM SICAV et doit être muni d’un budget suffisant lui permettant
d’effectuer ses tâches convenablement. La CELIM doit dores et déjà intégrer dans
son cahier des charges un éventuel progiciel adapté au calcul de la VaR.

Avant de clore cette recherche, nous voulons informer l’ensemble des


institutions disposant uniquement de titres obligataires dans leur portefeuille,
particulièrement la BADR, ma banque de parrainage qui n’est pas actionnaire
auprès de la CELIM, qu’en effectuant les calculs de la VaR de la CELIM nous
avons soustrait le portefeuille actions du portefeuille global de la SICAV afin de
déterminer la VaR du portefeuille obligataire. De là, il s’est avéré que la VaR du
portefeuille obligataire s’élève à (-5287703,3982)1, soit une VaR supérieure à celle
du portefeuille de négociation global de la CELIM (-5257722,7415).

1
Voir la feuille Excel « VaR pour un portefeuille »

- 111 -
SYNTHESE ET SUGGESTIONS

A partir de ce résultat, je propose à toutes les institutions notamment bancaires


de diversifier leur portefeuille (acquérir par exemple les actions de la CELIM qui
vont être mises à la disposition du public dans le futur proche) et d’utiliser la
technique VaR dans leur système de gestion des risques afin d’assurer une
rentabilité supérieure ou au moins de réduire leur exigence en fonds propres
réglementaires.

Enfin, nous concluons par dire que la CELIM SICAV étant une SICAV
diversifiée a été particulièrement bien choisie pour mettre en évidence l’attrait de la
VaR comme une mesure synthétique du risque d’un portefeuille global et de
suggérer notamment aux institutions bancaires l’utilisation de cette technique et
l’acquisition du futur produit de la CELIM (action CELIM) afin de diversifier leur
portefeuille.

- 112 -
CONCLUSION .

T
out au long de ce mémoire, notre propos a été de démontrer dans
quelle mesure l’approche de la VaR est devenue un enjeu majeur de la
mesure du risque de marché des OPCVM.

Nous avons ainsi vu que la méthode VaR vient compléter le spectre des
différentes méthodes de mesure du risque de marché existantes. Sa principale
caractéristique est de résumer les risques de pertes en un seul chiffre et d’agréger le
risque de marché à travers plusieurs classes d’actifs financiers. La présentation de
la théorie générale de la VaR montre que cet outil est objectif par nature mais ses
paramètres restent à définir par ses différents utilisateurs. Aussi, l’exposition de
l’extraction du chiffre VaR montre que son estimation nécessite des restrictions et
des hypothèses. En effet, la VaR est le résultat d’approximations dépendant
notamment de la technique d’estimation retenue qui n'est pas possible d'identifier
d’une manière universelle puisque chacune est applicable dans un contexte bien
précis. En dépit de la disparité de ces techniques d’estimation, la méthodologie de
mise en place de la VaR est standard. Elle requiert plusieurs étapes allant de la
collecte des données et le choix des paramètres jusqu’au back testing. Le test
d’hypothèse de normalité des rendements demeure cependant l’étape décisive de
ce processus.

Malgré ses limites, la VaR demeure incontestablement séduisante. Les réels


attraits que véhicule cette technique prennent largement le dessus aux yeux des
utilisateurs et elle nous a semblé intéressante pour la problématique de la mesure du
risque de marché au sein d’une SICAV.

Ainsi, l’étude ciblant l’analyse d’une partie du portefeuille de la CELIM SICAV


comprenant des actions et des obligations, nous a permis de mieux cerner la
problématique de la mesure du risque de marché par la VaR. Les conclusions
auxquelles nous sommes parvenus incitent cette structure à améliorer sa gestion de
portefeuille par la technique VaR et empêchent l’usage des prévisions sans études
fondées (naïves).

- 113 -
CONCLUSION .

En somme et au terme de notre mémoire, nous pouvons conclure que la VaR


demeure un puissant outil de gestion de risque sauf qu’il faut l’utiliser avec
beaucoup de précaution afin de mener une interprétation correcte des résultats. Il
faut 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 et c’est à l’investisseur lui-même de
prendre la décision finale.

Si notre étude se prête bien au cas simple d’une position linéaire, des progrès
restent à faire pour traiter des cas plus complexes. Deux prolongements sont
envisageables afin de compléter utilement notre travail de recherche: le cas d’une
position non linéaire et le cas d’une position dont la composition évolue au cours
du temps et d’enrichir les conclusions tirées par d’autres scénarii ou encore par
d’autres études complémentaires.

- 114 -
BIBLIOGRAPHIE .

Ouvrages :

1. AMENC N., LE SOURD V., Théorie de portefeuille et analyse de sa


performance, Edition Economica.
2. BERNARD P., JOULIA V., JULIEN-LAFERRIERE B., TARDITS J., Mesure
et Contrôle des Risques de Marché, Edition Economica, Paris, 1996.
3. CLOUHY M.,GALAI D., MARK R., Risk Management, Edition Mc Grow
Hill, USA, 2001
4. DEMAZY M., Value at Risk & Contrôle prudentiel des banques, Edition
Bruylant-Academia, Bruxelles, 2001.
5. ESCH L., KIEFFER R., LOPEZ T., Value at Risk: Vers un Risk Management
moderne, Edition De Boeck & Larcier s.a., Bruxelles, 1997.
6. ESCH L., KIFFER R., LOPEZ T., Asset & Risk Management, Edition De
Boeck & Larcier s.a., Bruxelles, 2003.
7. LA BAUME C., ROUSSET A., TAUFFLIEB C., Couverture des risques de
change et de taux dans l’entreprise, Edition Economica, Paris, 1999.
8. LE LAMARQUE E., Mangement de la banque : Risques, relation client,
organisation, Edition Pearson Education France, Paris, 2005.
9. LES Echos, la croissance des risques dans le monde : les nouveaux moyens d’y
faire face, Edition Pearson Education France, Paris, 2001.
10. MARIE A., PERCIE S., Risque et contrôle du risque, Edition Economica,
Paris, 1999.
11. MARTEAU D, Gestion des risques sur opérations de marché, Edition ESKA,
Paris, 1997.
12. RONCALLI T., La gestion des risques financiers, Edition Economica, Paris,
2004.
13. SARDI A., Audit et contrôle interne bancaires, AFGES Edition, Paris, 2002.
14. THIRIEZ H., La modélisation du risque : Simulation de Monte Carlo, Edition
Economica, Paris, 2004.
BIBLIOGRAPHIE .

15. VAN GREUNING H., BRAJOVIC BRATANOVIC S., Analyse et gestion du


risque bancaire, Editions ESKA, Paris, 2004.
16. VERNIMMEN P., Finance d’entreprise, Edition Dalloz, 1998.
Revues

1. ABDELHADI A., Estimation de la VaR d’un portefeuille d’actions : Etude


comparative des approches d’estimation, La revue du financier, n° 152, 2005.
2. De SEVERAC B. et TROMMSDORFF R., Comment concilier le concept de
VaR et la gestion du risque d’un portefeuille d’options ?, La revue Banque &
Marchés, n°49, Novembre-décembre 2000.
3. OHANISSIAN R., La pratique du « Risk Management », La revue du financier,
n° 146, 2004.
Travaux universitaires
1. BENDJEDDOU H., Value at Risk : Outil de Risk Management, Diplôme
Supérieur Des Etudes Bancaires, Ecole Supérieure de Banque, 2004.
2. BEN AMRANE T., DAHAMI R., FARSI Y., la gestion de portefeuille de
valeurs mobilières dans le cadre d’une Société d’Investissement à Capital Variable
algérienne, Licence en sciences commerciales et financières, Ecole Supérieure de
Commerce, 2000.
3. SIAHI R., Value at Risk : Nouvelle approche de gestion du risque de marché,
Diplôme Supérieur Des Etudes Bancaires, Ecole Supérieure de Banque, 2007.
Sites Internet

1. www.cosob.org
2. www.lesechos.fr
3. www.oanda.com
4. www.riskglossary.com
5. www.riskmetrics.com
6. www.wikipédia.com
Annexe 1 : Notions statistiques et probabilistes

Annexe 1: Notions statistiques et probabilistes

Les données recueillies servent à deux fins différentes mais complémentaires,


soient la description et l’inférence statistique.

1.1. Statistique de gestion  

La statistique de gestion englobe les techniques au moyen desquelles des données


quantitatives se trouvent rassemblées, organisées, présentées et analysées.

L’objectif principal de la statistique moderne est de faciliter la prise de décisions


dans des conditions d’incertitude.

La statistique de gestion comporte deux branches, soit la statistique descriptive et la


statistique inférentielle.

Statistique de gestion.

Statistique Statistique
descriptive. inférentielle.

Estimation. Tests d’hypothèse.

La statistique descriptive traite du rassemblement et de la description des données


numériques. Elle utilise pour cela, soit des méthodes graphiques, soit des méthodes de
calcul numérique.

Il arrive fréquemment que l’on se contente d’estimer les paramètres d’une


population à l’aide de quantités calculées à partir d’un échantillon, appelées
Annexe 1 : Notions statistiques et probabilistes

statistiques de l’échantillon. Ce sont généralement les budgets alloués ou les délais


impartis qui justifient cette approche. Il s’agit de la statistique inférentielle.

L’inférence statistique couvre l’ensemble des méthodes qui permettent de prendre


certaines décisions à propos d’une population. Elle permet ainsi de généraliser des
données obtenues auprès d’échantillons à un ensemble plus vaste, la population.

Bien sur, il n’y a pas lieu d’employer l’inférence statistique si on effectue un


recensement, puisque l’information sur toute la population est connue.

Puisqu’il s’agit essentiellement de prises de décisions dans l’incertitude,


l’utilisation de concepts probabilistes devient en matière d’inférence statistique
nécessaire.

On examinera dans ce qui suit les concepts probabilistes dans un premier temps et
l’application de ces concepts en inférence statistique.

1.2. Notions de probabilités  

1.2.1. Variable aléatoire et loi de probabilités 

Une variable aléatoire (X) est une variable qui ne prendra ses valeurs xi (parmi les
différentes possibles) qu’après un tirage au hasard, c'est-à-dire après l’aboutissement
d’un processus, dit aléatoire, dont le résultat demeure en dehors du contrôle de
l’observateur. Elle est caractérisée par sa loi de probabilités et ses moments mk ( X ) .

On associe naturellement une loi de probabilité à une variable aléatoire pour décrire
la répartition des valeurs qu'elle peut prendre. Cette loi peut être exprimée de
différentes manières. Le plus souvent une fonction de répartition est utilisée pour la
caractériser. Celle-ci présente l’avantage d’être valable aussi bien pour les lois
discrètes que continues. Nous pouvons aussi la caractériser par une densité le cas
d’une loi continue et par la donnée des probabilités élémentaires dans le cas discret.

Ces notions seront décrites ci-dessous selon que la variable considérée est discrète
ou continue.
Annexe 1 : Notions statistiques et probabilistes

a. Variable aléatoire discrète  

a.1. Définition  

Une variable aléatoire est dite discrète si les valeurs prises par cette variable ne
peuvent se situer qu’en des points isolés. Dans ce cas, nous pouvons établir une liste
de données.

a.2. Exemple  

Le nombre de personnes par foyer, le nombre de pièces défectueuses dans un lot


échantillon.

a.3. Loi de probabilités  

On appelle loi de probabilité ou parfois distribution de probabilité d’une variable


aléatoire discrète (X) l’ensemble des couples (x i, p i).

a.4. Fonction de répartition   

La fonction de répartition d’une variable aléatoire discrète est une fonction en


escalier, les abscisses des marches correspondent aux différentes valeurs possibles,
leurs hauteurs étant égales aux probabilités associées.

b. Variable aléatoire continue  

b.1. Définition  

Une variable aléatoire continue peut revêtir n’importe quelle valeur, fut elle
fractionnaire ou irrationnelle. Son observation relève d’un processus de mesurage.

b.2. Exemple  

Le nombre moyen de personnes par foyer pour une grande population.


Annexe 1 : Notions statistiques et probabilistes

b.3.Densité de probabilités  

A l’encontre des variables aléatoires discrètes, il est impossible de faire une liste
des valeurs prises par une variable aléatoire continue et d’attribuer à chacune une
probabilité. Comme conséquence à cette caractéristique, l’approche qui convient dans
ce cas consiste à bâtir une « fonction de densité » de probabilité, représentable par une
« courbe de probabilités ». La loi de probabilités s’obtient alors à partir de la densité
de probabilités en s’intéressant à l’aire située sous cette courbe et nous ferons en sorte
que, si l’on considère l’aire située entre deux verticales, la proportion que représente
cette aire, par rapport à l’aire totale, soit la mesure de la probabilité pour que la
variable aléatoire continue choisie prenne une valeur dans l’intervalle des valeurs
compris entre ces deux verticales. Afin d’éviter le calcul répété d’intégrales de ce
genre, lorsqu’il s’agit de distributions continues de probabilités assez fréquemment
rencontrées dans la pratique, des tables, suffisamment détaillées ont été
confectionnées, telle que la table de la loi normale.

Quantiles de la distribution normale


q Zq
0,5 0,0
0,6 0,2533
0,7 0,5244
0,8 0,8416
0,85 1,0364
0,9 1,2816
0,95 1,6449
0,96 1,7507
0,97 1,8808
0,975 1,96
0,98 2,0537
0,985 2,1701
0,99 2,3263
0,995 2,5758
Annexe 1 : Notions statistiques et probabilistes

b.4. Fonction de répartition 

La fonction de répartition d'une variable aléatoire continue est la primitive de la


densité qui s'annule en − ∞ .

FX ( x) = P[X ≤ x ] = ∫ f X (t )dt
x

−∞

c. Caractérisation d'une variable aléatoire par ses moments 

Nous nous contentons de donner une définition des moments centrés d’une variable
aléatoire en général.

c.1. Définition  

On définit le moment d'ordre k d'une variable aléatoire X, que l'on note mk,
comme :

c.2.Moments (1, 2, 3,4) 

9 Espérance

Le moment d'ordre un (1) de la variable X noté μ ≡ m1 = E [X ] , correspond à son


espérance. Il s’agit d’un indicateur de tendance centrale le plus connu (à coté du mode
et de la médiane).

9 Variance

Le moment d'ordre deux (2) d’une variable aléatoire centrée noté


σ 2 ≡ m2 = E [( X − μ ) 2 ] est appelé variance. C’est un indicateur de dispersion qui permet
d’affiner l’étalement de la distribution autour de sa moyenne et la variabilité des
observations.
Annexe 1 : Notions statistiques et probabilistes

La racine carrée de la variance, appelée écart-type et notée σ , fournit une grandeur


homogène à la grandeur de base et à la moyenne.

9 Coefficient d’asymétrie

En théorie des probabilités et statistiques, le coefficient d’asymétrie (Skewness) est


un moment standardisé qui mesure l'asymétrie (manque de symétrie) de la densité de
probabilités d'une variable aléatoire . C’est le moment d'ordre trois de la variable
X − μ 3⎤
centrée réduite donnée par SK = m3 = E ⎡⎢( ) ⎥.
⎣ σ ⎦

Lorsque la distribution est symétrique, la moyenne et la médiane sont égales. À


contrario, si elle est dissymétrique, la moyenne se déplace
plus rapidement que la médiane et ce, dans le sens de l'étalement.

Le signe de ce coefficient indique le type de dissymétrie. Un coefficient positif


indique une queue de distribution étalée vers la droite. Un coefficient négatif indique
une queue de distribution étalée vers la gauche. Dans le cas d'une distribution
symétrique, le Skewness (SK) est nul.

9 Coefficient d’aplatissement

Le moment d'ordre quatre de la variable aléatoire centrée réduite noté


⎡ X − μ 4⎤
K = m 4 = E ⎢( ) ⎥ est appelé coefficient d’aplatissement ou Kurtosis. Le Kurtosis
⎣ σ ⎦
est un indicateur d'aplatissement des valeurs extrêmes des distributions.

Pour une distribution de probabilités quelconque, ce coefficient est compris entre 0


et + ∝ . Pour une distribution de probabilité suivant une loi normale centrée réduite, ce
coefficient d'aplatissement vaut 3.

Un coefficient d'aplatissement élevé indique que la distribution est pointue en sa


moyenne et présente en contrepartie des queues de distribution épaisses (fat tails en
anglais). À l'opposé, un coefficient d'aplatissement proche de zéro indique une
distribution relativement aplatie pour une même variance.
Annexe 1 : Notions statistiques et probabilistes

En comparant le coefficient d’aplatissement d’une distribution quelconque par


rapport à celui de la loi normale, nous distinguons :

Distribution leptokurtique ⇔ K > 3

Distribution platikurtique ⇔ K < 3

Distribution mésokurtique ⇔ K = 3

En pratique, nous introduisons souvent la notion d’excès d’aplatissement noté (EK)


qui se mesure en soustrayant du coefficient d’aplatissement (K) la valeur
correspondant à la loi normale centrée réduite:

EK = K − 3
Un excès d’aplatissement positif désigne une distribution pointue et un excès
d'aplatissement négatif une distribution aplatie. S’il est nul, l’excès d’aplatissement
correspond à une distribution quasi normale, d’autant mieux qu’elle sera symétrique
(coefficient d’asymétrie proche de zéro).

Vu l’importance de la distribution de probabilités Normale en inférence statistique,


on a jugé nécessaire de présenter ses caractéristiques. La très grande majorité des
phénomènes naturels tendent vers cette distribution quand on prend un grand nombre
de mesures.

1.2.2. Distribution de probabilités Normale  

La distribution de probabilités Normale est rangée parmi les distributions à la fois


symétriques et moyennement aplaties. On dit qu’elle est représentée par une « courbe
en cloche ».

a. Description de la courbe Normale  

Une courbe de la distribution normale ressemble un peu à une cloche symétrique


dont le centre correspond à la moyenne. Cette courbe est gonflée au centre, autour de
la moyenne, mais baisse rapidement pour s'approcher de zéro, sans toutefois
Annexe 1 : Notions statistiques et probabilistes

l'atteindre. La surface totale sous cette courbe vaut toujours 1. Dans le monde des
probabilités (1) signifie la certitude qu'un phénomène se produise et 0 l'impossibilité.
Entre 0 et 1, c'est la probabilité qu'un évènement se produise. L'évasement de la
courbe correspond à l'écart type.

Cette figure1 nous permet de constater que les mesures près de la moyenne sont
plus probables que les mesures éloignées.

b. Paramètres de la distribution Normale 

La distribution Normale tient compte de l'écart type σ et la moyenne μ.

b.1. Ecart type 

L'écart type exprime la dispersion des mesures. Plus il est élevé, plus les mesures
sont dispersées et plus la courbe s'aplatit. La figure ci-dessous illustre trois courbes
aillant la même moyenne et des écarts types différents.

La surface sous cette courbe Normale doit rester constante et égale à 1. C'est
pourquoi un aplatissement du sommet résulte en un gonflement du reste de la courbe.

1
Les graphes utilisés dans cette annexe sont tirés du site internent : www. Wikipédia.com
Annexe 1 : Notions statistiques et probabilistes

b.2. Moyenne 

L'autre paramètre, la moyenne est plus facile à comprendre. Dans la figure ci-
dessous, les trois courbes ont le même écart-type, mais des moyennes différentes.

On constate que la forme des distributions ne change pas, mais elle se déplace
simplement sur l'axe.

1.3. Inférence statistique  

1.3.1. Estimation  

Un des problèmes importants de l’inférence statistique est d’estimer des paramètres


d’une population à partir des statistiques d’échantillonnage correspondantes.

a. Définition  

Le terme "Estimation" recouvre plusieurs réalités différentes. Ainsi, une


distribution de probabilités, les paramètres de cette distribution et ceux d’un modèle
sont autant d’éléments qui peuvent faire l’objet d’une estimation. C’est l'art d'extraire
d'un échantillon de l'information applicable à une population.

b. Typologie  

Nous distinguons l’estimation ponctuelle et l’estimation par intervalle.


Annexe 1 : Notions statistiques et probabilistes

b.1. Estimation ponctuelle  

L’estimation ponctuelle est le fait de calculer à partir d’un échantillon une valeur au
voisinage de laquelle la valeur inconnue que nous cherchons à estimer a une très
grande probabilité de se trouver.

La faiblesse de l'estimation ponctuelle vient de ce que l'estimation est fournie sans


aucune information sur sa crédibilité.

Il est parfois possible de mesurer cette crédibilité. C'est l'objectif que se fixe une
autre forme d'estimation, l'estimation par intervalle.

b.2. Estimation par intervalle  

Étant donné un échantillon, l'estimation par intervalle construit un segment


(l'intervalle de confiance) tel qu'il soit possible de calculer la probabilité (le niveau de
confiance) pour que ce segment contienne la valeur vraie θ 0 du paramètre estimé.

Pour un niveau de confiance donné, plus court est l'intervalle de confiance,


meilleure est la précision avec laquelle θ 0 a été localisé.

1.3.2. Test d’hypothèses  

a. Définition  

Un test d’hypothèse est un procédé d’inférence permettant de contrôler (accepter ou


rejeter) à partir de l'étude d'un ou plusieurs échantillons, la validité d’hypothèses
relatives à une ou plusieurs populations.

b. Exemples 

On présente comme exemple le test de Normalité de Jarque et Bera.

Le test de Jarque Bera est un test d'hypothèse qui cherche à déterminer si des
données suivent une loi normale. Ce test est formulé comme suit :
Annexe 1 : Notions statistiques et probabilistes

H0: les données suivent une loi normale.

H1 : les données ne suivent pas une loi normale.

La statistique de Jarque Bera est donnée par l’expression suivante :

n−k ( K − 3) 2
JB = ( SK 2 + )
6 4

Avec n le nombre d'observations, k le nombre de variables explicatives si les


données proviennent des résidus d'une régression linéaire, sinon k , SK le coefficient
d'asymétrie, K le Kurtosis. Ainsi, la statistique de Jarque et Bera conjugue les deux
coefficients d’asymétrie et d’aplatissement.

Une loi Normale a un coefficient d'asymétrie nul et un Kurtosis égal à 3. On saisit


alors que si les données suivent une loi normale, la statistique s'approche alors de 0 et
on accepte (ne rejette pas) Ho au seuil α.

Cette statistique ne teste pas à proprement parler si les données suivent une loi
Normale, mais plutôt si leurs Kurtosis et coefficients d'asymétrie sont les mêmes que
ceux d'une loi Normale de même espérance et variance.

On a donc:

H0 : S=0 et K=3.

H1 : S ≠ 0 ou K ≠ 3.
Annexe 2 : Notions mathématiques et économétriques

2.1. Formule de Taylor  

La formule de Taylor permet l'approximation d'une fonction plusieurs fois


dérivable au voisinage d'un point par une fonction polynôme dont les coefficients
dépendent uniquement des dérivées de la fonction en ce point.

D’une manière formelle, si n est un entier naturel et f est une fonction définie sur
un intervalle I contenant a et telle que f ( n ) (a) existe, alors :

f / ( a) f ( 2 ) ( a) f ( n ) ( a) n
f ( k ) ( a)
f ( x) = f ( a ) + ( x − a) + ( x − a) + .... +
2
( x − a ) + R( x ) = R( x ) + ∑
n
( x − a) k
1! 2! n! k =0 k!

Avec n! désigne la factorielle de n , et R( x) est un reste qui dépend de x et est petit


si x est assez proche de a .

2.2.  Linéarité  

Le concept de linéarité désigne un rapport de dépendance très simple entre


plusieurs variables. On dit que la variable y dépend linéairement des variables x1,...,xn,
ou on dit encore qu'elle s'exprime comme combinaison linéaire de ces variables, s’il
existe des constantes a1,...,an telles qu'on ait la relation :

y = a 1 x 1 + ...... + a n x n

2.3. Modèle  

Le modèle est une présentation mathématique (par un ensemble d’équations) d’une


réalité naturellement plus complexe.

Les équations du modèle permettent d’expliquer comment une variable


économique peut changer à la suite de modifications concernant d’autres variables
clés (variables explicatives).
Annexe 2 : Notions mathématiques et économétriques

Par exemple, on peut établir une équation pour expliquer l’évolution du


comportement d’épargne au fil du temps sous l’effet des tendances relatives aux
revenus et aux taux d’intérêt.

Je pense ajouter les hypothèses d’un modèle linéaire.


Annexe 3 : Taux de rendement à maturité d’un titre obligataire

Le calcul des taux de rendement des titres obligataires est fait par simple
application sous Excel.

Nous allons calculer pour le 31/12/2007, le taux de rendement du titre Air Algérie
grand public émis le 01/12/2004 pour une durée de 6 ans aux taux progressifs : 3,75%
les deux premières années, 4,50% les deux années qui suivent et 6,00% pour les deux
dernières années.

Date du dernier coupon : 01/12/2007

Date d’évaluation : 31/12/2007

Période courue = (date d’évaluation – date du dernier coupon) / 365

Au 01/12/2007, il reste au titre 3 années à courir (la première année restante est
diminuée de la période courue entre le 01/12/2007 et le 31/12/2007) :

Période Coupon Flux actualisés


1 1-Période courue 4,5 4,5/ (1+tx rend.)^ (1-Période courue)
2 2-Période courue 6,0 6,0/ (1+tx rend.)^ (2-Période courue)
3 3-Période courue 106 106/ (1+tx rend.)^ (3-Période courue)
Somme des flux actualisés

Taux de rendement = ?
Intérêts courus : 4,50*(Période courue)
Prix =cours boursier + Intérêts Courus I.C

Sous Excel, il suffit d’insérer cette formule et d’utiliser le solveur pour obtenir le
taux de rendement recherché. La contrainte à émettre est :

La somme des flux actualisés = Prix (cours boursier + I.C)


Annexe 4 : Expansion de Cornish Fisher

D’après Stuart et AL [1999], un très grand nombre de distributions que l’on


trouve en statistique tendent vers la normale quand le nombre d’observations tend
vers l’infini, mais dans des échantillons de moindre taille, la distribution normale
n’est pas évidente. C’est pour quoi il faut faire appel à l’expansion de Cornish
Fisher pour approximer les quantiles de ces distributions. Cette approximation
recourt aux moments d’une distribution (Skewness et Kurtosis) qui dévie de la
normale pour calculer ses quantiles.

Hull [2000] fournit cette approximation jusqu’au troisième moment d’une


distribution. L’expansion de Cornish Fisher s’écrit alors comme suit :

1
wq ≅ Z q + ( ) × ( Z 2 q − 1) × SK
6
Dans cette expression, wq est le quantile corrigé de la distribution au seuil q ; zq
est le quantile correspondant à une N (0,1) et Sk est le Skewness (Coefficient
d’asymétrie). A l’aide de cette formule, wq corrige uniquement l’asymétrie
constatée sur notre distribution.

Le problème principal des distributions réside dans le moment d’ordre quatre (le
Kurtosis). En tenant compte de l’excès d’aplatissement EK , Racicot et Théoret
[2001] expriment la relation comme suit :

1 1 1
wq ≅ Z q + ( ) × ( Z q − 1) × SK + × ( Z q − 3 × Z q ) × EK − × ( 2 × Z q − 5 × Z q ) × SK 2
2 3 3

6 24 36
Annexe 5 : Lexique statistique

Asymétrie négative : Se dit d’une distribution de données dans laquelle quelques


valeurs nettement inférieures aux autres déplacent la moyenne vers la gauche de la
médiane.

Asymétrie nulle : Se dit d’une distribution de données dans laquelle la médiane et


la moyenne coïncident.

Asymétrie positive : Se dit d’une distribution de données dans laquelle quelques


valeurs nettement supérieures aux autres déplacent la moyenne vers la droite de la
médiane.

Coefficient de corrélation linéaire : Mesure de la force de la relation linéaire entre


deux variables quantitatives.

Corrélation négative : Lien entre deux variables qui varient en sens contraire.

Corrélation positive : Lien entre deux variables qui augmentent ou diminuent


conjointement.

Concomitance : Nature du lien entre deux variables présentant un rapport de


simultanéité, souvent sous l’influence d’une troisième variable. Egalement appelée
cooccurrence.

Donnée : Résultat d’une mesure effectuée sur une unité statistique.

Ecart type : Mesure de dispersion symbolisée par σ ou s selon qu’elle a été


évaluée à partir de l’ensemble d’une population ou à partir d’un échantillon. Il
correspond à la racine carrée de la variance et s’exprime dans les mêmes unités que la
variable.

Echantillon : Sous ensemble d’une population formé d’unités statistiques


interrogées ou observées.
Annexe 5 : Lexique statistique

Echantillon représentatif : Echantillon qui rend compte de la diversité de la


population d’où il a été tiré et qui en reproduit les principales caractéristiques.

Erreur d’échantillonnage : Erreur provenant du fait que l’échantillon n’est jamais


une réplique exacte de la population. Elle correspond à l’écart entre la valeur réelle
d’un paramètre et la valeur de la statistique correspondante dans un échantillon.

Estimation : Volet de l’inférence statistique qui consiste à déterminer la valeur


d’un paramètre d’une population d’après la mesure correspondante (la statistique)
provenant d’un échantillon.

Estimation ponctuelle : Estimation de la valeur d’un paramètre d’une population


faite à partir de la statistique correspondante mesurée dans un échantillon.

Historigramme : Représentation graphique d’une série chronologique. On l’appelle


également chronogramme.

Moyenne : Mesure de tendance centrale qui correspond à la somme des valeurs de


chaque donnée divisée par le nombre de données. Elle est symbolisée par x barre ou
μ selon qu’il s’agit de la moyenne de données provenant d’un échantillon ou d’une
population.

Niveau de confiance : Probabilité qu’un intervalle de confiance contienne la valeur


réelle d’un paramètre d’une population.

Paramètre : Caractéristique d’une population qui fait l’objet d’une mesure.

Population : Ensemble de tous les faits, de tous les objets ou de toutes les
personnes, c'est-à-dire de toutes les unités statistiques, sur lesquels porte une étude ou
une recherche.

Quantiles : Mesures de position qui divisent une série statistique ordonnée en


plusieurs groupes comportant sensiblement la même proportion de données. Les
quantiles les plus courants sont les centiles, les déciles, les quintiles et les quartiles.
Annexe 5 : Lexique statistique

Recensement : Dénombrement complet ou inventaire exhaustif d’une population.

Série chronologique : Tableau présentant l’évolution d’une variable dans le temps.

Série statistique : Liste de données brutes relatives à une variable recueillies lors
d’une étude.

Statistique : Mesure obtenue à partir d’un échantillon. Une statistique sert


notamment à estimer la valeur d’un paramètre d’une population.

Test d’hypothèse : En inférence statistique, procédé employé dans le but de faire un


choix entre deux hypothèses à partir de renseignements obtenus auprès d’échantillon.

Valeur : Forme prise par une variable quantitative.

Variable : Caractéristique pouvant présenter des formes différentes pour chaque


unité statistique observée. Egalement appelée caractère ou facteur.

Variable quantitative : Variable qui s’exprime sous la forme d’une valeur


numérique.

Variable quantitative continue : Variable quantitative qui peut, en théorie, couvrir


toutes les valeurs d’un intervalle.

Variable quantitative discrète :  Variable quantitative qui ne peut pas, en théorie,


couvrir toutes les valeurs d’un intervalle.

Variable aléatoire : Variable qui ne prendra sa valeur (parmi les différentes


possibles) qu’après un tirage au hasard, c'est-à-dire après l’aboutissement d’un
processus, dit aléatoire, dont le résultat demeure en dehors du contrôle de
l’observateur.

Variation : Mesure de l’augmentation ou de la diminution de la valeur d’une


variable entre deux moments donnés. Elle s’exprime généralement dans les mêmes
unités que la variable.
TABLES DES MATIERES

INTRODUCTION……………………………………………………………………………… 1

PARTIE I : La value at Risk parmi les méthodes de mesure du risque 
de marché……………………………………………………………………………………….  4

INTRODUCTION……………………………………………………………………………………………………….. 4

CHAPITRE 1 : Risque de marché……………………………………………………………………………….  5

Section 1 : genèse des risques bancaires et notions de risque de marché ……………………….  6

1.1. Genèse des risques bancaires ….……………………………………………………………………………….  6
1.2. Notions du risque de marché ….……………………………………………………………………………….  8
1.2.1. Notions préliminaires …..……………………………………………………………………………………..  8
a. Portefeuille de négociation ….……………………………………………………………………………………..  8
b. Facteur de risque …..……………………………………………………………………………………………………  8
1.2.2. Définition du risque de marché………………………………………………………………………………  9
1.2.3. composantes ….……………………………………………………………………………………………………  9
a. Risque de taux …….……………………………………………………………………………………………………….  9
b. Risque de change …….………………………………………………………………………………………………….  9
c. Risque de variation des cours ………………………………………………………………………………………  9
1.2.4. Management du risque de marché …….………………………………………………………………… 10
a. Définition du Risk Management ………………………………………………………………………………….  10
b. Risque de marché au sein du Risk Management …….………………………………………………….… 10
b.1. Relevé des facteurs de risque …….…………………………………………………………………………….  10
b.2. Quantification de risque de marché …….……………………………………………………………………  11
b.3. Analyse, décision et planification des mesures …….………………………………………………….  11
b.4. Gestion opérationnelle et surveillance du risque de marché …………………………………..  11
b.5. Reporting des risques de marché …….……………………………………………………………………….  12

Section 2 : Mesures classiques du risque de marché………………………………………………………..  13

2.1. Présentation des mesures  ………………………………………………………………………………………  13
2.1.1. Risque de taux d’intérêt  …….…………………………………………………………………………………  13
TABLES DES MATIERES

a. Sensibilité …….……………………………………………………………………………………………………………..  13
b. Duration ………………………………………………………………………………………………………………………  14
c. Convexité …….………………………………………………………………………………………………………………  15
2.1.2. Risque de change ………………………………………………………………………………………………….  16
2.1.3. Risque de variation de cours …….…………………………………………………………………………..  16
a. Risque lié aux actions……………………………………………………………………………………………………. 16
b. Risque sur produits dérivés………………………………………………………………………………………….  17
2.2. Limites des mesures ……………………………………………..…….……………………………………………  19

Section 3 : Présentation de la value at Risk………………………………………………………………………. 20

3.1. Historique …….………………………………………………………………………………………………………….  20
3.2. Définition …….…………………………………………………………………………………………………………..  21
3.3. Paramètres  …….……………………………………………………………………………………………………….  21
3.4. Interprétation de la VaR …….…………………………………………………………………………………….  21
3.5. Périmètre d’application de la VaR …….……………………………………………………………………..  22
3.5.1. Value at Risk: outil d’allocation des fonds propres …….………………………………………….  22
25
3.5.2. Value at Risk: outil de Corporate Governance …….…………………………………………………  23
3.6. Utilisateurs  ……………………………………………………………………………………………………………..  23
3.6.1. Banques …….………………………………………………………………………………………………………….  24
3.6.2. OPCVM …….………………………………………………………………………………………………………….  24
3.6.3. Compagnies d’assurance …….…………………………………………………………………………………. 24
3.6.4. Entreprises non financières …….…………………………………………………………………………….  24
3.6.5. Personnes physiques …….………………………………………………………………………………………  25

CHAPITRE 2 : Approches d’estimation de la VaR………………………………………………………… 27

SECTION 1 : Approche locale…………………………………………………………………………………………..  28

1.1. Principe et hypothèses …….………………………………………………………………………………………  28
1.2. Procédure …….………………………………………………………………………………………………………….  29
1.2.1. Relevé des facteurs de risque et collecte de données …….……………………………………… 29
1.2.2. Mapping des facteurs de risque …….………………………………………………………………………  30
a. Mapping élémentaire …….……………………………………………………………………………………………  32
TABLES DES MATIERES

b. Mapping selon RiskMetrics ……. ………………………………………………………………………………….  33
1.2.3. Extraction de la VaR gaussienne…………………………………………………………………………….  35

SECTION 2: Approche générale……………………..…………………………………………………………………  36

2.1. Principe et hypothèses …….………………………………………………………………………………………  36
2.2. Procédure …….…………………………………………………………………………………………………………..  36
2.2.1. Relevé des facteurs de risque et collecte de données …….……………………………………..  36
2.2.2. Construction de la distribution empirique des P&L …………………….…………………………  37
2.2.3. Extraction du chiffre VaR …….………………………………………………………………………………..  38

SECTION 3 : Discussion comparative des forces et faiblesses des approches d’estimation 
de la VaR …………………………………………………………………………………………………………………………  42

3.1.Hypothèses restrictives…….………………………………………………………………………………………… 42
3.2. Modèles utilisés   …….……………………………………………………………………………………………….  43
3.3. Données historiques…………………………………………………………………………………………………  44
3.4. Complexité des calculs et d’utilisation………………………………………………………………………  45

CONCLUSION…………………………………………………………………………………………………………… 48

PARTIE II : Application de la VaR à la gestion d’un portefeuille de 
valeurs mobilières………………………………………………………………………….. 49

INTRODUCTION……………………………………………………………………………………………… 49

CHAPITRE 1: Processus de mise en place de la VaR du marché………………………  50

SECTION 1 : Pré requis à l’estimation de la VaR …….……………………………………………………….  51

1.1. Collecte de données …….…………………………………………………………………………………………... 51
1.2. Choix des paramètres …….………………………………………………………………………………………..  52
1.2.1. Distribution de probabilité ……. …………………………………………………………………………….  52
1.2.2. Horizon temporel ………………………………………………………………………………………………….  54
1.2.3. Seuil de confiance ………………………………………………………………………………………………….  57
TABLES DES MATIERES

SECTION 2: Calcul de la VaR …….………………………………………………………………………………………  59

2.1. Value at Risk d’un instrument financier isolé ……………………………………………………………  59
a. Cas général …….……………………………………………………………………………………………………………  59
b. Cas particulier : La variable Lt suit une distribution normale ....…………………………………….  60
b.1. VaR gaussienne pour des modèles linéaires……………………………………………………………..  61
b.2. VaR pour des modèles non linéaires ………………………………………………………………………..  63
2.2. VaR d’un portefeuille d’actifs financiers…….………………………………………………………………  64
2.3. Value at Risk incrémentale ……………………………………………………………………………………….  65

SECTION 3: Evaluation de la robustesse du modèle VaR et discussion critique…..…………….  66

3.1. Back testing …….………………………………………………………………………………………………………… 66
3.2. Stress testing …….…………………………………………………………………………………………………….  67
3.2.1. Definition …….………………………………………………………………………………………………………… 67
3.2.2. Typologie …….…………………………………………………………………………………….....................  68
3.3. Evaluation de la VaR …….…………………………………………………………………………………………… 68
3.3.1. Forces de la VaR …….……………………………………………………………………………………………..  68
a. Avantages intrinsèques …….………………………………………………………………………………………..  68
b. Avantages pratiques …….……………………………………………………………………………………………..  69
3.3.2. Limites de la VaR …….…………………………………………………………………………………………….  69
a. Limites conceptuelles …….…………………………………………………………………….........................  70
b. Limites pratiques …….………………………………………………………………………………………………….  70

CHAPITRE 2 : Application de la VaR au portefeuille de la CELIM……….…………….. 72

Section 1:Cadre général d’analyse de la VaR au sein de la CELIM………..……………………………  73

1.1. Présentation de la structure d’accueil……………………………………………………………………….. 73
1.1.1. OPCVM……….………………………………………………………………………………………………………….. 73
a. Définition, rôle économique et formes juridiques…………………………………………………………  73
b. OPCVM en Algérie …….………………………………………………………………………………………………..  74
b.1. Contexte économique de la création des OPCVM en Algérie …….……………………………… 74
b.2. Réglementation algérienne des OPCVM …….……………………………………………………………  74
1.1.2. Chariket El Istithmar El Mali (CELIM)…….…………………………………………………………………. 75
TABLES DES MATIERES

a. Cadre général …….………………………………………………………………………………………………………… 
75
b. Organisation et missions …….……………………………………………………………………………………… 77
b.1. Président directeur général (PDG)……..………………………………………………………………………. 
78
b.2. Chargé d’administration et des finances………………………………………………………………..  78
b.3. Secrétaire de direction………………………………………………………………………………………….  78
b.4. Front Office …….………………………………………………………………………………………………………. 79
b.5. Back Office …….………………………………………………………………………………………………………… 79
c. Présentation du portefeuille de la SICAV …….…………………………………………………………….. 79
1.2. Préalables à l’estimation de la VaR……..………………………………………………………………….  80
1.2.1. Collecte de données …………………………………………………………………………………………..  80
a. Choix du portefeuille d’analyse……………………………………………………………………………….  80
b. Collecte et analyses descriptive & graphique de la base de données……………………….   81
1.2.2. Choix de la méthode …….…………………………………………………………………………………….  83
a. Méthode de simulation de Monte Carlo  …….……………………………………………………………  83
b. VaR analytique …………………………………………………………………………………………………………  84
b.1. Comparaison numérique ……. ………………………………………………………………………………..  84
b.2. Comparaison graphique …….………………………………………………………………………………….  85
1.2.3. Seuil de confiance et  horizon temporel …….…………………………………………………………. 86

Section 2: Estimation de la VaR à l’aide de la méthode historique …………..  87

2.1. Estimation de la VaR …….……………………………………………………………………………………..  87
2.1.1. VaR individuelle…….………………………………………………………………………………………………7 
87
a. Calcul des variations relatives …….…………………………………………………………………………….. 87
b. Calcul des variations absolues (VAt) …….………………………………………………………………….  88
c. Détermination de la valeur future totale des titres …….……………………………………………  89
d. Extraction de la VaR individuelle…….…………………………………………………………………………  90
2.1.2. VaR du portefeuille d’analyse …….………………………………………………………………………… 90
2.1.3. VaR incrémentale des instruments …….………………………………………………………………… 91
2.2. Interprétation de la VaR …….………………………………………………………………………………….. 92

Section 3: Poids des paramètres et validation de la VaR historique…………….  98

3.1. Poids des paramètres …………………………………………………………………………………………..  98
TABLES DES MATIERES

3.1.1. Niveau de confiance et taille de l’échantillon …….……………………………………………….  98
3.2.3. Distribution…………………………………………………………………………………………………………  99
3.2. Back testing……..……………………………………………………………………………………………………  103

CONCLUSION………………………………………………………………………………………………..…. 
107

Synthèse et suggestions………………………………………………………………... 108

CONCLUSION……………………………………………………………………………….  113

BIBLIOGRAPHIE 
ANNEXES 
TABLES DES MATIERES