Vous êtes sur la page 1sur 116

Université Claude Bernard – Lyon 1

INSTITUT DE SCIENCE FINANCIERE ET D'ASSURANCES

Mémoire présenté
devant l’Institut de Science Financière et d’Assurances
pour l’obtention du diplôme d’Actuaire de l’Université de Lyon

le 8 Novembre 2011

Par : Sylvie COGNET


Titre: MODELISATION DE LA STRUCTURE PAR TERME DES TAUX D’INTERET ET
PREVISION DES TAUX FUTURS PAR LE MODELE DE NELSON-SIEGEL

Confidentialité : NON OUI (Durée : 1 an 2 ans)

Membre du jury de l’Institut des Actuaires Entreprise :

M. Patrick PERRET Caisse des dépôts

Membres du jury I.S.F.A. Directeur de mémoire en entreprise :


M. Jean Claude AUGROS Pierre-François KOEHL
M. Alexis BIENVENÜE
M. Areski COUSIN Invité :
Mme Diana DOROBANTU
Mme Anne EYRAUD-LOISEL
M. Nicolas LEBOISNE
M. Stéphane LOISEL Autorisation de mise en ligne sur
Mlle Esterina MASIELLO un site de diffusion de documents
Mme Véronique MAUME-DESCHAMPS actuariels (après expiration de
M. Frédéric PLANCHET l’éventuel délai de confidentialité)
M. François QUITTARD-PINON
Mme Béatrice REY-FOURNIER Signature du responsable entreprise
M. Pierre RIBEREAU
M. Christian-Yann ROBERT
M. Didier RULLIERE
M. Pierre THEROND

Secrétariat Signature du candidat


Mme Marie-Claude MOUCHON

Bibliothèque :
Mme Michèle SONNIER

50 Avenue Tony Garnier


69366 Lyon Cedex 07
Résumé

La structure par terme des taux d’intérêt est un outil d’analyse actuariel
indispensable. La modélisation de la courbe des taux constitue de ce fait un domaine
particulièrement actif de la recherche actuarielle et financière, et ces dernières années de
nombreux modèles de reconstitution de la courbe des taux ont vu le jour et ont été mis en
place dans des établissements financiers.

Le modèle paramétrique de Nelson-Siegel présente l’avantage de comporter des


paramètres interprétables financièrement. Les calculs liés à la calibration peuvent être de
plus nettement simplifiés en linéarisant le problème. Et on montrera également, que ce
modèle donne de bons résultats en termes de prévision de taux futurs.

Cependant, beaucoup de difficultés numériques se posent lors de la calibration de ce


modèle. Ces difficultés sont dues premièrement à un problème d’optimisation, la fonction à
minimiser n’est pas convexe, ce qui rend inutilisable les algorithmes classiques de descente.
Et le deuxième problème que nous verrons est qu’il est mal-conditionné et colinéaire sur
certains intervalles de données, ce qui a pour effet de générer des paramètres extrêmement
volatiles et instables. Le troisième et dernier problème rencontré n’est pas lié au modèle
mais au contexte économique, c’est la crise financière de 2007. Celle-ci a complètement
bouleversé la structure des courbes de taux de sorte que les courbes de taux entre 2007 et
2009 ne peuvent pas pour la plupart, être modélisées correctement par le modèle de
Nelson-Siegel.

Mots Clés
Nelson-Siegel, Courbe des taux, zéro-coupon, swap, interpolation, calibration, interpolation,
crise économique, sur-ajustement, Diebold-Li, prévision de taux, ARIMA.

-1-
Abstract

The term structure of interest rates is an indispensable analysis tool in actuarial


fields. A lot of research has been made around modeling the yield curve and these last years,
numerous yield curve models have been created and set up.

The parametric model of Nelson-Siegel possesses the advantage to contain


parameters which are financially interpretable. Moreover calculations linked to calibration
can be really simplified by linearizing the problem. We will also show that this model can
give good results in terms of forecasting.

However some numerical difficulties arise when calibrating the model. These ones
are the result of an optimization problem, the function to minimize is not convex, and hence
standard methods fail. And the second problem that we will see is that the model is badly-
conditioned and presents colinerity in certain ranges of the data, estimated parameters have
high volatility and are unstable. The third and last tackled problem is not linked with the
model but with the economic context: this is the economic crisis of 2007. This one had a
considerable impact on the shape of the yield curves in a way that most of the curves
between 2007 and 2009 cannot be properly modeled by the Nelson-Siegel model.

Key Words
Nelson-Siegel, yield curve, zero-coupon rate, swap, interpolation, calibration, fitting,
economic crisis, overfitting, Diebold-Li, forecasting, ARIMA.

-2-
Remerciements

Je souhaite remercier en premier lieu Pierre-François Koehl et Vincent Brenelliere qui


m’ont suivi et formé tout au long de mon expérience professionnelle à la Caisse des Dépôts.

Je tiens également à témoigner mon amitié au service de l’ALM, en particulier à


Sophie Ton, Raja El Babsiri, Guillaume Loitron et Philippe Cassayre pour leur soutien ainsi
que pour les aides et les conseils qu’ils ont su me prodiguer. Je tiens aussi à citer Nicolas
Garrigue, Pauline Requena, Maxime Belaid et Romain Girardot pour la bonne humeur qu’ils
ont su apporter et pour cette agréable ambiance de travail.

Enfin, je suis reconnaissante envers l’ensemble des professeurs de l’ISFA, et en


particulier envers ma directrice de mémoire Anne Eyraud-Loisel, pour leur écoute, leurs
conseils et le savoir qu’ils m’ont transmis.

-3-
Sommaire

Introduction Générale .................................................................................................................. 8

PARTIE I Généralités sur la structure par terme des taux d’intérêts................................. 9

Chapitre 1 Définition et utilisation de la courbe des taux d’intérêt .......................................... 9


Section 1.1. Définition ...................................................................................................... 9
Section 1.2. La diversité des courbes des taux ............................................................... 10
Section 1.3. Utilité économique et financière de la gamme des taux d’intérêt ............ 11

Chapitre 2 Les différents types de taux et de structures par terme de taux d’intérêt............ 12
Section 2.1. Contraintes sur la qualité des taux choisis ................................................. 12
Section 2.2. La courbe de taux Zéro-Coupon ................................................................. 12
Section 2.3. La courbe de taux de rendement actuariel ................................................ 13
Section 2.4. Les taux issus d’obligations à coupons ....................................................... 14
Section 2.5. La courbe de taux swap .............................................................................. 14
Section 2.6. La courbe de taux forward ......................................................................... 16
Section 2.7. La courbe de taux forward instantané ....................................................... 17

Chapitre 3 Intérêt économique de la courbe des taux ............................................................ 18


Section 3.1. Formation des taux courts et des taux longs ............................................. 18
Section 3.2. Explication économique des différentes formes de courbe de taux ......... 18
3.2.1. La courbe d’Etat : un outil robuste de prédiction économique ..................... 18
3.2.2. Courbe de taux normale : signe de croissance économique ......................... 19
3.2.3. Courbe de taux inversée : signe de récession ................................................ 19
3.2.4. Courbe de taux plate : période de transition ou d’incertitude ...................... 20
3.2.5. Courbes de taux mixtes : déséquilibre économique...................................... 21
Section 3.3. Explication économique de la dynamique de la courbe des taux .............. 22
3.3.1. Les causes des mouvements de la courbe des taux ...................................... 22
3.3.2. Variations parallèles (shift) ............................................................................ 23
3.3.3. Aplatissement de la courbe des taux (twist) .................................................. 23
3.3.4. Pentification de la courbe des taux (twist) .................................................... 24

Chapitre 4 Intérêt actuariel de la courbe des taux .................................................................. 25


Section 4.1. Le risque de taux d’intérêt ......................................................................... 25
Section 4.2. Les risques relatifs au mouvement de la courbe des taux ......................... 25
4.2.1. Risque de translation (Repricing Risk) ............................................................ 25
4.2.2. Risque de déformation de la courbe des taux (Yield Curve Risk) .................. 23
4.2.3. Risque de base (Basis Risk) ............................................................................. 23
Section 4.3. Gestion ALM du risque de taux .................................................................. 26
Section 4.4. La courbe des taux : outil d’analyse financière .......................................... 27
4.4.1. La courbe de taux : un indicateur de profil risque/rendement ..................... 27
4.4.2. Opérations d’opportunité d’arbitrage ........................................................... 27

-4-
Chapitre 5 Reconstitution de la courbe zéro-coupon du marché............................................ 28
Section 5.1. Calcul des taux zéro-coupon sur la partie court terme .............................. 28
5.1.1. Les taux d’intérêts de référence présents sur le marché monétaire............. 28
5.1.2. La transformation des taux IBOR en zéro-coupon ......................................... 29
Section 5.2. Calcul des taux zéro-coupon sur la partie sur le long terme ...................... 29
5.2.1. Bootstrapping de taux swap contre Euribor .................................................. 30
5.2.2. Bootstrapping de taux swap contre EONIA.................................................... 32

PARTIE II Méthodes d’interpolation de la courbe des taux et présentation du modèle de


Nelson-Siegel ................................................................................................................... 34

Chapitre 1 Les différentes méthodes d’interpolation de la courbe des taux d’intérêt .......... 34
Section 1.1. Nécessité d’interpoler ................................................................................ 34
Section 1.2. Les méthodes directes d’interpolation....................................................... 35
1.2.1. Interpolation linéaire ..................................................................................... 35
1.2.2. Interpolation cubique..................................................................................... 35
1.2.3. Comparaison des deux interpolations ........................................................... 35
Section 1.3. Les méthodes indirectes d’interpolation.................................................... 36
Section 1.4. Critères de choix de la famille d’interpolation de courbes de taux ........... 37
Section 1.5. Les méthodes non paramétriques : les modèles à splines ......................... 38
1.5.1. Bref revue sur les modèles à splines ............................................................. 38
1.5.2. Les splines polynomiales (Mc Culloch, 1971) ................................................. 38
1.5.3. Les splines exponentielles (Vacisek et Fong, 1982) ....................................... 39
1.5.4. Critiques des modèles à splines ..................................................................... 40
Section 1.6. Les modèles paramétriques : de type Nelson-Siegel ................................. 41
1.6.1. Bref historique des modèles de type Nelson-Siegel ...................................... 41
1.6.2. Avantages de ces modèles ............................................................................. 41

Chapitre 2 Le modèle paramétrique de taux de Nelson-Siegel ............................................... 43


Section 2.1. Présentation de la fonctionnelle des taux de Nelson-Siegel ...................... 43
Section 2.2. Provenance de la fonctionnelle de Nelson-Siegel ...................................... 44
Section 2.3. Rôle et interprétation économique des paramètres de Nelson-Siegel ..... 45
Section 2.4. Critiques du modèle de Nelson-Siegel ....................................................... 49

PARTIE III Fitting : Calibration du modèle de Nelson-Siegel .......................................... 51

Chapitre 1 Présentation des données, homogénéisation et conversion des taux en zéro-


coupon....................................................................................................................................... 51
Section 1.1. Présentation des données utilisées ............................................................ 51
Section 1.2. Récupération et nettoyage des données ................................................... 52
1.2.1. Récupération des taux sur Bloomberg ........................................................... 52
1.2.2. Homogénéisation du nombre de données .................................................... 52
1.2.3. Interpolation des taux présentant des erreurs de cotation .......................... 53
Section 1.3. Conversion des taux en zéro-coupon ......................................................... 54
1.3.1. Conversion des taux Euribor en zéro-coupon ................................................ 54
1.3.2. Conversion des taux swap en zéro-coupon ................................................... 55

-5-
Chapitre 2 Formalisation du problème de calibration et critères recherchés de la méthode de
calibration........................................... ....................................................................................... 56
Section 2.1. Formalisation du problème de calibration ................................................. 56
Section 2.2. Voies de résolution et critères de recherche de la méthode de calibration57

Chapitre 3 Recherche des estimateurs du modèle de Nelson-Siegel en une étape................ 58


Section 3.1. Formalisation du problème d’estimation ................................................... 58
Section 3.2. La méthode d’optimisation de Gauss-Newton........................................... 59
3.2.1. Principe de la méthode .................................................................................. 59
3.2.2. Choix des valeurs initiales et cas de divergence ............................................ 60
3.2.4. Application à tout l’historique ....................................................................... 62
3.2.5. Bilan de la méthode de Gauss-Newton.......................................................... 64

Chapitre 4 Recherche des estimateurs du modèle de Nelson-Siegel en deux étapes ............ 65


Section 4.1. Formalisation du problème et avantage de cette méthode ..................... 65
Section 4.2. Méthode de la grille................................................................................... 67
4.2.1. Principe de la méthode .................................................................................. 67
4.2.2. Discussions et précisions sur l’implémentation de la méthode .................... 67
4.2.3. Cas de divergence et restriction sur les paramètres...................................... 68
4.2.4. Application à tout l’historique : problème de la crise économique .............. 70
4.2.5. Application à l’historique hors crise ............................................................... 71
4.2.6. Bilan de la méthode de la grille ...................................................................... 74
Section 4.3. Méthode de Diebold-Li .............................................................................. 75
4.3.1. Principe de la méthode .................................................................................. 75
4.3.2. Application à la courbe de taux test .............................................................. 76
4.3.3. Application à tout l’historique de courbes de taux ........................................ 76
4.3.4. Application à l’historique hors crise ............................................................... 77
4.3.5. Bilan de la méthode de Diebold-Li ................................................................. 80

PARTIE IV Limites du modèle de Nelson-Siegel et impact de la crise économique sur les


courbes de taux ............................................................................................................... 81

Chapitre 1 Impact de la crise économique sur les courbes de taux ........................................ 81


Section 1.1. Evolution de la courbe des taux de 1999 à 2010 ...................................... 81
1.1.1. Evolution de la courbe des taux hors période de crise économique ............. 81
1.1.2. Evolution de la courbe des taux en période de crise économique ................ 82
1.1.3. Evolution détaillée de la forme de la courbe des taux de 1999 à 2010......... 83
Section 1.2. Difficultés de modélisation des courbes de taux en période de crise....... 86

Chapitre 2 Problème d’optimisation : fonction objectif non convexe..................................... 88


Section 2.1. Explication du problème d’optimisation ................................................... 88
Section 2.2. Résolution du problème d’optimisation .................................................... 89

Chapitre 3 Problème de sur-ajustement (overfitting) ............................................................. 90


Section 3.1. Un problème mal conditionné................................................................... 90
Section 3.2. Raison : problème de colinéarité ............................................................... 91

-6-
PARTIE V Forecasting : Etude de la dynamique des paramètres dans le temps et
prévision des taux d’intérêt futurs ................................................................................... 93

Chapitre 1 Description de la méthodologie ............................................................................. 93


Section 1.1. Dynamique des paramètres de Diebold-Li ................................................. 93
Section 1.2. Modélisation de la dynamique des paramètres par les séries temporelles93
Section 1.3. Prévision des paramètres futurs ................................................................ 93
Section 1.4. Prévision des taux futurs ............................................................................ 94
Section 1.5. Etude de la qualité de prédiction ............................................................... 94

Chapitre 2 Modélisation ARIMA-GARCH .................................................................................. 96


Section 2.1. Etudes des séries initiales ........................................................................... 96
2.1.1. Graphiques des séries initiales ....................................................................... 96
2.1.2. Détection de tendance ................................................................................... 97
2.1.3. Saisonnalité .................................................................................................... 98
2.1.4. Stationnarité ................................................................................................... 99
2.1.5. Hétéroscédasticité conditionnelle ................................................................. 99
Section 2.2. Application du modèle ARIMA ................................................................. 100
2.2.1. Le modèle ARIMA ......................................................................................... 100
2.2.2. Détermination des ordres p et q .................................................................. 101
2.2.3. Application des modèles ARIMA .................................................................. 102
Section 2.3. Etude de l´hétéroscédasticité conditionnelle ........................................... 105
2.3.1. Etude des résidus des modèles ARIMA : distribution leptokurtique à forte
volatilité .................................................................................................................. 105
2.3.2. Le modèle GARCH ........................................................................................ 106
2.3.3. Test d’une modélisation GARCH .................................................................. 107
Section 2.4. Conclusions et choix des modèles finaux ................................................. 107

Chapitre 3 Prévision des taux futurs ...................................................................................... 108


Section 3.1. Prévision des taux futurs à horizon 1 semaine ......................................... 108
Section 3.2. Prévision des taux futurs à horizon 1 mois .............................................. 109
Section 3.3. Conclusion sur la prévision des taux ........................................................ 110

Conclusion Générale……...........................................................................................................111

Bibliographie…..........................................................................................................................113

-7-
Introduction générale

La connaissance de la structure par terme des taux d’intérêt est fondamentale dans la
théorie et la pratique de la finance actuarielle. Elle constitue un véritable outil d’analyse et se
révèle très utile tant à des fins financières pour détecter le profil risque/rendement des
produits de taux, qu’à des fins actuarielles pour mieux se couvrir du risque de taux d’intérêt,
qu’à des fins économiques pour indiquer et prédire l’état de santé économique du pays.

Afin de répondre aux besoins des intermédiaires financiers, de nombreuses


recherches ont été effectuées pour trouver une famille d’interpolation capable de modéliser
la courbe des taux (fitting) et de prédire les taux futurs (forecasting). Les modèles de type
Nelson-Siegel répondent à ces attentes en proposant des modèles paramétriques qui ont
l’avantage de garder l’interprétation financière d’une courbe de taux.

L’objet de mon apprentissage à la Caisse des Dépôts a été de faire l’étude du modèle
de Nelson-Siegel, d’effectuer sa calibration et sa capacité de prédiction de taux d’intérêt.
Néanmoins beaucoup de difficultés numériques sont apparues lors de la calibration : les
méthodes classiques de calibration ne parviennent parfois à aucune solution et les
paramètres estimés sont instables, très volatiles et anormalement corrélés, atteignant
parfois des valeurs extrêmes et voire contradictoires. Malgré une forte utilisation du modèle
de Nelson-Siegel dans les établissements financiers, peu de littérature rapporte les défauts
et difficultés liés à ce modèle. Aux défauts du modèle s’ajoute également le contexte de
crise économique qui a pour conséquences de déformer les courbes de taux et d’amplifier
les difficultés de calibration.

Ce mémoire regroupe donc l’étude de l’ajustement du modèle de taux de Nelson-


Siegel aux taux du marché, la prévision des taux futurs ainsi que les limites de ce modèle. Il se
structure en cinq parties distinctes.
La première partie regroupe les éléments essentiels pour comprendre l’utilité
économique et actuarielle d’une courbe de taux, les détails sur les différents types de taux et
de courbes rencontrés sur le marché ainsi que les principes de base de construction d’une
courbe de taux zéro-coupon.
La deuxième partie traite des méthodes d’interpolation de la courbe des taux. Après
une présentation des différentes méthodes usuelles, on détaillera le modèle de Nelson-Siegel
et ses particularités qui ont fait que l’on a choisi ce modèle.
On s’attardera ensuite dans la troisième partie, sur la calibration de ce modèle, avec le
détail des implémentations et les résultats surprenants des différentes méthodes testées.
Les limites du modèle de Nelson-Siegel sont traitées dans la quatrième partie, où sont
explicitées les raisons, les conséquences et les solutions des problèmes du modèle de Nelson-
Siegel et une étude de l’impact de la crise financière sur les courbes de taux.
Et enfin, dans la cinquième partie, avec l’aide d’une méthode adéquate de calibration,
on étudiera la capacité de prévision de taux futurs (forecasting), notamment en modélisant la
dynamique temporelle des paramètres de Nelson-Siegel avec les séries temporelles.

Toutes les implémentations, études statistiques et graphiques ont été réalisés avec le
logiciel R.

-8-
Partie I
Généralités sur la structure par terme des taux d’intérêts

Cette partie présente les principales notions liées à la courbe des taux, à savoir les
différents types de courbes de taux existants sur le marché, l’interprétation économique de
la forme et des mouvements de la courbes des taux, ses utilisations en économie et finance,
et enfin les méthodes de reconstitution de courbes zéro-coupon du marché.

La première section pose les bases et définit de manière générale la structure par
terme des taux d’intérêt.

Chapitre 1 Définition et utilisation de la courbe des taux d’intérêt

Section 1.1. Définition

La structure par terme des taux d’intérêt ou encore appelée courbe ou gamme des
taux, est la représentation graphique pour une date donnée, de la valeur du taux d’intérêt en
fonction de la maturité associée. Cette courbe est effectuée à partir de taux appartenant à
une même classe d’instruments fongibles et exprimés dans la même devise, mais on l’emploie
néanmoins par extension, pour des instruments non fongibles mais présentant de fortes
similitudes.

Voici à titre d’exemple la courbe de taux spot du 29 Juillet 2010 tirée du logiciel de
données Bloomberg.

-9-
Comme le montre le graphique, les taux d’intérêt présentant les mêmes risques et de
même nature sont différents suivant les échéances considérées. Ainsi on constate une
structure temporelle des taux d’intérêt, d’où le nom de structure par terme des taux
d’intérêt.

Section 1.2. La diversité des courbes des taux

Il n’existe pas une unique mais une multitude de courbes de taux différentes. Tout
d’abord, cette distinction s’opère au niveau de la date, de la devise et du pays ou la zone
économique unifiée que l’on considère.

Il existe également une distinction au niveau de la qualité de l’émetteur, de par son


rating.
La première est la courbe Trésor ou courbe d’Etat, réalisée à partir des obligations
émises par l’Etat, à savoir les OAT, les BTAN et les BTF, pour la France. Il s’agit de la courbe
dite sans risque dans la mesure où les Etats de ces pays ne sont censés ne jamais faire
défaut. Leur rating est AAA, soit la meilleure notation possible.
La courbe interbancaire est comme son nom l’indique, construite à partir de taux
résultant d’opérations interbancaires, plus exactement des taux de dépôt, des futures et des
swaps. Ces taux disposent d’un rating entre A et AA.
La courbe corporate est quant à elle construite à base de taux issus des entreprises du
secteur privé. On distingue les courbes corporate qui dépendent du rating de l’entreprise de
celles qui dépendent du secteur économique.

Cette diversité est aussi due aux différents types de taux que l’on peut choisir pour la
construire. Il est à noter également que la méthode de construction de cette courbe permet
également de distinguer les courbes de marché et les courbes implicites. Les premières sont

- 10 -
construites directement à partir des cotations de marché des instruments concernés. Par
exemple, la courbe de taux swap est une courbe de marché. Tandis que les courbes
implicites sont dérivées indirectement à partir des cotations d’instruments. Par exemple la
courbe de taux zéro-coupon issus de swap est une courbe implicite. Dans ce mémoire, nous
allons utiliser des courbes implicites, et la méthodologie de construction de ces courbes est
détaillée dans cette partie à la section 4.

Section 1.3. Utilité de la gamme des taux d’intérêt

La connaissance de la courbe des taux d’intérêt permet de donner une vision globale
de la fonction suivie par les taux d’intérêt pour différentes échéances, tous les autres
paramètres étant fixes.

D’un point de vue actuariel, sa connaissance permet de mieux se couvrir du risque de


taux. Les actifs, les passifs et les instruments du hors bilan sont pour la plupart indexés sur
des taux du marché, ainsi la valeur économique et le résultat de la compagnie sont sensibles
aux évolutions des taux. Les différences dans les volumes, les échéances, les corrélations
d’indexation associées aux mouvements de la courbe des taux créent des risques de pertes
sur les différents placements effectués. Ainsi la connaissance de la dynamique de la courbe
des taux permet une meilleur gestion et couverture du risque de taux.

D’un point de vue financier, elle permet d’établir le profil risque/rendement des
instruments financiers du marché en comparant la position graphique des différents taux de
rendement. Les investisseurs peuvent ainsi détecter les opportunités d’arbitrage et gérer
dynamiquement leur portefeuille ou effectuer des opérations de hedging. En pratique, on
utilise les courbes d’obligations d’Etat comme courbe de taux de référence. A ces courbes
jugées sans risque, on rajoute un spread de crédit proportionnel au risque encouru.

D’un point de vue économique, les mouvements effectués par la gamme des taux
s’expliquent par la situation économique et monétaire du pays. Et inversement, l’étude de
son historique permet d’appréhender de façon assez précise l’évolution future de l’activité
économique et plus particulièrement les points de retournements du cycle conjoncturel. Il
existe d’ailleurs de fortes similitudes dans les mouvements de la courbe d’Etat et celle du taux
de croissance du PIB.

Au contraire des opérateurs financiers, les économistes ne s’intéressent qu’à la forme


de la courbe des taux et à son évolution dans le temps, ils n’ont pas nécessairement besoin
d’une haute précision. Ces différences d’utilisation se traduisent par des distinctions au
niveau des méthodes d’estimation de la gamme des taux. Ainsi les opérateurs financiers se
servent d’une technologie beaucoup plus sophistiquée que les économistes.

- 11 -
La courbe des taux d’intérêt dépend de la nature des taux qui la forment. Ainsi il
parait judicieux de commencer par effectuer un rappel sur les différents types de taux
rencontrés sur le marché. Puis nous discuterons des courbes obtenues avec ces différents
taux, de leur sens et de leur utilisation.

Chapitre 2 Les différents types de taux et de structures par terme de


taux d’intérêt

Section 2.1. Contraintes sur la qualité des taux choisis

L’élément crucial dans la construction d’une courbe de taux d’intérêt est bien
évidemment le choix du taux. Plusieurs contraintes s’imposent quant à la qualité des taux et
des titres choisis. Tout d’abord, dans le but d’obtenir une courbe de taux homogène, il est
indispensable de choisir des taux d’une même classe d’instruments ou présentant de fortes
similitudes. Il est également important de faire une sélection rigoureuse des titres dont on
se sert. On élimine ainsi les titres qui présentent des erreurs de prix, ceux qui comportent
des clauses optionnelles et ceux qui sont soit illiquides, soit surliquides.

Section 2.2. La courbe de taux Zéro-Coupon

Le taux zéro-coupon est le taux de rendement d’un instrument financier ne


comportant aucun détachement de coupon jusqu’à son échéance. Cette définition s’écrit en
termes plus mathématiques comme ci-dessous.

ì
ï r(t,m) / B(t,m) = exp{-m. r(t,m)} en temps continu
í 1
ï r(t,m) / B(t,m) = en temps discret
î (1 + r(t,m))m
En prenant les notations suivantes:
- r(t , m) le taux zéro-coupon à la date t et de maturité m
- B(t, m) le prix de marché d’une obligation zéro-coupon en t qui délivre 1€ à la date
t+m ; il est le facteur d’actualisation en t pour la maturité m.

Les taux zéro-coupon sont à la base des calculs actuariels. Ils permettent l’évaluation
des produits financiers par l’actualisation des flux futurs générés par cet instrument. On peut
ainsi mettre en place des stratégies de couverture ou par exemple calculer par la valeur
actuelle nette d’un instrument.

- 12 -
La courbe de taux zéro-coupon sert de courbe de référence sur les marchés
financiers. C’est pour cette raison que nous nous intéresserons par la suite uniquement à la
modélisation des courbes zéro-coupon.
La reconstitution de la courbe des taux peut alors être réalisée simplement en
extrayant les taux de rendement d’obligations zéro-coupons présentes sur le marché.
Malheureusement les obligations zéro-coupon possédant les caractéristiques requises ont
une trop faible liquidité sur le marché et sont insuffisantes pour reconstituer une gamme
complète de taux d’intérêt à une date donnée. L’utilisation d’un autre type de taux est donc
nécessaire.

Section 2.3. La courbe de taux de rendement actuariel

Le taux de rendement actuariel est le taux permettant l’égalisation du prix


d’acquisition d’une obligation et la valeur actualisée des flux futurs qu’elle délivre. Dans ce
cadre, on suppose connu l’échéancier et la valeur des flux.

Ce taux est précisément le taux de rendement obtenu par l’acheteur de l’obligation


dans le cas où il décide de garder l’obligation jusqu’à son terme et de réinvestir les intérêts
au même taux actuariel à chaque date de tombée du coupon.

L’extraction de ce taux nécessite l’inversion de la formule suivante reliant le prix de


l’obligation et la valeur actualisée des flux futurs.
m
cF(i) F(m)
P(t,m) = å (1 + y(t,m)) + (1 + y(t,m))
i= 0
i m

Avec les notations suivantes:


- P(t,m) le prix d’une obligation en date t d’échéance m délivrant des flux F(i)
- y(t, m) le taux de rendement actuariel à t et de maturité m
- F(i) le flux lié à l’obligation
- c le taux de coupon

La courbe des taux de rendement actuariel associe à chaque maturité d’une


obligation, son taux de rendement. Malgré la facilité des calculs engendrés, cette courbe de
taux comporte des limites.
En effet, les coupons d’obligations de mêmes natures et de mêmes risques peuvent
s’avérer différents pour des raisons essentiellement fiscales. Un même type d’obligation
peut donc engendrer différents taux actuariel à une même date et à une même maturité. En
conséquence, la courbe résultante n’est pas homogène et souffre de l’effet coupon.
De plus, le calcul du taux de rendement actuariel consiste à faire l’hypothèse
implicite du réinvestissement des flux à ce même taux. Cette hypothèse parait bien loin de la
réalité puisque les taux évoluent sur le marché obligataire. Ainsi cette hypothèse revient à
considérer une courbe des taux plate. Ces taux sont donc à exclure du champ de l’étude de
reproduction de la courbe des taux.

- 13 -
Section 2.4. Les taux issus d’obligations à coupons

L’usage de bons zéro-coupon dans la construction de courbes des taux n’étant pas
envisageable, une issue est de faire recours à des obligations couponnées. Dans ce cas, on
s’intéresse seulement aux obligations qui ont les mêmes dates de tombée de coupon et qui
ont des maturités multiples de la fréquence de tombée des coupons. Mais ces hypothèses
s’avèrent théoriques puisqu’en pratique ce type de titres est difficile à trouver.

En termes pratiques, on utilise le fait qu’une obligation peut s’interpréter en absence


d’opportunité d’arbitrage, comme un portefeuille constitué de bons zéro-coupon. On peut
ainsi en déduire facilement les ‘taux zéro-coupon’ associés.
m
cF(i) F(m)
P(t, m) = å (1 + r(t, i))i + (1 + r(t,m)) T
i=0

Avec les notations suivantes:


- P(t,m) le prix d’une obligation en date t d’échéance m délivrant des flux F(i)
- r(t,i) le taux zéro-coupon à t et de maturité m
- F(i) le flux lié à l’obligation
- c le taux de coupon

L’extraction de ces taux se fait donc segments par segments de maturités. En d’autres
termes, y(t,m) est fonction de P(t,m) et des y(t, i) " 1 < i < m - 1 . Plus concrètement, le taux
de maturité 1 se déduit de l’équation (1). On le réinjecte dans l’équation (2) et cela nous
permet d’en déduire le taux de maturité 2, et il en va de même pour les autres taux jusqu’à
la maturité m.

F(1)
Pour m = 1, P(t,1) = (1)
(1 + y(t,1))
F(1) F(2)
Pour m = 2, P(t,2) = + (2)
(1 + y(t,1)) (1 + y(t,2))2
1

etc...

Section 2.5. La courbe de taux swap

Un swap de taux est un contrat de gré à gré qui permet d'échanger des flux de taux
d’intérêt de natures différentes. Les contreparties conviennent de s’échanger à chaque date
déterminée, des paiements d’intérêt calculés sur un même nominal sans pour autant qu’il y
ait de versement de capital.

On distingue deux types de contrats de swap selon la nature des taux échangés :

- 14 -
- Le swap standard aussi appelé plain vanilla, qui prévoit un échange de taux d’intérêt
fixe (durant la durée de l’opération) contre un taux variable ou taux flottant.
- Le basis swap, qui les taux d’intérêts mis en jeu sont tous les deux variables et de
références différentes.

Dans la suite, on ne prendra en compte que les contrats de swap taux fixe contre
taux variable. Pour matérialiser les mécanismes de ce contrat, supposons deux contreparties
A et B souscrivant à ce contrat.
· Le prêteur du fixe A dit le payeur de swap, paie à B des intérêts fixes recalculés à
chaque échéance en fonction d'un taux de référence choisi à la négociation du
contrat.
· Le prêteur du variable B dit le receveur de swap, paie à A des intérêts variables sur la
périodicité définie à l'avance.

Les principales caractéristiques d'un swap standard sont:


- Le montant nominal : c’est le montant du capital servant de base au calcul des
intérêts, cette somme n’est en fait jamais échangée
- La durée du contrat
- La valeur du taux fixe ou du taux swap qui est le taux constant de l’opération, la base
de son calcul ainsi que l'échéancier des versements liés à ce taux
- Le taux variable de référence (par exemple l’Euribor 6M), la base de son calcul et
l'échéancier des versements liés à ce taux et qui n’est pas forcément le même que
celui du taux fixe.

Un exemple du type de flux générés dans ce contrat est modélisé par le schéma ci-
dessous. Les notations prises dans cet exemple sont les suivantes :
- ST le taux swap d’échéance T
- N le nominal
- E(ti-1, ti) le taux Euribor entre ti-1 et ti
- B(t,s) le facteur d’actualisation entre t et s

- 15 -
Ce type d'opération permet de se couvrir contre les fluctuations des taux. Le marché
des swaps standards (plain vanilla) contre taux Ibor constitue le deuxième plus important
marché des taux d'intérêt à moyen et long terme.

Les taux swap cotés sur le marché sont issus de swaps standards entre banques, la
courbe de swap est donc considérée comme une courbe interbancaire.

Section 2.6. La courbe de taux forward

Un taux forward ou taux à terme, est un taux d’intérêt issu d’un contrat de prêt
démarrant à une date fixée et portant sur une période future. Les modalités de ce contrat à
savoir le niveau du taux, la date de début et la durée de ce prêt, sont déterminées à la
signature du contrat.

Considérons par exemple un contrat forward conclu en date t, démarrant à la date


future t+n et d’échéance t+m. Le taux forward est le taux utilisé pour la période allant de t+n
à t+m.

Le taux forward se déduit des taux au comptant du marché par l’expression suivante.

ì m-n (1 + r(t,m))m
ï f(t,n,m) / (1 + f(t,n,m)) = en temps discret
ï (1 + r(t,n))n
Ainsi, í
ïf(t,n,m) = m.r(t,m) - n.r(t,n) en temps continu
ï
î m-n
Avec les notations suivantes :
- f(t,n,m) le taux forward en t pour la date t+n et d’échéance t+m
- r(t,m) le taux d’intérêt au comptant (ou taux spot) en t et de maturité m

La démonstration de la formule du forward s’effectue très facilement en utilisant les


arguments d’absence d’opportunité d’arbitrage. Il suffit de constater qu’effectuer un prêt
aujourd’hui à taux forward f(t,n,m) revient à prêter aujourd’hui au taux r(t,m) pendant m
années et emprunter au taux r(t,n) pendant n années.

Ainsi le taux forward est une estimation d’un taux d’intérêt futur à l’aide
d’instruments financiers actuels. Il est le taux d’intérêt garanti pour la période future.

- 16 -
La courbe des taux forward se trace suivant les périodes de contrat considérées et en
fixant la date de commencement du contrat. Cette période peut varier entre 1 jour et 30
ans, il existe ainsi de nombreuses courbes forward.

Section 2.7. La courbe de taux forward instantané

Le taux forward instantané ou le taux à terme instantané est la limite du taux forward
quand la durée du contrat forward est infiniment petite. Avec les notations utilisées
précédemment, ceci se résume par l’équation ci-dessous.

f(t,m) = lim f(t,n,m)


n®m

En notant f(t,m) le taux forward instantané en t et d’échéance t+m.

Une relation intéressante existe entre ce taux et le taux au comptant. En effet, le taux
au comptant est, à une échéance donnée, la moyenne des taux à terme instantanés
successifs.
1 m
r(t, m) = ò f(t, s)ds
m 0
Avec les notations suivantes
- f(t,s) le taux forward instantané en t d’échéance t+s
- r(t,m) le taux d’intérêt au comptant (ou taux spot) en t et de maturité m

Il est donc équivalent de connaître une courbe de taux zéro-coupon ou une courbe
de taux à terme, l’une pouvant se déduire de l’autre.

En ce qui concerne la courbe des taux forward instantanés, le paramètre qui varie est
la date m de commencement du contrat, tandis que dans les courbes forward classiques, le
paramètre qui varie est la période du contrat m-n. Ainsi la courbe des taux forward
instantanés n’est pas une véritable courbe des taux par maturité au contraire de la courbe
des taux forward classique.

- 17 -
La structure par terme des taux d’intérêt a une réelle portée économique. Ses
déformations et variations en disent long sur l’état économique du pays auquel elle est
associée. Cette partie se consacre à l’explication de ce rôle.

Chapitre 3 Intérêt économique de la courbe des taux

Section 3.1. Formation des taux courts et des taux longs

Ø Les taux courts

Les taux d’intérêt à court terme sont les taux du marché monétaire de maturités
inférieures ou égales à 1 an. Ces taux sont déterminés essentiellement par la banque
centrale qui peut à tout moment, baisser ou remonter les taux courts pour relancer
l’économie. Son rôle est de veiller à lutter contre l'inflation, optimiser la croissance
économique et de favoriser l'emploi mais aussi maintenir un taux de change acceptable vis-
à-vis du dollar et du yen.

Ø Les taux longs

Les taux d'intérêt à long terme sont les taux de maturité de plus de 1 an, ils sont en
quelques sortes le prix de la renonciation à la liquidité. Ces taux sont déterminés par le
marché financier, ils expriment l'offre et la demande de capitaux en tenant compte des
perspectives d'inflation. D'une part, ils reflètent la santé économique d'un pays et d'autre
part, ils sont influencés par les anticipations des agents économiques, anticipations sur
l'inflation et aussi sur la politique économique.

Section 3.2. Explication économique des différentes formes de courbe


de taux

3.2.1. La courbe d’Etat : un outil robuste de prédiction économique

La structure par terme des rendements d’Etat est considérée comme un des
meilleurs indicateurs de la situation économique du pays. Plus précisément le spread entre
le taux à 3 mois et le taux à 10 ans donne des informations sur une prochaine récession ou
croissance. Ainsi la courbe des taux permet d’évaluer la situation conjoncturelle et de
prévoir le prochain point de retournement.

Depuis 1980, des études ont été menées sur l’efficacité de cet indicateur. Il a entre
autres été prouvé que la forme de la courbe est liée aux changements du PIB, de la

- 18 -
consommation, de la production industrielle et de l’investissement du pays. Selon le point de
vue de la FED de New York [8], les théories économiques divergent sur l’explication du lien
entre la forme des courbes de taux et l’état de l’économie. Mais même s’il est empirique, cet
indicateur est robuste et avant les six dernières récessions Américaines, on a pu constater
une inversion de la courbe des taux.

3.2.2. Courbe de taux normale : signe de croissance économique

En théorie, la forme naturelle que devrait avoir une courbe des taux est la forme
« normale », c’est-à-dire concave et croissante. En effet, il parait naturel que le risque
encouru par l’accroissement de la durée d’investissement soit compensé par un rendement
supérieur. Ledit risque n’est pas le risque de crédit puisque la courbe des taux comporte des
titres de même solvabilité, mais le risque de taux d’intérêt, de réinvestissement, de force
majeure…etc.

Les courbes de taux normales reflètent une économie dans laquelle les agents
anticipent une croissance. Une courbe fortement croissante anticipe une croissance
économique forte ou une inflation importante, voire les deux.

A titre illustratif, la courbe de taux zéro-coupon du 01.01.2010 possède une allure


normale, signe de relance de l’économie après la crise financière, même si le niveau des taux
est encore bas.

3.2.3. Courbe de taux inversée : signe de récession

Une courbe de taux inversée, ou encore appelée décroissante ou anormale,


correspond à la situation ou les taux courts sont plus élevés que les taux longs. Ainsi dans ce
cas, la longueur du placement offre un double désavantage en termes de risque et de
placement.

- 19 -
On note la présence de ce type de courbes lorsque la politique monétaire est
particulièrement restrictive. Par exemple, lorsque la banque centrale décide d’augmenter les
taux d'intérêt à court terme dans le but de lutter contre l'inflation. Cette situation peut
également se présenter lorsque le marché anticipe une récession dans le futur, ce qui
entraîne un assouplissement des taux courts.

La crise financière de 2007-2010 donne de multiples exemples de courbes de taux


inversées. Ci-dessous figure la courbe de taux du 16.06.2008.

3.2.4. Courbe de taux plate : période de transition ou d’incertitude

Dans ce cas de figure, les taux ne varient pas ou très peu selon les maturités. Ces
courbes traduisent une incertitude dans l’économie, en effet celle-ci pourrait être relancée
comme elle pourrait aboutir à une récession.

Avant la crise financière de 2007-2010, l’économie était mitigée et les courbes de


taux avaient tendance à s’aplatir comme à l’exemple ci-dessous.

- 20 -
3.2.5. Courbes de taux mixtes : déséquilibre économique

La courbe des taux peut prendre multiples formes reflétant les conditions
économiques du marché. Outre les formes classiques normales et inversées, la courbe de
taux peut subir multiples déformations dues à des anticipations différentes des taux à venir.

Dans le cas des courbes de taux mixtes, on note une phase de croissance et une
phase de décroissance. Autrement dit une courbe de taux peut être « normale » sur les taux
court termes et « anormale » sur les taux long terme comme ci-dessous, ou inversement
comme ci-après.

- 21 -
Section 3.3. Explication économique de la dynamique de la courbe des
taux

La courbe des taux d’Etat change constamment de forme suivant les conditions et les
anticipations du marché. Ainsi l’étude de son évolution dans le temps donne des
renseignements cruciaux sur les prévisions de croissance et d’inflation du pays concerné.

3.3.1. Les causes des mouvements de la courbe des taux

Les mouvements de la courbe des taux sont complexes à expliquer. Si les


mouvements des taux courts sont largement expliqués par la politique monétaire de la
banque centrale, l’explication n’en est pas aussi facile en qui concerne le mouvement des
taux longs. Beaucoup de facteurs macroéconomiques inobservables influent sur le
comportement de la courbe de taux à long terme. Par exemple, l’inflation, l’activité
économique, la politique monétaire ou les anticipations des agents sont d’autant de facteurs
influençant les taux long terme.

Beaucoup de recherches ont été effectuées sur ce sujet. Il a ainsi été démontré
statistiquement que 99% des mouvements de la courbe du Trésor Américain sont capturés
par trois facteurs [17]. Ceux-ci modélisent la déformation de la courbe des taux en réponse à
un choc. Ces trois facteurs sont :
- Le facteur de niveau ou Level, associé à une variation vers le haut ou le bas de la
courbe des taux à toutes les maturités et dans les mêmes proportions.
- Le facteur de rotation ou Slope, associé à une hausse beaucoup plus forte des
taux court par rapport à ceux des taux longs.
- Le facteur de courbure ou Curvature, associé à une forte hausse des taux moyen
par rapport aux taux de court et de long terme. Ceci a pour effet de produire une
courbe comportant une bosse.

La connaissance exacte des forces sous-jacentes à la base de ces mouvements serait


forte utile. En effet, on pourrait prévoir les taux futurs, faire des meilleures couvertures
financières et appréhender la situation économique future du pays. Malheureusement, les
recherches ne sont pas assez fructueuses pour en tirer des conclusions.

- 22 -
Les trouvailles les plus importantes sont celles de Wu (2001) qui a démontré
empiriquement la forte corrélation entre la politique monétaire et le facteur de rotation.
Ang et Piazzesi (2001) ont trouvé que l’inflation et que l’activité économique réelle sont
utiles dans la prévision de la forme de la courbe des taux. Mais ils affirment également que
ces deux variables macroéconomiques ne sont pas suffisantes pour expliquer le niveau des
taux longs. Ces conclusions sont confirmées par Evans et Marshall (2001).

3.3.2. Variations parallèles (shift)

Ce phénomène se produit lorsque les taux d’intérêt à court et long terme


augmentent ou baissent du même nombre de points de bases, on constate alors un
déplacement parallèle vers le haut ou vers le bas de la courbe des taux. Ces mouvements
sont beaucoup plus rares que les twist.

3.3.3. Aplatissement de la courbe des taux (twist)

Un aplatissement structurel de la courbe des taux résulte d’une augmentation des


taux courts et d’une baisse des taux longs. La courbe tend ainsi à s’aplatir et peut même
aboutir à une inversion.

Les causes d’un tel mouvement peuvent être de sources différentes :


- La banque centrale décide de baisser les taux courts pour relancer l’économie.
Cette politique monétaire dite restrictive a pour but de lutter contre l’inflation au
prix d’une récession.
- Les agents anticipent une baisse des taux d’intérêt et préfèrent donc investir sur
des titres à long terme avec les taux courants élevés avant que la baisse des taux
n’ait lieu. Par conséquent, le prix des titres à plus longue échéance augmentera et
les rendements baisseront.

- 23 -
- Les primes de risques baissent conjuguée à une anticipation de l’inflation.
- Un déséquilibre d’offre-demande a lieu sur le marché obligataire long terme.

3.3.4. Pentification de la courbe des taux (twist)

Une courbe normale des taux se raidit ou se pentifie lorsque les taux courts baissent
et que les taux longs augmentent. Ce mouvement est symétrique à celui de l’aplatissement.

Une pentification de la courbe des taux peut s’expliquer de différentes manières :


- La banque centrale décide d’augmenter les taux d’intérêt.
- Les agents anticipent une hausse des taux d’intérêt et préfèrent donc investir sur
des titres à court terme et vendre les titres à long terme.

- 24 -
La courbe des taux est également très utile pour effectuer des analyses actuarielles et
financières. Sa connaissance permet de prévenir et de se couvrir du risque de taux d’intérêt.

Chapitre 4 Intérêt actuariel de la courbe des taux

Section 4.1. Le risque de taux d’intérêt

Le risque de taux se définit comme le risque de perte lié à une évolution défavorable
des taux d’intérêt.

Le risque de taux fait partie des risques majeurs et naturels auxquels sont confrontés
les établissements financiers et les compagnies d’assurance. Les bénéfices et la valeur
économique d’un établissement sont exposés structurellement au risque de taux dans la
mesure où les actifs, les passifs et les instruments hors bilan sont à plus ou moins long
terme, indexés sur les taux du marché.

Les trois sources principales du risque de taux d’intérêt sont:


- Le décalage de volume et d’échéance des actifs et des passifs ayant la même
indexation sur les taux d’intérêt.
- Le décalage dans l’adossement des actifs et des passifs, les instruments ne sont pas
nécessairement indexés sur les mêmes taux.
- La différence de corrélation des taux de rémunération des actifs et des passifs
indexés sur le même taux d’intérêt.

Section 4.2. Les risques relatifs au mouvement de la courbe des taux

Le comité de Bâle [2] définit trois types de risques structurels liés à la forme et à la
dynamique de la courbe des taux.

4.2.1. Risque de translation (Repricing Risk)

Le risque de translation de la courbe des taux ou repricing risk se produit lors d’une
hausse ou baisse générale des taux. Il survient lorsqu’il existe des différences dans les
échéances des instruments adossés à des produits à taux fixes ou lors des refinancements
des instruments adossés à des produits à taux variables. Une simple baisse ou augmentation
des taux peut exposer au risque de perte les actifs et passifs qui ne sont pas parfaitement
adossés. Par exemple, un établissement financier ayant financé un prêt à long terme à taux

- 25 -
fixe par un dépôt à court terme pourrait s'exposer, si les taux se tendent, à une baisse de son
revenu futur sur cette position.

4.2.2. Risque de déformation de la courbe des taux (Yield Curve Risk)

Le risque de déformation de la courbe des taux ou yield curve risk se produit lorsque
la courbe des taux se pentifie ou s’aplatit, c’est-à-dire lorsque la différence entre les taux
courts et les taux longs s’accentue ou diminue. Par exemple, la valeur économique d’un
placement sur 10 ans couvert par un placement à 5 ans indexé sur le même taux peut être
fortement dévaluée si la courbe des taux se pentifie et ce même si le placement à 10 ans et
couvert contre les mouvements parallèles de la courbe des taux.

4.2.3. Risque de base (Basis Risk)

Le risque de base résulte d'une corrélation imparfaite des taux reçus et versés sur
différents produits. Des produits dotés de caractéristiques de fixation de taux analogues
peuvent subir des impacts de différentes amplitudes suite à un choc des taux du marché ;
bien qu’ils soient indexés sur le même taux, la corrélation entre les taux de rémunération
avec l’index de référence peut s’avérer différente. Ce risque dépend de la composition du
bilan.

Section 4.3. Gestion ALM du risque de taux

La gestion actif-passif consiste à structurer le bilan de sorte que l’actif et le passif


subissent les mêmes variations. Pour se faire, l’ALM réduit l’écart entre les sensibilités de
l’actif et du passif aux variations des taux d’intérêt. La sensibilité choisie peut être la
duration qui évalue les effets de premier ordre d’une variation des taux de rendement sur la
valeur de l’actif ou du passif. Mais cette analyse peut être affinée en prenant en compte les
effets de second ordre avec la convexité et ainsi de tenir compte de la déformation de la
courbe des taux.

Différentes gestions et modèles ALM sont possibles pour se couvrir du risque de taux.
On distingue les modèles statiques qui portent sur la situation financière d’une société à un
instant donné, les modèles dynamiques qui incorporent l’évolution de la situation financière
d’une manière déterministe avec des scénarios de crise et les modèles dynamiques
incorporant l’évolution de la situation financière d’une manière probabilisée.

Ainsi pour répondre aux besoins de l’ALM et se couvrir contre le risque de taux, il est
nécessaire de connaître et d’exploiter la courbe des taux. La connaissance future de sa
forme peut permettre de mieux appréhender et gérer les risques de base, de translation et
de déformation de la courbe des taux.

- 26 -
Section 4.4. La courbe des taux : outil d’analyse financière

4.4.1. La courbe de taux : un indicateur de profil risque/rendement

La structure par terme des taux d’intérêt est également un outil d’analyse précieux
pour évaluer et pour comparer les différents instruments financiers entre eux selon leur
risque et leur rendement.

La courbe d’Etat étant considérée comme sans risque ou du moins possédant le


risque de solvabilité le plus bas, sert de benchmark. Ainsi on peut juger la qualité des
instruments financiers du marché en comparant leur courbe de rendement à celle du Trésor.
Les obligations émises par les entreprises étant plus risquées, elles présentent un rendement
plus élevé. Par conséquent, en superposant une courbe corporate et la courbe Trésor, on
observe un écart différentiel de rendement. Les investisseurs utilisent d’ailleurs plus souvent
le spread de crédit généré entre les différents titres que le rendement du titre en lui-même.

Cette analyse peut également être menée dans le but de comparer les rendements
de différents secteurs de l’économie ou les rendements de différentes entreprises etc...
L’avantage d’une analyse risque/rendement à l’aide des courbes de taux tient au fait de la
dimension temps qui s’ajoute. On peut comparer l’évolution des rendements suivant les
maturités.

4.4.2. Opérations d’opportunité d’arbitrage

La courbe des taux se mouvant perpétuellement, de multiples occasions d’effectuer


des opportunités d’arbitrages se créent. Un investisseur spécule et parie sur les futurs
mouvements de la courbe des taux pour en tirer le plus de profit. Si une baisse des taux est
prévue, les prix des instruments financiers vont baisser et donc l’investisseur va chercher à
en acheter, en espérant les revendre lorsque les prix augmenteront. Et il en est de même
pour les anticipations de hausse de taux.

- 27 -
La courbe des taux zéro-coupon est la courbe que nous cherchons à modéliser. Avant
d’effectuer la calibration d’un modèle de taux, il est nécessaire de reconstruire la courbe
zéro-coupon donnée par le marché. Les taux zéro-coupon étant illiquides sur le marché, on
utilise des courbes implicites. Cette partie aborde donc les méthodes de conversion des taux
du marché en zéro-coupon.

Chapitre 5 Reconstitution de la courbe zéro-coupon du marché

Section 5.1. Calcul des taux zéro-coupon sur la partie court terme

Sur le court terme, les instruments négociés sont en général considérés comme des
zéro-coupon. On constate en effet qu’un prêt monétaire est remboursé en même temps que
les intérêts à la date d’échéance, il n’y a donc qu’un seul flux. Le calcul du taux zéro-coupon
est alors un simple problème de changement de base.

5.1.1. Les taux d’intérêts de référence présents sur le marché monétaire

Les principaux taux de références du marché monétaire et dont nous allons faire
usage par la suite sont l’EURIBOR, l’EONIA et le taux LIBOR. Ces taux sont à la base de
nombreux produits dérivés que nous étudierons dans la suite du mémoire.

Ø Les taux interbancaires (IBOR)

Le taux interbancaire, ou Interbank Offered Rate (IBOR), est le taux d'intérêt offert
pour des prêts entre différentes banques de premier rang, sur une place, dans une devise et
pour une échéance définie.

Ø L’EURIBOR

D’après le site internet officiel de la banque de France, l’EURIBOR ou l’Euro Interbank


Offered Rate, est le taux interbancaire offert entre les banques de meilleures signatures sur
le marché monétaire pour la rémunération de dépôts dans la zone euro. Il est calculé en
effectuant une moyenne quotidienne des taux prêteurs sur 13 échéances, allant de 1
semaine à 12 mois, communiqués par un échantillon de 57 établissements bancaires les plus
actifs de la zone Euro. Il est calculé sur la base de 360 jours et est diffusé à 11h le matin si au
moins 50% des établissements constituant l'échantillon ont effectivement fourni une
contribution. La moyenne est effectuée après élimination des 15% de cotation extrêmes (le
nombre éliminé est toujours arrondi) et exprimée avec trois décimales.

Ø L’EONIA

- 28 -
D’après le site internet officiel de la banque de France, l’EONIA ou l’Euro Overnight
Index Average est le taux interbancaire calculé par la BCE et diffusé par la FBE (Fédération
Bancaire de l'Union Européenne). Il résulte de la moyenne pondérée de toutes les
transactions au jour le jour de prêts non garantis réalisées par les banques retenues pour le
calcul de l'EURIBOR.

Ø Le taux LIBOR

Le taux LIBOR ou le London Interbank Offered Rate est analogue au taux EURIBOR. Il
s'agit, pour une devise considérée et pour une échéance donnée, du fixing calculé chaque
jour ouvré à 11h (heure de Londres) et publié par la British Bankers' Association (BBA), d'un
taux interbancaire moyen auquel un échantillon de grandes banques établies à Londres
prête en blanc (c’est-à-dire sans que le prêt soit gagé par des titres) à d'autres grandes
banques.

5.1.2. La transformation des taux IBOR en zéro-coupon

En ce qui nous concerne, on s’intéresse aux taux Euribor pour les taux court terme.
Les taux Euribor sont exprimés en base exacte sur 360. Les taux zéro-coupons recherchés
sont les taux équivalents en base exacte sur 365. Ils sont exprimés par la formule suivante.
365
æ d ö d
1 + ZC(t,d) = ç 1 + TE(t,d) ÷
è 360 ø
Avec les notations :
- ZC(t,d) le taux zéro-coupon à la date t pour la maturité d
- TE(t,d) le taux Euribor à la date t pour la maturité d
- d la maturité exprimée en jours.

En ce qui concerne le nombre de jours par mois, on peut choisir deux conventions :
- 1 mois = 30 jours
- 1 mois = 365/12 jours
Le choix de ces deux conventions sera discuté par la suite.

Section 5.2. Calcul des taux zéro-coupon sur la partie sur le long terme

La reconstitution de la courbe des taux peut être réalisée simplement en extrayant


les taux de rendement d’obligations zéro-coupons présentes sur le marché.
Malheureusement les obligations zéro-coupon possédant les caractéristiques requises ont
une trop faible liquidité sur le marché et sont insuffisantes pour reconstituer une gamme
complète de taux d’intérêt à une date donnée.

- 29 -
Les taux swap ont le gros avantage d’être liquides sur le marché. Aussi, on utilise les
taux swap pour construire la courbe de taux zéro-coupon, en les transformant par la
méthode du bootstrap de swap.

5.2.1. Bootstrapping de taux swap contre Euribor

Pour déterminer la méthode d’extraction des taux zéro-coupon à partir de taux swap,
considérons à la date t, le cas particulier de T contrats de swap contre Euribor de maturité M
années avec M variant de 1 à T. Les contrats de swap détachent annuellement le taux de
swap jusqu’à la maturité du contrat. Les flux générés par ces contrats se produisent donc
tous les ans pour la partie variable et pour la partie fixe.

Les notations et caractéristiques liées à ces contrats sont les suivantes :


- s(t,M) le taux swap à la date t et d’échéance M
- r(t,M) le taux zéro-coupon à la date t et d’échéance M
- N le nominal
- E(i-1,i) le taux Euribor entre les années i-1 et i
- DF(t,s) le facteur d’actualisation entre t et s

Le but de ce problème est de déterminer les T taux zéro-coupon et les T facteurs


d’actualisation qui sont associés aux taux swap.
La jambe fixe (variable) est la valeur actualisée des flux futurs liés aux paiements des
intérêts fixes (variables). Ainsi on en déduit les expressions suivantes pour le contrat de
maturité M.
M
Jambe fixe = åDF(t,i).s(t,M).N
i=1
M
Jambe variable = åDF(t,i).E(i - 1,i).N
i=1

Etant donné le cadre d’absence d’opportunité d’arbitrage, il en vient l’égalité de la


jambe variable et de la jambe fixe.

Jambe fixe = Jambe variable


M M
Û åDF(t,i).s(t,M).N = åDF(t,i).E(i - 1,i).N
i=1 i=1
M M
Û åDF(t,i).s(t,M) = åDF(t,i).E(i - 1,i)
i=1 i=1

Les taux swap étant des taux de rendement au pair, les flux générés par la partie
variable s’exprime de la manière suivante.
M
1 = åDF(t,i).E(i - 1,i) + DF(t,M)
i=1

- 30 -
Et par l’égalité établit précédemment,
M
1 = å DF(t, i).s(t, M) + DF(t, M)
i=1

D’où la formule de récurrence suivante appelée la méthode du bootstrap de taux swap,

ìr(t,1) = s(t,1)
ï
ï M -1
í 1 - s(t, M)å DF(t, m)
ï m=1 1
ïDF(t, M) = 1 + s(t, M)
et DF(t, M) =
(1 + r(t, M)) M
pour1 < M £ T
î

Autre démonstration de la formule du bootstrap de swap:

La formule du bootstrap de swap peut également être démontrée en utilisant


l’argument de l’absence d’opportunité d’arbitrage.

Supposons, pour ce faire, que l’on dispose d’une suite annuelle de taux swap
(s(t,M))1<M<T dont la notation ne diffère pas de précédemment. On désire trouver la suite de
zéro-coupon (r(t,M))1<M<T extraits de ces taux swap.

Le swap de maturité 1 an, n’entraînant pas de versement de flux fixe intermédiaire,


coïncide avec le taux zéro-coupon 1 an.
Ainsi, on a r(t,1) = s(t,1) .

Pour démontrer la formule pour la maturité M allant de 1 à T, on considère la


stratégie suivante.
- Prêt d’un montant unitaire distribuant des coupons s(t,M) annuellement et
remboursant et remboursant 1 au bout de M années
s(t, M)
- Emprunt du montant sur m années au taux r(t,m), pour tout m allant de
(1 + r(t, m)) m
1 à M-1

- 31 -
Date 0 … m … M-1 M

Prêt -1 … s(t,M) … s(t,M) 1+ s(t,M)

Emprunt s(t, M)
de M-1 … - … - s(t,M) -
années (1 + r(t, M - 1)) M-1

Emprunt s(t, M)
… -s(t,M) … - -
de m années (1 + r(t, m)) m

M-1
s(t, M)
Total å (1 + r(t, m))
m=1
m
-1 ... 0 … 0 1+ s(t,M)

Etant donné l’absence d’opportunité d’arbitrage, la somme des flux totaux actualisés
est nulle. On obtient donc l’expression suivante en utilisant les facteurs d’actualisations.
M-1
1 - s(t, M)å DF(t, m)
m=1
DF(t, M) = pour1 < M £ T
1 + s(t, M)

On retrouve donc bien la formule du bootstrap de swap.

5.2.2. Bootstrapping de taux swap contre EONIA

Le swap contre EONIA est un contrat swap par lequel deux contreparties acceptent
de s’échanger des paiements d’un intérêt fixe contre des intérêts correspondant aux taux
EONIA capitalisés durant une période déterminée.

Intérêts fixes
Partie A Partie B

EONIA capitalisés

Le taux EONIA est un taux proportionnel et est coté sur la base d'une convention de
calcul nombre de jour exacts sur 360. Le taux EONIA capitalisé s’obtient par le produit des
taux EONIA journaliers sur la durée considérée.

t +N
æ 1 ö
EONIA _capitalisé(t,t + N) = Õç 1 + EONIA j ÷
j= t è 360 ø

Avec les notations suivantes:


- EONIA _capitalisé(t, t + N) le taux EONIA capitalisé entre la date t et t+N
- N le nombre de jours ouvrés dans la période du contrat
- t la date de début du contrat

- 32 -
On en déduit donc la valeur du zéro-coupon à la date t de maturité M mois à partir
du taux swap contre EONIA à échéance N jours.

t +N
M æ 1 ö
1+ ZC(t, M) = Õ ç 1 + EONIA j ÷
12 j= t è 360 ø

Avec les notations suivantes:


- ZC(t,M) le taux zéro-coupon à la date t et de maturité M mois
- N le nombre de jours ouvrés dans la période du contrat
- M la période en mois inscrite dans le contrat

Une discussion peut être réalisée autour de la convention du nombre de jour dans un
mois, à savoir 30 ou 365/12 ou autres. Ce point sera étudié lors des applications à des
données de taux.

- 33 -
Partie II
Méthodes d’interpolation de la courbe des taux et
présentation du modèle de Nelson-Siegel

La courbe des taux zéro-coupon fournie par les données du marché est incomplète
dans le sens où on ne connait pas la valeur des taux pour toutes les maturités.
L’interpolation des taux inconnus est donc nécessaire.

Cette section détaille les différentes méthodes usuelles d’interpolation: directes et


indirectes, paramétriques et non paramétriques, et décrit les critères recherchés de la
famille d’interpolation recherchée.

Chapitre 1 Les différentes méthodes d’interpolation de la courbe


des taux d’intérêt

Section 1.1. Nécessité d’interpoler

Le marché financier fournit la valeur des taux d’intérêt pour des maturités
déterminées. Cependant, on ne possède pas cette information pour toutes les échéances et
cette information est souvent forte utile. Par exemple pour le pricing d’un produit ou pour
calculer une valeur actuelle nette (VAN).

Ainsi, pour obtenir la valeur des taux d’intérêt pour d’autres maturités, il est
nécessaire d’interpoler la courbe de taux. La question du choix de la méthode
d’interpolation se pose alors. Il existe une multitude de techniques plus ou moins complexes
aboutissant à une valeur plus ou moins approchée du taux d’intérêt.

- 34 -
Section 1.2. Les méthodes directes d’interpolation

1.2.1. Interpolation linéaire

Cette méthode est la plus simple. Supposons que l’on connait la valeur de deux taux
de maturités m1 et m2 et que l’on cherche la valeur du taux de maturité m telle que m1 < m <
m2. La valeur du taux interpolé linéairement r(t,m) entre les deux autres est donnée par
l’expression suivante.

(m2 - m).r(t,m1 ) + (m - m1 ).r(t,m2 )


r(t,m) =
(m2 - m1 )

1.2.2. Interpolation cubique

Supposons ici que l’on dispose de quatre taux de maturités m1, m2, m3 et m4. Le taux
de maturité m calculé par interpolation cubique est défini par

r(t,m) = am3 + bm2 + cm + d

Avec a, b, c et d réels satisfaisants au système :

ìr(t,m1 ) = am13 + bm12 + cm1 + d


ï
ïr(t,m2 ) = am2 + bm2 + cm2 + d
3 2

í
ïr(t,m3 ) = am3 + bm3 + cm3 + d
3 2

ïr(t,m ) = am3 + bm2 + cm + d


î 4 4 4 4

1.2.3. Comparaison des deux interpolations

Voici à titre d’exemple un graphique présentant les résultats numériques d’une


interpolation linéaire et d’une interpolation cubique.

- 35 -
Section 1.3. Les méthodes indirectes d’interpolation

Les méthodes d’interpolation indirectes sont les plus utilisées en pratique


puisqu’elles fournissent des résultats plus précis et se rapprochent plus de la réalité, ce sont
ces types de méthodes que nous recherchons. Elles sont basées sur la minimisation de la
distance entre le taux (ou le facteur d’actualisation) théorique du modèle de reconstitution
choisi et le taux (ou le facteur d’actualisation) observé sur le marché. Le problème peut donc
se formaliser de la manière suivante.
^
c(t, m) = c(t, m)+ ε(t, m)
Avec les notations suivantes pour une date donnée t,
^
- c(t, m) le taux d’intérêt (ou le facteur d’actualisation) théorique à la date t
- c(t, m) le taux d’intérêt (ou le facteur d’actualisation) du marché à la date t
- ε(t, m) la partie résiduelle ou l’erreur entre le modèle théorique et les données du
marché.

La distance choisie pour la suite, en suivant les travaux de nombreux chercheurs sur ce
sujet, est la distance des moindres carrés. Ainsi donc l’idée consiste à chercher les paramètres
du modèle de reconstitution telle que l’erreur quadratique soit minimale.

2 2
Ù Ù
æ ö
θ / min c(t, m) - c(t, m, θ) = min å ç c(t, m) - c(t, m, θ) ÷ = min å ε(t, m, θ)2
m è ø
θ θ θ
m

En reprenant les mêmes notations que ci-dessus et en notant θ le vecteur de


paramètres du modèle théorique.

- 36 -
Section 1.4. Critères de choix de la famille d’interpolation de courbes de
taux

Pour notre étude, on cherche à contraindre la courbe des taux zéro-coupon à


appartenir à une famille particulière de courbes appelée famille d’interpolation. Cette
famille d’interpolation doit satisfaire les exigences suivantes :
- être suffisamment grande pour contenir les principales formes observées de la
courbe de taux d'intérêt
- être suffisamment restreinte pour pouvoir trouver rapidement la courbe qui
s’ajuste le mieux aux données.

Les deux approches les plus populaires sont les modèles utilisant l’absence
d’opportunité d’arbitrage et les modèles d’équilibre économique. La première famille de
modèles vise à reproduire la courbe des taux en s’assurant qu’aucune probabilité d’arbitrage
n’existe, cette approche est celle utilisée par les financiers pour évaluer des produits dérivés.
Tandis que la seconde approche ne repose sur aucun fondement théorique et cherche à
modéliser la courbe des taux en utilisant le moins de paramètres possible, ces types de
modèles sont utilisés dans des optiques d’analyses économiques.

Quelle que soit l’orientation choisie a priori, les critères suivant permettent de faire
une sélection parmi les modèles de taux :
- Etre suffisamment souple ou flexible pour suivre les principales fluctuations des
taux, le but étant de reproduire ainsi les différentes formes observées par la
courbe de taux du marché. La notion de souplesse peut par exemple être illustrée
en considérant des polynômes ; plus on augmente le degré d’un polynôme, plus
celui-ci sera souple et s’ajustera aux mieux aux données.
- Etre également relativement lisse pour obtenir une lecture facile des taux. En
termes mathématiques, cette caractéristique se traduit par l’appartenance à une
certaine classe de régularité.
- Contenir un nombre raisonnable de paramètres à estimer.

Nombres de recherches ont été effectuées sur ce sujet. Les plus connues sont les
modèles à splines et les fonctionnelles de Nelson-Siegel et ses dérivées. Les modèles à
splines sont ceux utilisés au sein de la Caisse des Dépôts, nous allons voir ci-dessous le
fonctionnement et les limites de ces modèles et pourquoi nous allons par la suite nous
tourner vers les modèles de Nelson-Siegel.

- 37 -
Section 1.5. Les méthodes non paramétriques : les modèles à splines

1.5.1. Bref revue sur les modèles à splines

Une spline est une fonction définie par morceaux par des polynômes. Elles sont une
généralisation des courbes de Bézier. Les modèles à splines proposent un modèle de courbes
très flexibles mais qui présentent des paramètres non interprétables financièrement et
économiquement.

Les recherches sur la modélisation de la courbe des taux par les modèles à splines
sont nombreuses, il existe bien des modèles.
On peut citer en premier lieu, les splines quadratiques et cubiques introduits par Mc
Culloch en 1971 et 1975. Dans le même ordre d’idée, Shaefer reconstitue la courbe des taux
en utilisant les polynômes de Bernstein en 1981, de même pour Pham avec les polynômes
de Chebyshev en 1998.
Une autre classe de modèles à splines est introduite en 1982 par Vacisek et Fong avec
les splines exponentielles. En 1998, Barzanti et Corradi développent les splines
exponentielles sous tension. Et enfin en 2005, Lin et Yu publient en 2005 leurs recherches
sur les splines exponentielles avec une formulation Bayesienne du spline.

1.5.2. Les splines polynomiales (Mc Culloch, 1971)

Mc Culloch a proposé de modéliser les fonctions d’actualisations continues en


utilisant des splines polynomiaux d’ordre 3.

La fonction d’actualisation proposée par le modèle de Mc Culloch est de la forme


suivante.
n-1
ì
ï
í
B(t,m) =å i=1
Bi (t,mi ) . 1
[mi ,mi+1 [
(m)
ïB (t,m) = a + b m + c m2 + d m3
î i i,t i,t i,t i,t

Avec les notations suivantes:


- (ai,t, bi,t, ci,t, di,t)1<i<n le vecteur de paramètres à la date t
- 1 la fonction indicatrice
- (mi)1<i<n sont les maturités qui constituent les points de raccord

On impose comme contraintes sur cette fonction la continuité et la continuité de la


dérivée première et seconde aux points de raccord, en d’autres termes d’appartenir à la
classe C².

A titre d’illustration, voici le graphique de la courbe des taux du 07.11.2008


interpolée par une spline cubique.

- 38 -
Le modèle proposé par Mc Culloch a été beaucoup critiqué par Gary Shea. En outre, il
précise que les courbes obtenues ne sont pas suffisamment lisses et varient trop
brutalement. De plus, les splines polynomiales amènent à des courbes qui divergent vers
plus ou moins l’infini lorsque les maturités sont grandes. Ces résultats sont donc
contradictoires avec la courbe des taux observée, les modèles à splines polynomiales
fournissent ainsi une mauvaise approximation des taux au-delà d’une certaine maturité.

1.5.3. Les splines exponentielles (Vacisek et Fong, 1982)

Vacisek et Fong proposent, en 1982, une alternative aux splines polynomiales en


suggérant d’utiliser la fonction exponentielle, puisque celle-ci est la fonction qui donne le
prix en fonction du taux de rendement. Ils proposent alors les splines exponentielles comme
modélisation de la fonction d’actualisation.

La fonctionnelle du facteur d’actualisation ainsi imaginée est de la forme :

n-1
ì
ï
í
B(t,m) = å
i=1
Bi (t,mi ) . 1
[mi ,mi+1 [
(m)
ïB (t,m) = a + b exp(-a (m - m )) + c exp(-2a (m - m )) + d exp(-3a (m - m ))
î i i,t i,t i,t i i,t i,t i i,t i,t i

Avec les notations suivantes:


- (ai,t, bi,t, ci,t, di,t, αi,t)1<i<n le vecteur de paramètres à la date t
- la fonction indicatrice
- (mi)1<i<n les maturités qui constituent les points de raccord

On impose les mêmes contraintes que les modèles à splines polynomiaux, soit
l’appartenance à la classe C².

- 39 -
Le graphique ci-dessous présente les résultats obtenus de l’ajustement de la courbe
de structure du 07.11.2008 en utilisant les splines exponentielles et polynomiales. On note
que les splines exponentielles sont plus flexibles.

Cependant, Shea va souligner que les modèles à splines exponentielles présentent les
mêmes failles que les splines polynomiales. Il va notamment démontrer que la courbe
obtenue fluctue autant violemment pour des taux à long terme et ne correspond donc pas à
la réalité.

1.5.4. Critiques des modèles à splines

Le reproche souvent formulé à l’encontre de ces modèles est qu’ils sont des boites
noires et ont des propriétés économiques indésirables (Seber et Wild (2003)). Et ceci a pour
conséquence d’être la source de nombreux problèmes opérationnels.

De plus, comme le souligne Shea (1982, 1985), ces méthodes d’estimation de la


structure à terme forcent la courbe à la hausse ou à la baisse sur les maturités de long
terme. Ainsi donc ces techniques ne sont pas utilisables pour la prévision des taux futurs.
Certes ces modèles donnent de très bons résultats pour l’interpolation, cependant les
résultats de la prévision des taux futurs ne sont pas pour autant satisfaisant.

C’est le cas actuel à la Caisse des Dépôts où le modèle utilisé pour reproduire la
gamme de taux est basé sur une interpolation par splines cubiques. La courbe obtenue n'est
pas suffisamment lisse, elle varie trop brutalement et apporte une mauvaise approximation
des taux au-delà d'une certaine maturité.

Il a donc été décidé de faire recours au modèle de Nelson-Siegel qui a un réel sens
économique et financier et qui possède de bonne capacité d’ajustement à la courbe des taux
(fit) et de prévision de taux (forecast).

- 40 -
Section 1.6. Les modèles paramétriques : de type Nelson-Siegel

1.6.1. Bref historique des modèles de type Nelson-Siegel

Pour situer le contexte de ces modèles, voici un bref historique (non exhaustif) des
modèles de type Nelson-Siegel.

Nelson et Siegel sont les pionniers et publient en 1987 leur modèle paramétrique de
taux à trois facteurs. Ce modèle est le point de départ de nombreux travaux de recherches sur
les modèles paramétriques de reconstitution de la gamme de taux et de nombreuses
variantes de ce modèle ont vu le jour.

A la recherche d’un modèle de taux contenant le minimum de paramètres, des


auteurs comme Bomfim (2003), et Rudebusch et Wu (2003) considèrent des modèles affines
à deux facteurs, tandis que Diebold, Piazzesi et Rudebusch (2005) examine les modèles à deux
facteurs de type Nelson-Siegel. Des extensions ont également été effectuées au modèle de
base de Nelson-Siegel dans le but d’améliorer sa flexibilité. C’est le cas des modèles à quatre
facteurs de Svensson (1994) pour assouplir la courbe à court terme et de Björk et Christensen
(1999) pour approximer la courbe des taux forward. Certains auteurs tels que Bliss (1997) ont
augmenté la flexibilité du modèle de Nelson-Siegel en ajoutant un paramètre mais sans
rajouter de facteur.

1.6.2. Avantages de ces modèles

Le plus gros avantage de ces modèles est qu’ils sont interprétables économiquement
et financièrement, ils ne sont pas des boites noires comme le sont les splines, leur application
a réellement un sens. Les paramètres ont de plus un rôle bien spécifique sur la forme de la
courbe des taux comme nous le verrons plus loin.

Ces modèles sont néanmoins moins flexibles mais ceci se justifie, selon Nelson et
Siegel [13], par la recherche d'un modèle parcimonieux. On entend par parcimonieux, un
modèle qui est capable d’expliquer le plus simplement et en utilisant le moins de paramètres
possible, un phénomène complexe. Ainsi les paramètres d’un modèles parcimonieux sont
ceux qui le caractérisent le mieux. L’idée de considérer des modèles parcimonieux nous vient
de Friedman qui opte pour des modèles plus lisses et comportant peu de paramètres.
Construire un modèle qui reflète la tendance de la courbe des taux d’intérêt est ainsi
préférable à déterminer un modèle qui suit parfaitement les fluctuations des données
connues. Par ailleurs, les modèles parcimonieux sont plus performants pour la prévision de
taux.

Le modèle de Nelson-Siegel est celui utilisé par la banque de France (1995) [15] et la
banque centrale européenne (2008). Il peut être utilisé à des fins de couvertures de
portefeuilles de taux (Barrett, Gosnell et Heuson (1995) et Hodges et Parekh (2006)) ou pour
calculer la VaR de taux fixe comme le fait Martellini et Meyfredi (2007). Dullmann et Urig-
Homburg (2000) utilise également le modèle de Nelson-Siegel pour décomposer et calculer la

- 41 -
structure du risque de taux. Les chercheurs Martellini, Fabozzi et Priaulet (2005) [10] et
Diebold et Li (2006) [7] prouvent de plus les bonnes capacités de ce modèle en termes de
prévision des taux.

- 42 -
Après avoir décrit brièvement les différentes méthodes classiques d’interpolation, on
se concentre désormais sur le modèle de Nelson-Siegel et ses particularités qui font qu’il est
aujourd’hui un des modèles de taux les plus utilisés dans le monde de la finance
d’entreprise.

Chapitre 2 Le modèle paramétrique de taux de Nelson-Siegel

Section 2.1. Présentation de la fonctionnelle des taux de Nelson-Siegel

L’idée sous-jacente dans le modèle de Nelson-Siegel est de trouver une famille


d’interpolation paramétrique capable de générer des courbes suffisamment flexibles pour
suivre les fluctuations usuelles de la courbe des taux zéro-coupon mais également
suffisamment lisses. Le modèle recherché doit aussi être d’une complexité réduite en
comportant peu de paramètres à estimer.

Nelson et Siegel ont donc proposé de modéliser les taux zéro-coupon par une
fonctionnelle non linéaire par rapport aux paramètres d’estimation. A une date donnée, le
taux zéro-coupon de maturité m, noté f NS (m) , est estimé par :

æ 1 - exp(-m / τ) ö æ 1 - exp(-m / τ) ö
f NS (m) = B 0 + B1 ç ÷ + B2 ç - exp(-m / τ) ÷
è m/ τ ø è m/ τ ø

Cette expression comporte les paramètres d’estimations suivants :


- B0 le facteur de niveau
- B1 le facteur de rotation
- B2 le facteur de courbure
- τ est un paramètre d’échelle

Ces paramètres ont tous un rôle bien spécifique et influencent la forme de la courbe.
De plus, une particularité du modèle de Nelson-Siegel et que ces paramètres ont une
interprétation économique et financière.

Il est important de préciser que cette expression représente une courbe de taux
d’intérêt à une date fixe. Etant donné que nous travaillerons par la suite avec un historique,
on introduit la notion du temps dans cette expression. Désormais on travaillera avec le
modèle suivant.

- 43 -
FONCTIONNELLE DES TAUX DE NELSON-SIEGEL :

æ 1 - exp(-m / tt ) ö æ 1 - exp(-m / tt ) ö
f NS (t,m) = B0,t + B1,t ç ÷ + B2,t ç - exp(-m / tt ) ÷
è m / tt ø è m / tt ø

Avec les notations suivantes :


- f NS (t,m) le taux zéro-coupon de maturité m à la date t
- m la maturité
- B 0 ,t le facteur de niveau à la date t
- B 1,t le facteur de rotation à la date t
- B 2 ,t le facteur de courbure à la date t
- τ t est un paramètre d’échelle à la date t

Section 2.2. Provenance de la fonctionnelle de Nelson-Siegel

Nelson et Siegel ont recherché une classe de fonctions paramétriques qui


reproduisent les formes observées de la courbe des taux zéro-coupon. Après des recherches
expérimentales, ils ont remarqué que les solutions d’équations différentielles du deuxième
ordre répondent à ces caractéristiques. Ainsi Nelson et Siegel ont supposé que le taux à terme
instantané est solution d’une équation différentielle du deuxième ordre de racines distinctes
τ 1 et τ 2 , et s’écrit donc de la manière suivante:

f(t,m) = B0,t + B1,t exp(-m/ t1,t ) + B2,t exp(-m/ t2,t )

Avec les notations suivantes :


- f(t,m) le taux à terme instantané de maturité m et à la date t
- m la maturité
- B 0 ,t le facteur de niveau à la date t
- B 1,t le facteur de rotation à la date t
- B 2 ,t le facteur de courbure à la date t
- τ 1 et τ 2 deux paramètres d’échelle à la date t

Cette équation génère bien une famille de courbe modélisant toutes les formes
possibles des courbes de taux observées sur le marché suivant les valeurs prises par les
paramètres.

- 44 -
Cependant des études expérimentales menées par Nelson et Siegel ont révélé que ce
modèle était sur-paramétré. Ce qui signifie qu’il est possible de modéliser les mêmes types de
courbes avec un modèle détenant moins de paramètres. Nelson et Siegel ont alors considéré
un modèle légèrement différent du précédent et comportant des racines égales notées τ.
L’expression du taux à terme instantané est donc formulée comme suit, en utilisant les
mêmes notations que précédemment.

m
f(t,m) = B0,t + B1,t exp(-m / tt ) + B2,t exp(-m / tt )
tt

L’expression du taux au comptant peut alors être déduite de cette expression. En


effet, on rappelle que le taux au comptant est la valeur moyenne du taux à terme instantané
sur l’intervalle de maturité considéré.

1 m
m ò0
r(t,m) = f(t,s)ds

En prenant les notations :


- r(t,m) le taux spot de maturité m à la date t
- f(t,s) taux à terme instantané de maturité à la date t

De ces expressions, on en déduit la fonctionnelle paramétrique de taux proposé par


Nelson et Siegel.

æ 1 - exp(-m / tt ) ö æ 1 - exp(-m / tt ) ö
r(t,m) = B0,t + B1,t ç ÷ + B2,t ç - exp(-m / tt ) ÷
è m / tt ø è m / tt ø

Section 2.3. Rôle et interprétation économique des paramètres de


Nelson-Siegel

Chaque paramètre du modèle de Nelson-Siegel a une influence bien particulière sur


une partie de la courbe de taux. Un choix approprié de ces paramètres est suffisant pour
décrire la gamme complète des formes prises par la courbe des taux.

Ø Le facteur de niveau

Le paramètre B0 agit sur la partie long terme de la courbe, il détermine son niveau.
Plus exactement, il est la limite de la fonctionnelle de Nelson-Siegel quand la maturité diverge
vers l’infini, autrement dit il est son asymptote. En terme économique, B0 s’interprète comme
le taux long. Ceci implique implicitement que ce paramètre doit toujours être positif.

Le graphique ci-dessous retrace l’effet de ce facteur. Il a été obtenu en faisant varier


B0 entre 3 et 4 et en fixant les autres paramètres de Nelson-Siegel. La courbe des taux
résultante subit des variations parallèles.

- 45 -
Ø Le facteur de rotation

Le paramètre B1 agit quant à lui sur la partie court terme de la courbe, il est le facteur
de rotation. Plus exactement, -B1 modélise la pente, des valeurs positives (respectivement
négatives) de B1 entraine une pente descendante (respectivement ascendante). Ceci est dû à
la composante associée B1, elle est positive pour des petites maturités puis elle décroit de
manière exponentielle vers 0 quand la maturité augmente.

1 - exp(-m / t)
Composante de rotation: (m,t) ®
m/ t

L’effet du facteur de rotation est illustré avec le graphique ci-dessous, celui-ci a été
obtenu en faisant varier B1 entre -6 et 6, les autres paramètres étant fixés.

La limite de la fonctionnelle de Nelson-Siegel quand la maturité tend vers 0 est B0+B1.


On en déduit donc que B1 s’interprète économiquement comme la différence entre le taux
court et le taux long. De même, une autre contrainte implicite est que la somme des
paramètres B0 et B1 soit positive.

- 46 -
Ø Le facteur de courbure

L’effet induit par le paramètre B2 est, comme son nom l’indique, la courbure que
prend la courbe des taux à moyen terme. En effet, la composante associée à B2 décroit
progressivement vers 0 quand la maturité augmente mais varie beaucoup pour des maturités
moyennes.
1 - exp(-m / τ)
Composante de courbure : (m,τ) ® - exp(-m / τ)
m/ τ

Le graphique ci-dessous illustre cet effet, si le paramètre B2 est positif, la courbure est
orientée vers le haut et vis-versa.

- 47 -
Ø Le paramètre d’échelle

Le paramètre d’échelle mesure la vitesse de décroissance vers 0 des composantes de


court et moyen termes. Les petites valeurs de τ impliquent une décroissance rapide des
composantes vers 0 et modélisent donc bien les effets de courbures aux petites maturités. Et
inversement, les grandes valeurs de τ correspondent à un décroissement lent vers 0 de ces
composantes et vont donc bien modéliser les effets de courbure sur les grandes maturités. Et
plus encore, le paramètre τ détermine la position exacte du minimum ou maximum de la
courbure. Les graphiques ci-dessous illustrent l’effet de ce paramètre.

Le paramètre d’échelle est homogène à un temps, il doit donc être positif. Ceci est la
troisième contrainte implicite imposée par le modèle de Nelson-Siegel.

- 48 -
Ø Contraintes implicites du modèle de Nelson-Siegel

En résumé des paragraphes précédents, le modèle de Nelson-Siegel possède trois


contraintes implicitement liées au modèle.

ìB0 > 0
ï
íB0 + B1 > 0
ïît > 0

Section 2.4. Critiques du modèle de Nelson-Siegel

Le modèle de Nelson-Siegel est largement utilisé de nos jours. Ce modèle a été choisi
pour effectuer cette étude parce qu’il répond bien à toutes les caractéristiques et attentes
de la famille d’interpolation recherchée que l’on a énoncées dans la section 1 paragraphe 4.
En effet, leur modèle est à la fois flexible pour reproduire les principales gammes de taux
observées sur le marché, et à la fois suffisamment lisse pour permettre une lecture facile des
taux. Il possède de plus de bonnes capacités de prédiction des taux futurs. Il est également
d’une complexité réduite puisqu’ils comportent seulement quatre paramètres, et ceux-ci
sont interprétables financièrement.

Cependant, comme nous le verrons par la suite, le modèle de Nelson-Siegel n’est pas
adapté aux situations de crises financières et n’est pas capable de reproduire toutes les
fluctuations que connaissent les courbes de taux durant cette période. De plus, ce modèle
connait d’importants problèmes de modélisation : un problème d’optimisation et un

- 49 -
problème de sur-ajustement (overfitting) dont les raisons et conséquences sont détaillées
par la suite.

- 50 -
Partie III
Fitting : Calibration du modèle de Nelson-Siegel

Bien que le modèle de Nelson-Siegel soit réputé et fort utilisé, il existe de réelles
difficultés de calibration. Cette partie détaille l’implémentation et le résultat de trois
méthodes de calibration.

La première étape dans la modélisation de la courbe des taux zéro-coupon est la


sélection et le nettoyage des données sur lesquelles on se base pour calibrer le modèle.
Cette première étape consiste à récupérer un historique de taux liquides sur le marché,
d’homogénéiser ces données et de les transformer en zéro-coupon.

Chapitre 1 Présentation des données, homogénéisation et


conversion des taux en zéro-coupon

Section 1.1. Présentation des données utilisées

Pour reconstituer la courbe de taux zéro-coupon, il est nécessaire de récupérer


plusieurs types de taux. En toute logique et dans le souci de refléter au mieux la réalité du
marché, on s’intéresse aux taux qui sont le plus liquides. Pour ce faire, et suivant la
méthodologie suivie par la Caisse des Dépôts et plus spécifiquement le service ALM, on
récupère les types de taux suivants sur Bloomberg, logiciel de données financières :
- Les taux Euribor pour les maturités inférieures ou égales à 11 mois
- Les taux Swap contre Euribor 6 mois pour les maturités de 1 an et au-delà

Les 41 maturités auxquelles on s’intéresse sont les suivantes :


1M 2M 3M 4M 5M 6M 7M 8M 9M 10M 11M 1Y 2Y 3Y
4Y 5Y 6Y 7Y 8Y 9Y 10Y 11Y 12Y 13Y 14Y 15Y 16Y 17Y
18Y 19Y 20Y 21Y 22Y 23Y 24Y 25Y 26Y 27Y 28Y 29Y 30Y

Le choix des maturités utilisées n’est pas immédiat. La partie suivante explique les
démarches effectuées et menant à la décision finale dans le cadre de la récupération des
données de taux.

- 51 -
Enfin, on considère pour notre étude un large historique datant du 01.01.1999 et se
terminant le 01.01.2010, ce qui fait un total de 2871 courbes de taux.

Section 1.2. Récupération et nettoyage des données

1.2.1. Récupération des taux sur Bloomberg

Dans le but d’obtenir le maximum d’information, on extrait les taux d’intérêt du


logiciel Bloomberg à toutes les maturités possibles sur la période du 01.01.1999 au
01.01.2010. Les types de taux retirés sont les suivants :
- Les taux Euribor pour les maturités inférieures ou égales à 11 mois
(Ticker sous Bloomberg : EUR)
- Les taux Swap contre Euribor 6 mois pour les maturités de 1 an et au-delà
(Ticker sous Bloomberg : EUSA)

1.2.2. Homogénéisation du nombre de données

Le nombre de données est très variable suivant la maturité du taux considéré comme
le montre le graphique ci-dessous. Ce manque d’information s’explique par deux
phénomènes :
- Le manque d’information constaté pour les taux de maturité supérieure 30 ans est dû
à un manque de liquidité des taux swap pour ces maturités. En effet, les taux swap
Euribor contre 6 mois de maturité 32 ans par exemple s’échangent très peu sur le
marché.
- La valeur de certains taux manque également pour les dates correspondant à des
jours fériés. En effet, les indices tels que l’Euribor ne sont pas cotés ces jours là au
contraire des swaps puisque le marché des devises reste ouvert. Il existe donc un
clivage entre le nombre de données de taux de maturités inférieures à 1 an et
supérieures à 1 an.

- 52 -
Données dans Bloomberg

3,000.00

2,500.00
Nombres de données de taux

2,000.00

1,500.00

1,000.00

500.00

-
2Y
4Y
6Y
8Y
10Y
12Y
14Y
16Y
18Y
20Y
22Y
24Y
26Y
28Y
30Y
32Y
34Y
36Y
38Y
40Y
42Y
44Y
46Y
48Y
50Y
1M
3M
5M
7M
9M
11M

Maturités

C’est ainsi que pour cette raison, il a été décidé de ne pas considérer les taux de
maturité supérieure à 30 ans. Et concernant, la cotation des indices lors des jours fériés, il a
été décidé de cristalliser la valeur du taux concerné par celle du même taux constaté le jour
précédent. Par exemple, la valeur du taux Euribor 1 mois du 01.01.2004 que l’on prendra
sera la valeur du taux Euribor 1 mois du 31.12.2003.

1.2.3. Interpolation des taux présentant des erreurs de cotation

Certaines courbes de taux présentent de fortes variations, c’est-à-dire une remontée


ou une baisse inexpliquée de certains points de courbes la rendant irrégulière. Et cette
irrégularité s’avère fortement contraignante pour la calibration du modèle paramétrique, en
effet ces points aberrants agissent comme des effets de levier et faussent les résultats de la
calibration.

Les points aberrants sont détectés en mesurant l’écart entre les différents points de
courbe. Lorsque cet écart est trop important, on effectue un réajustement en interpolant
linéairement les points qui font défaut. Ce phénomène se produit généralement à long
terme, plus exactement sur les taux de maturités 20, 25 et 30 ans. On a interpolé ainsi une
dizaine de courbes sur l’ensemble de l’historique. Deux exemples d’interpolations figurent
ci-dessous.

- 53 -
Parfois, les gammes de taux sont tellement irrégulières que l’on préfère la substituer
par celle du jour précédent. C’est le cas des deux courbes de taux ci-dessous.

Section 1.3. Conversion des taux en zéro-coupon

1.3.1. Conversion des taux Euribor en zéro-coupon

Les taux de 1 à 11 mois de notre historique sont des taux Euribor, ceux-ci sont
exprimés en base exacte sur 360 et les taux zéro-coupons recherchés sont les taux
équivalents en base exacte sur 365. On utilise donc la formule de changement de base vue
dans la partie 1 paragraphe 4.1.2. et qui est rappelée ci-dessous pour transformer les taux
concernés.

- 54 -
365
æ d ö d
1 + ZC(t, d) = ç 1 + TE(t, d) ÷
è 360 ø
Avec les notations suivantes :
- ZC(t,d) le taux zéro-coupon à la date t pour la maturité d
- d la maturité exprimée en jours
- TE(t,d) le taux Euribor à la date t pour la maturité d

En ce qui concerne, le nombre de jours par mois, on peut choisir entre deux conventions :
- 1 mois = 30 jours
- 1 mois = 365/12 jours

Une brève étude statistique, dont le détail figure ci-dessous, montre que l’écart entre
les taux zéro-coupon calculés suivant l’une et l’autre convention est négligeable.

Erreurs relatives des taux zéro-coupon


calculés avec les deux conventions
Moyenne 5.81699 E-07
Minimum 1.82182E-08
Maximum 1.7744E-06
Ecart Type 4.35479E-07

Ainsi, dans le but de faciliter les calculs, le nombre de jours par mois retenu pour le
calcul des zéro-coupon est fixé à 30.

1.3.2. Conversion des taux swap en zéro-coupon

La formule pour transformer les taux swap contre Euribor 6M en zéro-coupon


détaillée dans la partie 1 paragraphe 4.2.1., est rappelée ci-dessous.

ìr(t,1) = s(t,1)
ï M-1
ï
í
ïDF(t,M) =
å
1 - s(t,M) DF(t,m)
1
m=1
et DF(t,M) = pour 1 < M £ T
ïî 1 + s(t,M) (1 + r(t,M))M
Avec les notations suivantes:
- s(t,M) le taux swap à la date t et à la maturité M
- r(t,M) le taux zéro-coupon à la date t et à la maturité M
- DF(t,s) le facteur d’actualisation entre t et s

- 55 -
Après le nettoyage des données, on s’attaque au problème de calibration du modèle
de Nelson-Siegel. Cette section reformule le problème d’estimation et les différentes voies
de résolution.

Chapitre 2 Formalisation du problème de calibration et critères


recherchés de la méthode de calibration

Section 2.1. Formalisation du problème de calibration

Dans cette partie, on s’intéresse à la méthode d’estimation des paramètres du


modèle de taux à une date t. Le problème, suivant la discussion de la partie 2 paragraphe
1.3., consiste à trouver le vecteur de paramètres de manière à minimiser la distance (au sens
des moindres carrés) entre le taux d’intérêt théorique issu du modèle de reconstitution et le
taux d’intérêt observé sur le marché. Le problème d’optimisation se formalise donc pour une
date t de la manière suivante.
41 41

å(r(t,m ) - f NS (mi ,B0,t ,B1,t ,B2,t ,τ t ) ) = åε(t,m )


2 2
(B0,t ,B1,t ,B2,t ,τ t ) / min i min i
(B0 ,t ,B1,t ,B2,t ,τ t ) (B0 ,t ,B1,t ,B2,t ,τt )
i=1 i=1

Avec les notations suivantes,


- fNS (mi,B0,t,B1,t,B2,t,τt) le taux théorique modélisé par la fonctionnelle de Nelson-Siegel
de maturité mi et à la date t
- r(t, mi) le taux d’intérêt du marché de maturité mi à la date t
- ε(t, mi) le résidu ou l’erreur entre le taux théorique et le taux du marché à la
maturité mi et à la date t

Avec les contraintes suivantes à toutes les dates t,

ìB0,t > 0
ï
íB0,t + B1,t > 0
ïtt > 0
î

A chaque jour ouvré correspond une courbe de taux et donc un vecteur de paramètres
(B0,t, B1,t, B2,t, τt). Dans cette partie, on se fixe une date et on recherche les paramètres
estimés à cette date. Ainsi, dans un souci de simplicité, on utilisera les notations sans indiquer
le temps t.

- 56 -
Section 2.2. Voies de résolution et critères de recherche de la méthode
de calibration

Ø Voies de résolution du problème d’optimisation

Deux approches sont possibles pour résoudre le problème d’optimisation.


La première consiste à estimer pour toutes dates t fixées, le vecteur de paramètre 
θ = (B0 ,B1 ,B2 ,τ ) directement, ce que nous nommerons la recherche en une étape. Le
problème d’optimisation est un problème des moindres carrés non linéaire et sa résolution
sera détaillée dans la section 3.

La deuxième approche est d’estimer le vecteur de paramètre B = (B0 , B1 ,B2 )


conditionnellement au paramètre τ. Cette approche, appelée la recherche en deux étapes, a
la particularité de rendre le problème linéaire et donc de faciliter les calculs. Les méthodes de
calibration propres à cette approche sont explicitées section 4.

Ø Critères recherchés de la méthode de calibration

La méthode d’estimation des paramètres retenue est celle qui optimise les trois
critères suivants :

1. Précision et qualité de l’estimation


La courbe de taux du 17.09.2009 est utilisée comme test avec chaque méthode
d’interpolation afin de juger la qualité de l’estimation et de comparer avec les
autres méthodes d’interpolation.

2. Temps de calcul court


Ce critère est nécessaire dans le sens où on recherche à modéliser non une courbe
mais un historique de courbes de taux de plusieurs années.

3. Stabilité des paramètres d’estimation


Notre étude ne s’arrête pas à l’interpolation de la courbe des taux, mais elle
s’étend à la détermination des taux futurs dans laquelle l’étude de la dynamique
des paramètres issus de la calibration est requise. En conséquence, on recherche
une méthode d’interpolation générant des paramètres stables dans le temps.

- 57 -
On se consacre tout d’abord à la calibration du modèle de Nelson-Siegel en une étape
et plus précisément, avec la méthode de Gauss-Newton. Cette section décrit l’algorithme et
les modifications apportées puis commente les résultats d’estimation.

Chapitre 3 Recherche des estimateurs du modèle de Nelson-Siegel


en une étape

Section 3.1. Formalisation du problème d’estimation

On rappelle que le problème d’estimation des paramètres du modèle de Nelson-


Siegel auquel on doit faire face est le suivant. On rappelle également que l’estimation se
faisant à une date fixe, on ne prend pas en considération le temps dans la notation des
paramètres.
41

å(r(m ) - f )
2
(B0 ,B1 ,B2 , t) / min i NS (mi ,B0 ,B1 ,B2 , t)
(B0 ,B1 ,B2 ,t)
i=1

Dans cette partie, le problème d’optimisation est un problème des moindres carrés
non linéaire. On cherche le vecteur de paramètres θ = (B0 ,B1 ,B2 ,τ ) à une date déterminée
tel que :
41

å(r(m ) - f )
2
θ / min i NS (mi ,θ)
θ
i=1

Avec les notations suivantes,


- f NS(mi , θ) le taux d’intérêt théorique de maturité mi , c’est-à-dire la fonctionnelle de
Nelson-Siegel comportant le vecteur de paramètres θ
- θ = (B0 ,B1 ,B2 ,τ ) le vecteur de paramètres du modèle de Nelson-Siegel
- r(mi) le taux d’intérêt du marché de maturité mi

Dans le but de faciliter l’écriture, on introduit la fonction de la somme des erreurs


aux carrés que l’on appelle SSE (Sum of Squared Errors). Cette fonction est celle à minimiser
selon le vecteur de paramètres θ = (B0 ,B1 ,B2 ,τ ) . Elle est également appelée l’erreur
quadratique ou l’erreur au sens des moindres carrés.

41

å(r(m ) - f (mi ,θ))


2
SSE: θ ® i NS
i=1

Le problème peut donc se réécrire de la façon suivante,

- 58 -
θ / min SSE(θ)
θ

Avec les contraintes du modèle suivantes,

ìB0 > 0
ï
íB0 + B1 > 0
ïît > 0

Section 3.2. La méthode d’optimisation de Gauss-Newton

3.2.1. Principe de la méthode

L’algorithme de Gauss-Newton est une méthode connue et efficace pour résoudre les
problèmes non linéaires des moindres carrés. Son principe est d’approcher le vecteur de
paramètre Ѳ par itérations successives en utilisant dans l’expression de la direction de
descente la matrice Jacobienne mais non la matrice Hessienne des résidus qui s’avère ici
difficile à calculer.

Ainsi le vecteur Ѳ optimal est la limite de la suite (Ѳn)n qui est définie par son premier
terme Ѳ0 et la relation de récurrence suivante :

θn+1 = θn + (Jt J)-1 Jt .εn+1

Avec les notations suivantes,


- J la matrice Jacobienne de la fonction de Nelson-Siegel par rapport aux paramètres
B0, B1, B2 et τ, et évaluée en chaque maturité
- JT la transposée de la matrice J
- εn+1 le vecteur des résidus de dimensions (41,1).

Après calcul, on trouve l’expression suivante pour la matrice J.

- 59 -
3.2.2. Choix des valeurs initiales et cas de divergence

Le choix des valeurs initiales est délicat. En effet, les résultats obtenus s’avèrent
différents suivant les valeurs initiales choisies.

Une première remarque est que plusieurs ensembles de paramètres peuvent générer
un bon ajustement du modèle de Nelson-Siegel avec les taux du marché. Autrement dit la
fonction SSE possède plusieurs minima. Voici à titre d’exemple, deux résultats d’estimation
de la courbe du 17.09.2009 obtenus avec des initialisations différentes.

Fitting 1 Fitting 2
Qualité du Fitting
SSE 0.1778369 0.3438318
2
R 0.9977198 0.9955914
Paramètres
B0 3.575 4.617
B1 -2.915 -4.014
B2 5.74 -1.466
τ 6.892 1.758

En revanche, et d’autant plus si les valeurs initiales sont éloignées de celles


optimales, l’algorithme peut diverger et renvoyer des paramètres prenant des valeurs
extrêmes voire en contradiction avec les contraintes du modèle de Nelson-Siegel. Ce qui est
fort contrariant étant donné la signification économique des paramètres. Voici à titre
d’exemple, deux autres résultats de calibration : celui de la courbe 22.11.2006 (fitting 3) et
celui du 31.03.2009 (fitting 4). Ces mauvais résultats ne sont pas nouveaux et ont déjà été
rapportés par Annaert, Claes, Ceuster et Zhang (2000) [1] et De Pooter (2007) [6].

Fitting 3
Qualité du Fitting
SSE 0.117987
2
R 0.8325426
Paramètres
B0 2.350
B1 1.432
B2 0.744
τ -18.724

- 60 -
Fitting 4
Qualité du Fitting
SSE 0.274804
2
R 0.9927223
Paramètres
B0 -29.359
B1 0.799
B2 50.223
τ 32.068

Un autre inconvénient de la méthode de Gauss-Newton est que l’algorithme possède


des difficultés de convergence, notamment l’inversion de matrice qui n’est pas toujours
réalisable. De même l’algorithme peut ne pas s’arrêter et former une boucle en renvoyant
indéfiniment les mêmes suites de valeurs.

Ainsi pour chaque courbe de taux, l’algorithme de Gauss-Newton est lancé avec
plusieurs valeurs initiales et on retient comme choix final l’ensemble de paramètres
possédant la plus petite fonction SSE. Pour parer aux cas où les paramètres sortent des
limites du modèle de Nelson-Siegel, on leur impose à se restreindre aux intervalles ci-
dessous. Ces intervalles ont été choisis après avoir effectué plusieurs manipulations et tests
empiriques et sont suffisants pour regrouper les différentes formes de la courbe des taux
observées dans l’historique considéré.

ì 0 < B0 < 30
ïï -30 < B < 30
1
í-30 < B < 30
ï 2

ïî 0 < t < 40

Les valeurs initiales sont prises aléatoirement dans ces intervalles, et si une
contrainte n’est pas respectée, l’algorithme est relancé avec d’autres valeurs initiales.
L’algorithme résultant met beaucoup de temps, certes le temps de calcul d’une courbe avec
l’algorithme de Gauss-Newton est quasiment instantané, mais prenant en compte ces
modifications, le temps de calcul par courbe est fortement rallongé.

Les paramètres optimaux de la courbe test sont ceux du résultat 1, le détail figure ci-
dessous. La modélisation de la courbe des taux est de bonne qualité, elle est rapide et
précise.

- 61 -
Paramètres Valeurs
SSE 0.1778369
2
R 0.9977198

Paramètres Valeurs
B0 3.575
B1 - 2.915
B2 5.740
τ 6.892

Erreurs relatives des taux (%)


Moyenne 4.00477
Maximum 55.49633
Minimum 0.08533
Moyenne des écarts types 9.128082

3.2.4. Application à tout l’historique

On applique cet algorithme à tout l’historique en testant plusieurs initialisations


comme expliqué antérieurement. Le temps de calcul est très long et malheureusement, pour
beaucoup de courbes de taux, l’algorithme diverge et aucune solution respectant les
contraintes imposées n’est trouvée. Les résultats des convergences et divergences sont
indiqués dans le tableau ci-dessous. De plus, l’algorithme on compte au total, une centaine
de cas où l’algorithme forme une boucle et ne s’arrête pas. Pour ces cas, l’algorithme
s’arrête et est relancé avec une initialisation différente.

Résultats obtenus avec la méthode de Nombres de Pourcentage de


Gauss Newton courbes concernées courbes concernées
Convergence de l’algorithme 2448 85%
Divergence de l’algorithme 423 15%

Devant ses résultats, l’algorithme a été quelque peu modifié et une constante
inférieure à 1 a été insérée dans l’expression de la direction de descente pour adoucir la
vitesse de descente. Plusieurs constantes ont été testées mais au final, ceci a fonctionné que
pour trop peu de courbes de taux, d’autant plus que le temps de calcul est fortement
rallongé. Ainsi cette modification a été mise de côté.

Concernant les cas où l’algorithme converge, une étude de la qualité de la calibration


est réalisée à l’aide du coefficient de détermination et l’erreur des moindres carrés. Leur
graphique ci-dessous montre une grosse dégradation de la qualité de la calibration à partir
de 2006. Ceci n’est pas relié à un problème de convergence de la méthode mais à la crise
économique et financière de 2007 qui a fortement bouleversé la structure des courbes de
taux. Mais nous confirmerons et détaillerons plus loin ce point, notamment avec
l’application de la méthode de la grille et dans la partie IV.

- 62 -
L’évolution dans le temps des paramètres du modèle, dont les graphiques sont ci-
dessous, présente beaucoup de saturation. Les paramètres ont des variations brutales d’un
jour sur l’autre, ce qui parait étrange étant donné leur signification économique.

- 63 -
Ces résultats ne sont pas nouveaux. Les difficultés de calibration de même que
l’instabilité des paramètres résultants ont déjà été soulevées par De Pooter (2007) [6],
M.Gilli, S.Grosse et E.Schumann (2010) [12] et d’autres chercheurs.

3.2.5. Bilan de la méthode de Gauss-Newton

La méthode de Gauss-Newton présente le gros désavantage de ne pas toujours


converger. Beaucoup de difficultés de calibration sont à surmonter telles que la formation
de boucles de valeurs et le calcul de la matrice inverse qui n’est pas toujours réalisable. De
plus, l’algorithme est très sensible aux valeurs initiales, selon l’initialisation les paramètres
peuvent s’écarter des valeurs optimales et sont même parfois en contradiction avec les
contraintes du modèle.

De plus, la fonction objectif possède plusieurs minima, plusieurs ensembles de


paramètres génèrent un bon ajustement de la courbe théorique aux données du marché.
Mais ceci est un problème dû au modèle de Nelson-Siegel et sera explicité en partie IV.

Néanmoins, dans le cas où l’algorithme converge, les courbes de taux sont bien
modélisées, l’interpolation est de bonne qualité. Malheureusement, les paramètres ne sont
pas stables au cours du temps et varient très brusquement d’un jour sur l’autre. Si la finalité
de cette étude est d’interpoler la courbe des taux du marché, cette méthode pourrait
convenir mais ici, on veut utiliser la dynamique temporelle des paramètres en vue de faire
de la prévision de taux.

- 64 -
On se tourne désormais vers une autre méthodologie d’optimisation qui facilite les
calculs et qui contournera de ce fait, toutes les difficultés de calibration rencontrées avec la
méthode de Gauss-Newton. Cette section regroupe les méthodes de recherche des
estimateurs en deux étapes : la méthode de la grille et la méthode de Diebold-Li.

Chapitre 4 Recherche des estimateurs du modèle de Nelson-Siegel


en deux étapes

Section 4.1. Formalisation du problème et avantage de cette méthode

Dans cette partie, on modifie le problème d’optimisation initial pour se ramener à un


problème des moindres carrés linéaires plus simple à résoudre.

On s’intéresse ainsi pour une date fixée, à chercher le vecteur de paramètres


B = (B0 , B1 ,B2 ) de manière à minimiser l’erreur quadratique du modèle connaissant la valeur
du paramètre τ.
ì
ï
41 ü
å
B / min í {r (mi ) - f NS (mi ,B,τ )} τ = τ* ïý
2

B
ï
î i=1 ï
þ
Avec les notations suivantes,
- f NS (mi ,B,τ) le taux d’intérêt théorique de maturité mi , c’est-à-dire la fonctionnelle
de Nelson-Siegel comportant les paramètres B = (B0 , B1 ,B2 ) et τ
- r( mi ) le taux d’intérêt du marché de maturité mi

Dans ce contexte, la fonction SSE est à minimiser selon le paramètre τ et le vecteur


de paramètres B.
41

å{r (mi ) - f NS (mi ,B,τ )}


2
SSE: (B,τ) ®
i=1

Le problème d’optimisation auquel on doit faire face se réécrit donc de la manière


suivante.
{
B / min SSE(B, τ ) τ = τ *
B
}
L’avantage de cette méthode se situe dans le fait que, connaissant le paramètre τ, on
obtient un problème des moindres carrés linéaire en B qui se résout simplement et
rapidement. En effet, le problème peut se réécrire sous la forme matricielle suivante.

- 65 -
r(m) = f NS (m,B,τ) + ε(m)

Û
æ r(m1 ) ö æ f NS (m1 ,B, τ) ö æ ε(m1 ) ö
ç ... ÷ = ç ... ÷ + ç ... ÷
ç ÷ ç ÷ ç ÷
è r(m41 ) ø è f NS (m41 ,B,τ) ø è ε(m41 ) ø
Û
æ ö
ç1 1 - exp(-m1 / τ) 1 - exp(-m1 / τ)
- exp(-m1 / τ) ÷
æ r(m1 ) ö ç m1 / τ m1 / τ ÷ æ B ö æ ε(m ) ö
ç ... ÷ = ç ... ÷ ç 0÷ ç 1
... ... . B + ... ÷
ç ÷ ç ÷ ç 1÷ ç ÷
è r(m41 ) ø ç ÷ è B2 ø è ε(m41 ) ø
ç 1 - exp(-m41 / τ) 1 - exp(-m41 / τ) ÷
ç1 - exp(-m41 / τ) ÷
è m41 / τ m41 / τ ø

On appelle X la matrice des composantes de dimension (41,3) qui est explicitée ci-
dessus, et Xi la ligne i de la matrice X avec i allant de 1 à 41, c’est-à-dire :

æ 1 - exp(-mi / τ) 1 - exp(-mi / τ) ö
Xi = ç 1 - exp(-mi / τ) ÷
è mi / τ mi / τ ø

Cette matrice ne dépend que des maturités et du paramètre τ. Ainsi le problème,


connaissant la valeur du paramètre τ, devient un problème des moindres carrés linéaires par
rapport à B.
ì
ï
41 ü
ï
ï
î i=1
å
B / min í (r(mi ) - XiB)2 τ ý
B
ï
þ

Le vecteur de paramètres B optimal, solution de ce problème des moindres carrés


linéaires, est donné par l’expression suivante.

Boptimal = (JT J)-1 JT . r(m)

En prenant les notations,


- J la matrice Jacobienne de dimension (41,3) de la fonction de Nelson-Siegel par
rapport aux paramètres d’estimation B0, B1 et B2 et évaluée en chaque maturité. On
note que dans ce cas, le problème étant linéaire, on a J=X
- JT la transposée de la matrice J
- r(m) le vecteur de dimension (41,1) des taux au comptant du marché.

Ainsi le problème de minimisation de dimension quatre peut être réduit à un


problème de minimisation de dimension une. Le tout est de chercher le paramètre τ qui
permettra d’ajuster au mieux la fonction de Nelson-Siegel aux taux du marché pour une date
donnée. Une fois ce paramètre trouvé, on en déduit l’unique vecteur de paramètres B qui lui
est associé.

- 66 -
Il faut également noter que les estimateurs recherchés doivent respecter les
contraintes du modèle ci-dessous.
ìB0 > 0
ï
íB0 + B1 > 0
ïî τ > 0

Section 4.2. Méthode de la grille

4.2.1. Principe de la méthode

Compte tenu de la discussion de la partie précédente, cette méthode s’impose


naturellement. Son principe est de faire varier le paramètre τ dans un intervalle donné et de
calculer pour chaque valeur de ce paramètre, le vecteur B associé qui minimise la fonction
SSE. Cette méthode se justifie par le fait qu’il existe un unique B qui minimise l’erreur
quadratique pour un τ donné et cette solution, déjà vue dans la partie précédente, est
donnée ci-dessous.
B = (JT J)-1 JT . r(m)

Tous les couples (τ, B(τ)) possibles sont calculés, ainsi que la fonction SSE qui leur est
associée. On sélectionne ensuite le couple de paramètres qui rend cette erreur minimale et
qui respecte les contraintes du modèle.

4.2.2. Discussions et précisions sur l’implémentation de la méthode

Ø Technique d’implémentation

Dans le but de gagner du temps, on peut d’abord rechercher la valeur optimale de τ


avec un pas de 1 dans l’intervalle initial puis réeffectuer les recherches en resserrant
l’intervalle autour de cette valeur optimale et en augmentant le pas, par exemple par pas de
0.1, et ceci jusqu’à la précision (le pas) voulue.

Ø Choix de l’intervalle

Concernant l’intervalle du paramètre τ, on choisit [0.01, 40]. En effet, ce paramètre est


homogène à un temps donc il est positif. Il doit être de plus suffisamment éloigné de 0 pour
ne pas fausser les calculs puisqu’on divise par ce paramètre. Les nombres de 0.01 et 40 ont
été choisis après avoir effectué plusieurs manipulations et tests empiriques, cet intervalle est
suffisant pour regrouper quasiment toutes les valeurs possibles de τ. Cependant, dans la
situation où la valeur optimale de τ atteint une borne de cet intervalle, il convient de réitérer
le procédé avec un intervalle plus adapté.

Ø Précision de l’estimateur de τ : choix du pas

- 67 -
Dans cette méthode, la précision du paramètre τ est choisie d’emblée avec le pas de
l’intervalle sélectionné. On peut donc choisir la précision que l’on souhaite pour l’estimation
de ce paramètre. Cependant, ceci est fait en contrepartie d’un calcul plus long. Un bon
compromis qualité/temps de calcul est de calculer τ avec une précision de 0.01.

4.2.3. Cas de divergence et restriction sur les paramètres

De même que pour la méthode de Gauss-Newton, certains paramètres prennent des


valeurs extrêmes voire en contradiction avec les contraintes du modèle.

C’est le cas par exemple de la courbe du 25.09.2006. Après application de la méthode


de la grille, le paramètre τ optimal atteint sa borne supérieure, les calculs sont donc
réeffectués en ajustant l’intervalle initial et au final, on trouve 5778.98. Le graphe de l’erreur
quadratique en fonction du paramètre τ est surprenant, la fonction SSE devient instable et
irrégulière lorsque τ augmente.

Le calcul du vecteur B associé révèle que les contraintes du modèle ne sont pas
respectées, le paramètre de niveau est négatif. Ils sont de plus très proches les uns des
autres.

Pour contrecarrer ce problème, on décide donc de choisir comme estimateur de τ,


celui qui minimise la fonction SSE tout en respectant les contraintes du modèle. Le nouvel
estimateur vaut 34.43, les paramètres associés ne prennent plus de valeurs extrêmement
grandes, et l’interpolation est de bonne qualité.

- 68 -
Fitting 1 Fitting 2
Qualité du Fitting
SSE 0.1750748 0.1773979
2
R 0.9033989 0.9296555
Paramètres
B0 - 185,214.8 0.0013
B1 185,218.4 3.55
B2 185,768.5 7.20
τ 5778.98 34.43

Le fait de limiter les paramètres aux contraintes du modèle évite l’obtention de


résultats divergents et extrêmes. Cette limitation est dorénavant appliquée dans tous les
calculs de courbes des taux.

L’interpolation de la courbe test du 17.09.2009 donne les résultats suivants. L’erreur


quadratique en fonction de τ est plus régulière que dans le cas de la courbe du 25.09.2006. Et
les résultats sont identiques à ceux trouvés précédemment avec la méthode de Gauss-
Newton, à la différence que le paramètre τ est exprimé avec une décimale en moins.

- 69 -
Paramètres Valeurs
SSE 0.1778369
2
R 0.9977198

Paramètres Valeurs
B0 3.576
B1 - 2.915
B2 5.738
τ 6.89

Erreurs relatives des taux (%)


Moyenne 4.00468
Maximum 55.48937
Minimum 0.08395
Moyenne des écarts types 9.12684

4.2.4. Application à tout l’historique : problème de la crise économique

Les bons résultats obtenus sur la courbe de taux test incitent à appliquer la méthode
de la grille à l’ensemble de l’historique de taux.

La première étude réalisée est celle sur la qualité de la calibration. Celle-ci s’effectue
à l’aide du coefficient de détermination et de l’erreur quadratique dont les graphiques sont
présentés ci-dessous.

Les graphiques mettent en relief un pic d’erreur entre les années 2007 et 2009. Ce
pic, déjà évoqué avec la méthode de Gauss-Newton, correspond à la crise économique et
financière qui a bouleversé la structure des courbes de taux. En effet, à partir de 2007, le

- 70 -
krach des subprimes, la remontée du taux directeur de la Fed, l’injection des liquidités des
banques centrales sont d’autant d’éléments qui ont participé à l’envolée des taux d’intérêt.
Les courbes de taux ont pris des formes de plus en plus complexes, s’inversant ou montrant
plusieurs bosses (cf Partie I section 3 pour l’influence de l’environnement économique sur
les formes de courbes de taux). Ces changements brusques sur les parties court, moyen et
long terme ont fait perdre de la régularité aux courbes des taux.

Le modèle de Nelson-Siegel n’est pas assez flexible pour capter toutes ces
fluctuations et n’arrive pas à bien modéliser les courbes de taux durant cette période.
Puisqu’il s’agit ici d’un problème de modèle et non de méthode. Le modèle n’est pas adapté
aux périodes de crise mais est conçu pour modéliser des courbes régulières. Ce point sera
plus explicité dans la partie IV.

C’est le cas par exemple des deux résultats ci-dessous, où la courbe de Nelson-Siegel
n’arrive pas à modéliser les taux du marché. Ces courbes varient très brutalement, aucun
ensemble de paramètres ne semble donner une interpolation adéquate.

4.2.5. Application à l’historique hors crise

On s’intéresse donc à l’étude du modèle dans une période hors crise pour avoir des
courbes de formes dites normales. La période considérée s’étend du 01.01.1999 au
01.09.2006 soit au total, 2001 courbes de taux.

L’erreurs des moindres carrés et le coefficient de détermination des différentes


calibrations s’avèrent bons et révèlent une bonne qualité d’interpolation. On note tout de
même quelques pics d’erreurs en 2000 et à partir de 2006 mais ces erreurs restent limitées.

- 71 -
2
Erreur quadratique R
Moyenne 0.06175433 Moyenne 0.9966937
Minimum 0.001557957 Minimum 0.9496408
Maximum 0.4471665 Maximum 0.99995
Moyenne des écarts types 0.05648391 Moyenne des écarts types 0.005216835

Et voici la représentation 3d et les statistiques des erreurs relatives de taux résultant


de l’application de la méthode de la grille, elles sont calculées en valeur absolue. Les taux
sont en général bien modélisés. Les taux courts sont moins bien modélisés mais ceci est
normal vu qu’ils sont plus volatiles.

- 72 -
Comparaison taux théorique – taux du marché
Erreurs Relatives et Absolues de taux
Moyenne Ecart-type
3 mois 1.068 1.131
6 mois 0.521 0.594
1 an 1.348 0.973
3 ans 0.609 0.426
10 ans 0.542 0.408
20 ans 0.789 0.366
30 ans 0.782 0.590

Les graphes montrant l’évolution des paramètres en fonction du temps sont


représentés ci-dessous. Les paramètres varient très brutalement d’un jour sur l’autre et font
apparaître une dynamique très volatile. On remarque également visuellement la forte
corrélation entre les paramètres, les pics de variations se produisent aux mêmes périodes.
Etant donné la signification économique et financière des paramètres, il peut y avoir une
corrélation mais le fait qu’elle soit aussi forte ne parait pas réelle. Ceci reflète un problème
de sur-ajustement ou overfitting, les raisons et conséquences de ce problème sont détaillées
dans la partie IV.

Quant aux contraintes imposées par le modèle de Nelson-Siegel, la restriction sur le


paramètre B0 se voit sur le graphique de son évolution, il atteint plusieurs fois des valeurs
proches de zéro, soit sa borne inférieure. En revanche, le paramètre τ n’atteint pas les
bornes de l’intervalle initial durant la période hors crise.

- 73 -
4.2.6. Bilan de la méthode de la grille

La méthode de la grille donne de bons résultats en termes de qualité d’interpolation


et de temps de calcul. Certes les résultats sont moins précis que ceux obtenus avec la
méthode de Gauss-Newton, mais cette méthode est plus simple, plus rapide et aucune
difficulté de convergence n’est rencontrée.

Cependant, les paramètres estimés sont très instables et évoluent très brusquement
d’un jour à l’autre. De ce fait, l’étude de leur dynamique en vu de faire de la prévision de
taux est difficilement réalisable.

- 74 -
Section 4.3. Méthode de Diebold-Li

4.3.1. Principe de la méthode

Cette méthode d’estimation de paramètres consiste à fixer le paramètre τ à une valeur


prédéterminée, puis à rechercher le vecteur B minimisant la fonction SSE. La valeur du
paramètre τ est la même pour tout l’historique de courbes.

Suivant la discussion de la section 4.1., le vecteur B minimisant la fonction SSE sachant


τ existe, est unique et est donnée par la formule ci-dessous.

B = (JT J)-1 JT . r(m)

Bien entendu, la valeur du paramètre τ à fixer est un choix crucial. Si on choisit une
valeur de τ proche de celle optimale, les résultats d’estimation sont bons. En revanche, plus
on s’éloigne de la valeur optimale de τ, il va de soi que la qualité d’estimation se détériore.

Diebold et Li ont proposé de fixer τ de manière à ce que la composante associée au


paramètre B2 atteigne son maximum à une maturité de deux ans et demi. Le paramètre τ est
donc la solution du problème ci-dessous.

æ 1 - exp(-m / τ) ö
τ / maxç - exp(-m / τ) ÷
τ è m/ τ ø

Cette valeur de τ forcera la courbe des taux à avoir une plus forte courbure en cette
maturité. Ainsi la forte fluctuation des taux à court terme ne sera pas prise en compte dans
l’estimation des paramètres et τ ne prendra donc pas de valeurs extrêmes.

- 75 -
Après calcul, on trouve au final, τ =1.368363. Cette valeur est équivalente à celle
trouvée par Diebold-Li, en effet ils expriment les maturités en mois tandis que dans ce
mémoire elles sont exprimées en années.

4.3.2. Application à la courbe de taux test

L’application à la courbe de taux test donne de bons résultats mais tout de même
moins bons que ceux obtenus avec la méthode de la grille et la méthode de Gauss-Newton.

Paramètres Valeurs
SSE 0.3837275
2
R 0.99508

Paramètres Valeurs
B0 4.562424
B1 -3.895276
B2 -2.494882
τ 1.368363

Erreurs relatives des taux (%)


Moyenne 5.059858
Minimum 0.1306439
Maximum 55.04037
Moyenne des écarts types 8.85028

4.3.3. Application à tout l’historique de courbes de taux

La méthode de Diebold-Li est ensuite appliquée à l’historique entier de courbes de


taux. L’erreur des moindres carrés et le coefficient de détermination montre une
dégradation de la qualité d’ajustement de la courbe théorique aux données du marché
comme observé précédemment avec les autres méthodes d’interpolation.

- 76 -
4.3.4. Application à l’historique hors crise

Suivant la démarche des autres études de méthodes d’interpolation effectuées


précédemment, on se concentre sur la période hors crise du 01.01.1999 au 01.09.2006.

Sur cette période, l’étude de la qualité de la calibration révèlent de bons résultats


mais certes moins bons que ceux de la méthode de la grille.

2
Erreur quadratique R
Moyenne 0.1516086 Moyenne 0.9897215
Minimum 0.01424588 Minimum 0.9182847
Maximum 0.7123804 Maximum 0.999047
Moyenne des écarts types 0.1041894 Moyenne des écarts types 0.01058363

- 77 -
Le graphe des erreurs relatives de taux en valeur absolue montre que la courbe
théorique s’ajuste mieux aux taux du marché sur les maturités longues que sur les courtes.
Ceci est cohérent puisque les taux court sont plus volatiles. Et une fois de plus, on constate
que les erreurs commises sont plus grandes que celles obtenues par la méthode de la grille
mais restent relativement faibles.

Comparaison taux Diebold-Li – taux du marché


Erreurs Relatives et Absolue de taux
Moyenne Ecart-type
3 mois 1.525 1.234
6 mois 0.782 0.699
1 an 2.221 1.541
3 ans 1.291 0.896
10 ans 1.747 1.114
20 ans 1.347 0.540
30 ans 1.171 1.087

Quant à l’évolution des paramètres dans le temps, les graphes ci-dessous montrent
que les paramètres sont stables et n’ont pas des pics de saturation comme constaté avec les
méthodes précédentes.

- 78 -
Dans le but de vérifier la cohérence des résultats de la calibration, on calcule
empiriquement les paramètres en utilisant leur signification économique. Suivant les idées
de Diebold-Li, on définit B0 comme le taux de plus grande maturité, B1 comme la différence
entre le taux de plus petite et de plus grande maturité et B2 comme une combinaison de
plusieurs tant estimant la courbure de la fonctionnelle de taux.

ìBempirique
0,t = r(t,m = 30Y)
ï empirique
íB1,t = - (r(t,m = 30Y) - r(t,m = 1M) )
ïBempirique = 2 2 r(t,m = 13Y) - r(t,m = 30Y) - r(t,m = 1M)
î 2,t { }
Les dynamiques des paramètres issus de la méthode de Diebold-Li et celles des
paramètres calculés empiriquement présentent de fortes similitudes. Ces résultats
confortent l’emploi de la méthode de Diebold-Li, les paramètres estimés correspondent bien
au sens économique attribué.

- 79 -
4.3.5. Bilan de la méthode de Diebold-Li

Cette méthode est simple, rapide, ne possède aucune difficulté de convergence mais
possède l’inconvénient de fournir une moins bonne qualité d’interpolation en comparaison
avec les deux autres méthodes.

Néanmoins les paramètres estimés sont stables dans le temps et sont en accord avec
la signification économique que leur donne le modèle de Nelson-Siegel comme le montre la
comparaison avec les paramètres calculés empiriquement. C’est pour ces raisons que la
méthode de Diebold-Li est la méthode que l’on choisit pour calibrer le modèle de Nelson-
Siegel.

- 80 -
Partie IV
Limites du modèle de Nelson-Siegel et impact de la crise
économique sur les courbes de taux

Comme constaté dans la troisième partie, beaucoup de difficultés apparaissent lors


de l’application du modèle de Nelson-Siegel. Ces difficultés sont dues au modèle de Nelson-
Siegel qui cumule un problème d’optimisation et un problème de sur-ajustement. A cela
s’ajoute la crise économique de 2007 qui déforme les courbes de taux et qui complique la
calibration.

La première section relate les conséquences de la crise économique de 2007 sur les
formes de courbes de taux et les difficultés de modélisations de ces courbes.

Chapitre 1 Impact de la crise économique sur les courbes de taux

Section 1.1. Evolution de la courbe des taux de 1999 à 2010

1.1.1. Evolution de la courbe des taux hors période de crise économique

De 1999 à 2007, les courbes de taux ont une structure dite normale et évolue peu au
cours du temps. Toutefois on remarque une baisse générale puis une progressive montée
des gammes de taux en fin 2006. Ce mouvement correspond à la crise des subprimes.

- 81 -
Evolution de la courbe des taux de 1999 à 2007

7.00
6.00
5.00 6.00 -7.00
4.00 5.00 -6.00
3.00 4.00 -5.00
Taux
2.00 3.00 -4.00
1.00 2.00 -3.00
0.00 1.00 -2.00
01.1999
07.1999
01.2000

24 Y 0.00 -1.00
07.2000
01.2001
07.2001
01.2002
07.2002

7Y
01.2003
07.2003
01.2004
07.2004
01.2005
07.2005
1m

01.2006
Maturités

07.2006

01.2007
Dates

1.1.2. Evolution de la courbe des taux en période de crise économique

A partir de 2007, on assiste à une envolée des taux d’intérêt avec la crise des
subprimes. Les structures des courbes des taux se dégénèrent de 2007 et 2009, pleine
période de la crise financière mondiale. Puis le taux d’intérêt chute en 2009 et les courbes de
taux reprennent leur structure « normale » petit à petit.

Evolution de la courbe des taux de 2005 à 2010

6.00

5.00

4.00 5.00 -6.00

3.00 4.00 -5.00


Taux
3.00 -4.00
2.00
2.00 -3.00
1.00
1.00 -2.00
0.00 23 Y
0.00 -1.00
01.2005
05.2005
09.2005

12 Y
01.2006
05.2006
09.2006
01.2007
05.2007

1Y
09.2007
01.2008
05.2008
09.2008

Maturités
01.2009

1m
05.2009

09.2009

01.2010

Dates

- 82 -
1.1.3. Evolution détaillée de la forme de la courbe des taux de 1999 à 2010

De 1999 à 2010, la gamme de taux subit multiples changements, la crise économique


a pour conséquences de déformer la structure de la courbe des taux. L’historique peut ainsi
être découpé en six périodes distinctes durant lesquelles la courbe des taux prend les
mêmes types de formes.

1. De Janvier 1999 à fin Août 2006

Durant cette période, on se situe en croissance économique, la courbe de taux est de


forme dite « normale ». Il existe tout de même, pour certaines courbes, une petite variation
des taux aux petites maturités mais qui reste relativement faible. Voici à titre d’exemple la
courbe zéro-coupon du 20.05.2003.

2. De Septembre 2006 à fin Juillet 2007

A partir de Septembre 2006, apparait la crise des subprimes. Plusieurs établissements


financiers spécialisés dans les crédits de type subprime font faillites entrainant une crise
financière mondiale.
Les taux long terme, révélateur de la santé économique, baissent fortement tandis
que les taux court terme, influencés par les actions de la BCE, augmentent. La comparaison
des courbes de taux du 20.05.2003 et du 31.10.2006 montre cet aplatissement.
Les courbes de taux deviennent moins régulières. L’augmentation des taux court
donne une impression de cassure entre le court et le long terme. La courbe du 31.10.2006
illustre cette cassure.

- 83 -
3. D’Août 2007 à fin Mai 2008

Le 9 Août 2007, la BCE injecte 94,8 milliards d’euros dans le marché pour relancer
l’économie. Cette action a un impact direct sur les taux à court terme qui croissent de
manière fulgurante. Le niveau général des taux remonte mais les courbes se tordent et
présentent plusieurs creux et bosses. Durant cette période, les courbes ont une forme
similaire à la courbe du 13.05.2008 représentée ci-dessous.

4. De Juin 2008 à fin Octobre 2008

A partir de Juin 2008, le déséquilibre entre les taux court et les taux long s’accentuent
et les courbes de taux s’inversent. De plus, le niveau général des taux est élevé. La courbe de
taux du 10.06.2008, exposée ci dessous, est représentative de cette période.

- 84 -
5. De Novembre 2008 à fin Décembre 2008

Entre les mois de Novembre et Décembre 2008, on assiste à une remontée des taux
long par rapport aux taux court et le niveau général des taux baissent. Les courbes durant
cette période ont une structure semblable à celle du 07.11.2008.

6. A partir de Janvier 2009

A partir de Janvier 2009, les courbes de taux reprennent une structure normale
malgré que le niveau des taux court soit très bas. C’est le cas par exemple de la courbe du
17.07.2009 ci-dessous.

- 85 -
Section 1.2. Difficultés de modélisation des courbes de taux en période
de crise

Ainsi de Septembre 2006 à Janvier 2009, les courbes de taux prennent des formes
peu usuelles et perdent de leur régularité. Certaines ont plusieurs bosses, certaines ont des
taux court prenant des valeurs extrêmes etc., les variations sont tellement brutales qu’aucun
ensemble de paramètres ne semble convenir.

En effet, il ne faut pas perdre de vue que la fonctionnelle de taux de Nelson-Siegel est
issue d’une équation différentielle de second ordre. Il est capable de reproduire la majorité
des formes observées de la courbe des taux comme on l’a vu dans la partie II, section 2,
cependant ce modèle n’est pas capable de reproduire des courbes de taux qui ont subi de
tels bouleversements.

C’est le cas par exemple de la courbe de taux du 14.05.2008. La méthode de Gauss-


Newton ne trouve aucun ensemble de paramètres répondant au problème de minimisation
et satisfaisant les contraintes. La méthode de la grille sur cette même courbe ne donne pas
un bon résultat, la courbe est mal modélisée.

- 86 -
Paramètres Valeurs
SSE 0.6092628
2
R 0.5973692

Paramètres Valeurs
B0 5.183
B1 - 0.103
B2 - 2.006
τ 3.01

Ci-dessous figurent d’autres exemples de courbes de taux durant la période de la


crise qui suscitent des difficultés de modélisation en raison de leur manque de régularité. Ils
ont été effectués avec la méthode de la grille.

Les courbes de taux durant la période de la crise posant des réelles difficultés de
calibration, on décide donc de faire abstraction de cette période et de s’intéresser juste à la
période allant du 01.01.1999 au 01.09.2006 pour l’étude de l’ajustement de la fonctionnelle
de Nelson-Siegel et pour l’étude de prévision de taux.

- 87 -
Les difficultés de calibration du modèle de Nelson-Siegel ne sont pas entièrement
dues à la crise financière, mais il existe également un problème de modèle : la fonction SSE
n’est pas convexe, elle possède plusieurs minima.

Chapitre 2 Problème d’optimisation : fonction objectif non convexe

Section 2.1. Explication du problème d’optimisation

Ce problème concerne l’ajustement de la fonctionnelle de taux de Nelson-Siegel aux


taux du marché. Il a été soulevé lors de l’application de la méthode de Gauss-Newton.

En effet, l’application de la courbe de taux test du 17.09.2009 avec la méthode de


Gauss-Newton génère deux résultats différents. Autrement dit, la fonction objectif SSE
présente plusieurs minima.

Fitting 1 Fitting 2
Qualité du Fitting
SSE 0.1778369 0.3438318
2
R 0.9977198 0.9955914
Paramètres
B0 3.575 4.617
B1 -2.915 -4.014
B2 5.74 -1.466
τ 6.892 1.758

L’application de la méthode de la grille sur cette même courbe confirme ces résultats,
en effet les deux minima se voient sur le graphe de la fonction de SSE par rapport à τ.

- 88 -
Ainsi les algorithmes classiques de descente tels que Gauss-Newton ont des
difficultés à trouver le minimum global. Il est néanmoins constaté que les minima locaux
donnent de bons résultats d’interpolation, comme le montre par exemple la courbe test.

Section 2.2. Résolution du problème d’optimisation

Ce problème d’optimisation peut être résolu avec un choix adéquat de méthode de


calibration.

Afin d’obtenir le minimum global de la fonction SSE avec la méthode de Gauss-


Newton, il convient de lancer l’algorithme avec différentes valeurs initiales et de
sélectionner la meilleure solution. Mais cette méthode prend beaucoup de temps et pose
beaucoup de problèmes de convergence.

La méthode de la grille semble plus appropriée pour trouver le minimum global de la


fonction SSE. Les paramètres sont estimés en un temps plus court et aucun problème de
convergence n’est rencontré, bien que la précision des résultats soit légèrement réduite par
rapport à la méthode de Gauss-Newton.

Cependant, l’évolution temporelle des paramètres du modèle de Nelson-Siegel est


très instable, ils varient très brutalement d’un jour sur l’autre atteignant parfois des valeurs
extrêmes. Ce problème est dû à un autre problème, celui du sur-ajustement.

- 89 -
Aux problèmes de modélisations dues à la crise économique de 2007 qui a déformé
les courbes de taux et au problème d’optimisation s’ajoute le problème de sur-ajustement
ou overfitting. Cette section décrit les raisons et solutions de ce problème.

Chapitre 3 Problème de sur-ajustement (overfitting)

Section 3.1. Un problème mal conditionné

Ce problème, encore appelé sur-ajustement ou sur-apprentissage, concerne la partie


de la prévision des taux futurs. L’idée de cette partie est de s’aider de la dynamique
temporelle des paramètres de Nelson-Siegel pour déterminer les paramètres futurs et donc
les taux futurs. Des paramètres stables dans le temps sont donc requis.

Or les dynamiques temporelles des paramètres de Nelson-Siegel constatées autant


avec la méthode de Gauss Newton que par la méthode de la grille montre des variations
brutales d’un jour sur l’autre. Ces variations n’ont pas de sens étant donné la signification
économique des paramètres.

Le problème de Nelson-Siegel est mal conditionné, de petites variations dans les


données de taux entrainent de fortes perturbations sur les paramètres estimés. Prenons par
exemple le cas des courbes de taux du 26.11.2008 et du 27.11.2008, une petite variation
dans les taux du marché d’un jour à l’autre a donné un tout autre résultat d’interpolation.
Ces résultats sont issus de la méthode de la grille.

- 90 -
Section 3.2. Raison : problème de colinéarité

Il existe de plus une forte corrélation entre les paramètres de Nelson-Siegel. En


comparant les dynamiques des paramètres estimés avec la méthode de la grille ou avec la
méthode de Gauss-Newton, on voit bien que les pics se produisent aux mêmes périodes. Les
matrices de corrélation des paramètres estimés sur la période hors crise le confirment
également.
æ 1 -0.73 -0.66 -0.83 ö
ç -0.73 1 0.60 0.76 ÷
Corrélation (BGrille ,B Grille Grille Grille
,B , τ ) = ç ÷
ç -0.66 0.60
0 1 2
1 0.86 ÷
ç -0.83 0.76 0.86 1 ÷ø
è

æ 1 -0.69 -0.74 -0.85 ö


ç -0.69 1 0.57 0.67 ÷
Corrélation (BGauss-Newton ,B Gauss-Newton Gauss-Newton Gauss-Newton
,B , τ ) = ç ÷
ç -0.74 0.57
0 1 2
1 0.92 ÷
ç -0.85 0.67 0.92 1 ÷ø
è

Des corrélations aussi fortes ne sont pas normales, d’autant plus que les paramètres
de Nelson-Siegel ont tous une signification et un rôle bien spécifique sur la courbe des taux.
Les paramètres empiriques, quant à eux, ne sont corrélés que faiblement.

æ 1 -0.08 0.03 ö
Corrélation (BEmpirique ,BEmpirique Empirique
,B ) = ç -0.08 1 0.32 ÷
0 1 2
ç ÷
è 0.03 0.32 1 ø

L’origine de ce problème est liée au modèle de Nelson-Siegel lui-même. Les


composantes de rotation et de courbure représentent les poids des paramètres Bi, et elles
ne dépendent que du paramètre τ. Selon les valeurs de τ, le modèle de Nelson-Siegel peut
poser des problèmes de colinéarité et donc d’identification des paramètres.

En effet, si on regarde le comportement des composantes lorsque τ varie vers zéro


ou l’infini, on obtient les résultats suivants :

æ 1 - exp(-m / τ) ö æ 1 - exp(-m / τ) ö
lim ç
τ ®0 è
÷=0 lim ç - exp(-m / τ) ÷ = 0
m/ τ ø τ ®0 è m/ τ ø

æ 1 - exp(-m / τ) ö æ 1 - exp(-m / τ) ö
lim ç
τ ®¥ è
÷ =1 lim ç - exp(-m / τ) ÷ = 0
m/ τ ø τ ®¥ è m/ τ ø

Lorsque τ prend des proches de zéro, la pente et la courbure de la courbe ne sont


presque pas identifiables puisque les composantes sont presque nulles. Et lorsque τ prend
des valeurs très grandes, la composante modélisant la courbure s’annule et la composante
de rotation s’approche de 1. Ainsi, lorsque τ prend des valeurs trop proches de zéro ou trop
grandes, des problèmes d’identifications se créent et les paramètres prennent des valeurs
extrêmes.

- 91 -
Suivant les valeurs de τ, les composantes de rotation et de courbure peuvent être
fortement corrélées comme le montre le graphique ci-dessous. Pour certaines valeurs de
tau, les composantes associées à B1 et B2 sont fortement corrélées. A noter que ces calculs
ont été réalisés avec les maturités utilisées dans ce mémoire, les résultats auraient été
différents avec l’utilisation d’un autre ensemble de maturité. L’influence des maturités
choisies sur la corrélation entre ces deux composantes a été étudiée par J. Annaert, A.G.P.
Claes, M.J.K De Ceuster et H.Zhang (2010) [1].

La corrélation entre les deux composantes décroit rapidement vers -1, seules les
valeurs de τ comprises dans l’intervalle [1.07, 3.52] génèrent des composantes dont la
corrélation est comprise dans les bornes [-0.5, 0.5]. Pour les autres valeurs de τ, le modèle
devient colinéaire, le problème est mal-conditionné et les paramètres sont difficilement
identifiables.

Section 3.3. Résolution du problème de colinéarité

Pour contrecarrer le problème de colinéarité, le paramètre τ doit être restreint à un


petit intervalle. Les chercheurs Diebold et Li ont fait le choix de le fixer à 1.368363, ce qui
impose une corrélation de 0.33 entre les composantes. La matrice de corrélations des
estimateurs des paramètres issus de la méthode de Diebold-Li est ci-dessous.

æ 1 -0.23 0.02 ö
Corrélation (BDiebold-Li ,B Diebold-Li
,BDiebold-Li
) = ç -0.23 1 0.32 ÷
0 1 2
ç ÷
è 0.02 0.32 1 ø

En somme, la méthode de Diebold-Li permet de contourner le problème de sur-


ajustement en imposant une faible corrélation entre les paramètres du modèle. En posant
des restrictions supplémentaires sur τ, les problèmes liés à la colinéarité disparaissent.

- 92 -
Partie V
Forecasting : Etude de la dynamique des paramètres dans
le temps et prévision des taux d’intérêt futurs

Cette partie se consacre à la prévision des taux d’intérêt. Une courbe de taux se
résumant aux paramètres de Nelson-Siegel, prédire des taux d’intérêt revient à prédire les
paramètres de Nelson-Siegel. Ainsi, en premier lieu, on modélise la dynamique des
paramètres de Diebold-Li à l’aide des séries temporelles. Puis on en déduit une estimation
des paramètres futurs, puis des taux d’intérêt futurs.

Dans un souci de clarté, la première section a été créée dans le but d’expliquer les
démarches effectuées pour la prévision de taux.

Chapitre 1 Description de la méthodologie

Section 1.1. Dynamique des paramètres de Diebold-Li

Dans cette partie, on s’intéresse aux paramètres de Nelson-Siegel estimés par la


méthode de Diebold-Li. En effet, comme discuté antérieurement, l’évolution de ces
paramètres estimés dans le temps est stable et permet leur modélisation par les séries
temporelles. On exclut également la période de crise financière pour avoir des courbes de
formes normales et on considère la période du 01.01.1999 au 01.09.2006 soit 2001 courbes
de taux.

Section 1.2. Modélisation de la dynamique des paramètres par les


séries temporelles

La première étape est l’application d’un modèle de prévision à la dynamique


temporelle des paramètres à l’aide des séries temporelles.
Plus précisément, on cherche à prédire la valeur de chaque paramètre en date (t+h)
connaissant leur valeur en t. En termes mathématiques, la valeur du paramètre Bi en date
(t+h) est l’espérance de la valeur de ce paramètre en (t+h) sachant l’historique du processus
en t, ajouté d’un terme d’erreur représentant les informations imprévisibles à cette date.

- 93 -
( )
Bi,t+h t = Ε Bi,t+h Bi,t + ηi,t+h "i=0,1,2

Avec les notations suivantes,


- Bi,t +h t la valeur du paramètre Bi en date t+h connaissant sa valeur en t
- ηi,t +h le résidu ou l’erreur

Cette étape consiste donc à rechercher des modèles de série temporelle capable de
capturer la dynamique des paramètres. On recherche trois modèles différents pour les trois
paramètres puisque ceux-ci ne sont pas à priori corrélés entre eux.

Section 1.3. Prévision des paramètres futurs

L’évolution des paramètres dans le temps étant modélisée, on peut en déduire une
estimation des paramètres futurs avec l’aide des paramètres actuels et ce pour différents
horizons de prédiction.

Section 1.4. Prévision des taux futurs

La dernière étape est la détermination du taux d’intérêt futur de la date (t+h)


connaissant la valeur du taux en t. La valeur du taux à horizon de prévision h est simplement
la valeur du taux théorique, c’est-à-dire la fonctionnelle de taux de Nelson-Siegel,
comportant les paramètres d’estimations futurs estimés.

f NS (mi ,t + h t) = f NS (mi ,Bt+h t )

Section 1.5. Etude de la qualité de prédiction

Afin d’étudier la qualité de la prédiction, on estime récursivement les paramètres de


Nelson-Siegel du 01.11.2002 au 01.09.2006 à partir des données allant du 01.01.1999
jusqu’à la date où la prévision est effectuée. On utilise des intervalles de données
d’estimations glissants.
Par exemple, pour un horizon de prévision de 1 jour, on utilise les données allant du
01.01.1999 au 31.10.2002 pour estimer les données de la date 01.11.2002 (31.10.2002+h).
Puis on utilise les données du 01.01.1999 au 01.11.2002 pour estimer les données du
02.11.2002 (01.11.2002+h) etc... Et ceci jusqu’au 01.09.2006.

- 94 -
Nous disposons de la sorte de 1000 données prédites soit la moitié de l’historique.
Des tests statistiques sont réalisés pour évaluer la capacité de prédiction du modèle de série
temporelle.

- 95 -
Cette partie se consacre à la recherche du modèle économétrique capable de
capturer la dynamique des paramètres du modèle de Nelson-Siegel. Le but est de trouver un
modèle de prévision de ces trois paramètres afin de prédire leur évolution future.

Chapitre 2 Modélisation ARIMA-GARCH

Section 2.1. Etudes des séries initiales

2.1.1. Graphiques des séries initiales

On considère les dynamiques des paramètres de Diebold-Li comme des séries


temporelles. On utilise les données du 01.01.1999 au 01.09.2006, c’est-à-dire en excluant la
période de crise économique. Afin d’éviter des problèmes de corrélation, on étudie les séries
de manière indépendante.

Les autocorrélogrammes montrent des autocorrélations très fortes et persistantes


pour les trois séries. Ceci suggère à première vue de différencier les séries initiales. Nous
reviendrons sur la question de différentiation plus loin. Les autocorrélogrammes partiels
sont également ci-dessous.

- 96 -
2.1.2. Détection de tendance

Pour chacune des trois séries on effectue un test de détection de tendance, le test du
signe de la différence (Kendall & Stuart, 1943). Les résultats de ce test présentés ci-dessous,
révèlent que les trois séries ont une tendance.

Statistique du test p-value Interprétation


B0 -4.39 1.10e-05 Présence d’une tendance
B1 3.36 7.62e-04 Présence d’une tendance
B2 -1.97 0.0483 Présence d’une tendance

Cette tendance peut être estimée avec une moyenne mobile. Voici les résultats du
filtrage par moyenne mobile des trois séries.

- 97 -
La présence d’une tendance implique que la série n’est pas stationnaire. Or
l’application de modèles de type ARIMA se fait sur des séries stationnaires. Et une méthode
pour éliminer la tendance est de différencier la série, c’est-à-dire de considérer les
différences adjacentes. Les autocorrélations des séries différentiées sont maintenant
contenues dans les intervalles de confiance, elles sont donc stationnaires.

2.1.3. Saisonnalité

Au vu des autocorrélogrammes et autocorrélogrammes partiels, il ne semble pas y


avoir de saisonnalité. Mais vérifions-le avec le périodogramme. Celui-ci confirme qu’il n’y a
pas de composantes saisonnières pour aucune des séries.

- 98 -
2.1.4. Stationnarité

Pour confirmer la stationnarité des séries intégrées, le test de Dickey-Fuller


Augmenté est réalisé. On utilise le test déjà implémenté dans R. Et les résultats confirment
que les séries différentiées sont stationnaires.

2.1.5. Hétéroscédasticité conditionnelle

Les séries différentiées sont stationnaires donc la variance de ces séries est
constante. Cependant, ce n’est pas le cas de la variance conditionnelle. Le calcul des

- 99 -
variances mobiles pour les trois séries montrent la présence d’hétéroscédasticité
conditionnelle.

En économétrie, il existe des modèles prenant en compte l’hétéroscédasticité


conditionnelle, ce sont les modèles ARCH et GARCH. Nous étudierons plus loin la possibilité
de modélisation GARCH.

Section 2.2. Application du modèle ARIMA

2.2.1. Le modèle ARIMA

Le modèle ARIMA est la combinaison d’un modèle d’autorégression AR, d’un modèle
de moyenne mobile MA et d’un processus d’intégration I.

Le processus autorégressif suppose que le paramètre est prédit par la somme


pondérée des valeurs de ce paramètre aux dates antérieures plus un terme aléatoire
d'erreur. Le processus de moyenne mobile est la moyenne des résidus sur une fenêtre
glissante d’observations. Et le processus d’intégration

æ p ö æ q ö
ç1 -
ç
è
å
j=1
ai,j.L ÷ (1 - L)dBi,t = ç 1 +
j
÷
ø
ç
è
å
j=1
bi,j.Lj ÷ηi,t
÷
ø
"i=0,1,2

Avec les notations suivantes,


- P l’ordre d’autorégression
- q l’ordre de la moyenne mobile
- d l’ordre d’intégration
- L l’opérateur retard
- ηi,t le résidu du modèle ARIMA appliqué au paramètre Bi,t. Ces résidus sont des bruits
blancs.

- 100 -
- ( ai,j )10££ij££p2 et (bi,j )10££ij££2q sont des réels à déterminer

Nous avons vu que les séries intégrées sont stationnaires, on peut donc appliquer un
modèle ARMA(p,q) aux séries différentiées, ou appliquer un modèle ARIMA(p,1,q) aux séries
initiales.

2.2.2. Détermination des ordres p et q

Les ordres d’autorégressions et de moyenne mobile se déterminent à l’aide des


autocorrélogrammes et des autocorrélogrammes partiels des séries différentiées. L’
autocorrélation d’une moyenne mobile d’ordre q devient nulle à partir du rang q+1. Et
l’autocorélation partielle d’une auto-régression d’ordre p devient nulle à partir du rang p+1.
Il suffit donc de relever les lag au dessus des intervalles de confiance.

On retient au final, pour les trois séries les ordres d’auto-régression et de moyenne
mobile suivants.

- 101 -
p 1,3
B0
q 1,2,4
p 1,3
B1 q 1,2,3
p 1,2
B2 q 1,2

2.2.3. Application des modèles ARIMA

On teste maintenant les différents modèles ARIMA possibles sur les séries et on
effectue le test de Box, qui permet de tester la blancheur des résidus, le test de Shapiro, qui
permet de tester la normalité des résidus, les critères AIC et BIC qui permettent de
sélectionner le meilleur modèle et un test de significativité des coefficients.

Ø Recherche du modèle ARIMA pour B0

Les résultats relatifs à l’application des différents modèles ARIMA sur la série de B 0
sont présentés dans le tableau ci-dessous. Les résidus de tous les modèles sont des bruits
blancs, les modèles sont donc validés. Cependant aucun modèle ne donne des résidus
normaux. Les modèles ARIMA(3,1,1) et ARIMA(1,1,1) possèdent les plus petites valeurs AIC
et BIC , ces modèles sont donc meilleurs. Etant donné le nombre important de données
d’estimation, 2001 données exactement, on préférera le critère BIC qui prend en compte le
nombre de données. Le modèle ARIMA(1,1,1) semble donc le plus adéquat.

Test de Box Test de Shapiro


AIC BIC
(blancheur des résidus) (normalité des résidus)
ARIMA(3,1,4) 0.999 2.60E-12 - 3,229.28 - 3,183.39
ARIMA(3,1,2) 0.997 6.12E-12 - 3,228.88 - 3,196.10
ARIMA(3,1,1) 0.992 5.58E-12 - 3,229.47 - 3,203.25
ARIMA(1,1,4) 0.998 4.82E-12 - 3,228.79 - 3,196.02
ARIMA(1,1,2) 0.984 1.24E-11 - 3,228.01 - 3,208.35
ARIMA(1,1,1) 0.835 1.27E-11 - 3,228.93 - 3,215.82

D’autre part, on procède également à un test de significativité des coefficients du


modèles ARIMA basé sur la statistique de Student. Lorsque le test renvoi ‘TRUE’, l’hypothèse
nulle est rejetée et le paramètre testé est jugé significatif, et inversement pour ‘FALSE’.

Beaucoup de modèles testés n’ont pas de paramètres significatifs. Mais les


coefficients du ARIMA(1,1,1) le sont. On modélisera donc la série de B0 par le modèle
ARIMA(1,1,1).

- 102 -
Ø Recherche du modèle ARIMA pour B1

Les différents modèles ARIMA appliqués sur la série B1 donnent des résidus non
normaux mais qui sont des bruits blancs. Et les critères AIC et BIC estime que le
ARIMA(1,1,1) est le meilleur modèle.

Test de Box Test de Shapiro


AIC BIC
(blancheur des résidus) (normalité des résidus)
ARIMA(3,1,3) 0.999 1.36E-20 -2,647.02 -2,607.68
ARIMA(3,1,2) 0.992 1.31E-20 -2,648.02 -2,615.24
ARIMA(3,1,1) 0.992 1.27E-20 -2,649.08 -2,622.85
ARIMA(1,1,3) 0.994 1.25E-20 -2,649.08 -2,622.86
ARIMA(1,1,2) 0.982 1.47E-20 -2,649.68 -2,630.02
ARIMA(1,1,1) 0.621 1.37E-20 -2,649.78 -2,636.67

Le test de significativité des coefficients montrent que le ARIMA(3,1,3) n’est pas du


tout approprié. En revanche le modèle ARIMA(1,1,1) possède des coefficients significatif. On
modélisera donc la série de B1 par le modèle ARIMA(1,1,1).

- 103 -
Ø Recherche du modèle ARIMA pour B2

En ce qui concerne la série B2, les tests montrent que les résidus des différents
modèles sont tous des bruits blanc mais non de loi normale. Selon les critères AIC et BIC, le
ARIMA(0,1,1) est le meilleur modèle pour B2.

Test de Box Test de Shapiro


AIC BIC
(blancheur des résidus) (normalité des résidus)
ARIMA(2,1,2) 0.989 2.07E-22 -1,255.64 -1,229.41
ARIMA(2,1,1) 0.995 2.04E-22 -1,256.59 -1,236.92
ARIMA(1,1,2) 0.971 1.99E-22 -1,256.52 -1,236.85
ARIMA(1,1,1) 0.995 2.02E-22 -1,257.30 -1,244.19
ARIMA(0,1,1) 0.921 2.10E-22 -1,258.15 -1,251.59

Selon le test de significativité des coefficients, aucun paramètre des modèles ne sont
significatif hormis le modèle ARIMA(0,1,1). Ce modèle est donc celui retenu pour modéliser
B2.

- 104 -
Section 2.3. Etude de l´hétéroscédasticité conditionnelle

2.3.1. Etude des résidus des modèles ARIMA : distribution leptokurtique à


forte volatilité

Les graphiques des résidus du modèle ARIMA des trois séries représentés ci-dessous
montrent que les résidus sont de moyenne nulle et contenus dans des intervalles
relativement faibles, ce qui confirme la bonne estimation. Cependant il existe des forts pics
de volatilité.

Ces résidus sont de plus non normaux, comme nous l’avons vu avec le test de
Shapiro. Les histogrammes, présentés ci-dessous, montrent qu’ils sont tout de même
proches d’une loi normale.

- 105 -
Plus exactement, ils possèdent une queue de distribution épaisse. En effet, leur
kurtosis, affichés ci-dessous, est nettement supérieur à 3, le kurtosis d’une loi normale. Les
résidus ont donc une distribution leptokurtique.

Kurtosis
Résidus du modèle ARIMA de B0 4.267295
Résidus du modèle ARIMA de B1 6.523959
Résidus du modèle ARIMA de B2 7.490593

Tout ceci traduit la présence d’hétéroscédasticité et suggère de modéliser les résidus


du modèle ARIMA par un GARCH.

2.3.2. Le modèle GARCH

Les modèles de type GARCH sont très utilisés en finance, ils permettent de modéliser
l’hétéroscédasticité conditionnelle et les clustering de volatilité, c’est-à-dire l’alternance des
périodes de faible et de forte volatilité. Si les résidus du modèle ARIMA suivent un
GARCH(p,q), alors ils peuvent s’exprimer de la manière suivante.

ìηi,t = γi,thi,t
ï q p
"i=0,1,2
íh2 = α +
ï i,t
î
0,i å
j=1
2
αi,j .ηi,t -j + åβ .h
j=1
i,j
2
i,t - j

Avec les notations suivantes,

- ( γi,t )0£i£2 les résidus des modèles GARCH appliqués aux (Bi )0£i£2 . Ils sont des bruits
blanc fort et suivent la loi normale centrée réduite
- (ηi,t )0£i£2 et (hi,t )0£i£2 sont des processus indépendants
- ( αi,j )10££ij££p2 et (βi,j )10££ij££2q sont des réels à déterminer

- 106 -
2.3.3. Test d’une modélisation GARCH

Les modèles GARCH et ARCH ont été test sur les résidus des modèles ARIMA des trois
séries, malheureusement les résultats ne sont pas concluants. Les résidus obtenus des
modèles GARCH ne sont pas normaux, les kurtosis restent élevés. On considérera donc par la
suite une modélisation seulement ARIMA pour les trois séries.

Section 2.4. Conclusions et choix des modèles finaux

Au final, les paramètres de Nelson-Siegel sont modélisés par les modèles


économétriques suivants.

ìB0,t ARIMA(1,1,1) ì(1 - a0L)(1 - L) B0,t = (1 + b0,tL) η0,t


ï ï
íB1,t ARIMA(1,1,1) Û í(1 - a1L)(1 - L) B1,t = (1 + b1,tL) η1,t
ïB ï(1 - L) B = (1 + b L) η
î 2,t ARIMA(0,1,1) î 2,t 2,t 2,t

- 107 -
La dynamique des paramètres du modèle de Nelson-Siegel étant modélisé par des
processus ARIMA, on peut désormais prédire la valeur future de ces paramètres puis des
taux d’intérêt pour plusieurs horizons.

Chapitre 3 Prévision des taux futurs

Section 3.1. Prévision des taux futurs à horizon 1 semaine

La première étape est de prédire les paramètres du modèle de Nelson-Siegel grâce à


la modélisation ARIMA. Cette prédiction se fait de manière récursive pour un horizon de 1
semaine, soit 5 jours ouvrés. Les paramètres B0, B1 et B2 prédits appartiennent à la période
allant du 01.11.2002 au 01.09.2006 et sont estimés à l’aide du modèle ARIMA et des valeurs
des paramètres appartenant à l’intervalle glissant allant du 01.01.1999 à la date où la
projection est effectuée.

Ci-dessous figurent les erreurs de prédiction des paramètres durant la période


d’estimation. Les erreurs sont centrées et contenu dans des intervalles relativement faibles,
ce qui nous conforte sur la qualité de la prévision.

Comme expliqué dans partie 4 de la section 1, on prédit les taux d’intérêt de la


période allant du 01.11.2002 au 01.09.2006 à l’aide des paramètres estimés que l’on a
calculé la partie précédente.
Les taux prédits sont ensuite comparés avec ceux du marché pour juger la qualité de
la prédiction. Ci-dessous figure également la comparaison entre les taux théoriques obtenus
par la méthode de Diebold-Li et ceux du marché pour différentes maturités. En effet, il est
important de prendre en compte que les taux prédits sont les estimateurs des estimateurs
des taux réels, il y a donc une plus grande perte d’information.

- 108 -
Comparaison taux prédits – taux du marché Comparaison taux Diebold-Li – taux du marché
Erreurs Relatives et Absolues de taux Erreurs Relatives et Absolue de taux
Moyenne Ecart-type Moyenne Ecart-type
3 mois 1.996 1.293 3 mois 1.525 1.234
6 mois 1.416 1.059 6 mois 0.782 0.699
1 an 3.697 2.246 1 an 2.221 1.541
3 ans 2.895 2.477 3 ans 1.291 0.896
10 ans 2.828 1.814 10 ans 1.747 1.114
20 ans 1.531 1.314 20 ans 1.347 0.540
30 ans 1.478 1.279 30 ans 1.171 1.087

Les comparaisons montrent que l’erreur d’estimation est relativement faible, la


prédiction des taux d’intérêt à 1 semaine est de bonne qualité.

Section 3.2. Prévision des taux futurs à horizon 1 mois

De la même manière que précédemment, on prédit les taux d’intérêt mais avec un
horizon de prédiction de 1 mois, soit 21 jours ouvrés. Il y aura un décalage de 21 données
entre les données d’estimation et la valeur prédite pour toutes les prédictions.

Les estimations des paramètres futurs génèrent les écarts suivants. Les erreurs de
prédictions sont plus grandes et surtout plus dispersées mais restent relativement faibles.

Les taux prédits à horizon 1 mois sont moins bien estimés que ceux estimés à horizon
1 semaine mais les écarts restent tout à fait acceptables.

Comparaison taux prédits – taux du marché Comparaison taux Diebold-Li – taux du marché

- 109 -
Erreurs Relatives et Absolues de taux Erreurs Relatives et Absolues de taux
Moyenne Ecart-type Moyenne Ecart-type
3 mois 2.738 2.706 3 mois 1.525 1.234
6 mois 3.240 2.701 6 mois 0.782 0.699
1 an 5.923 3.712 1 an 2.221 1.541
3 ans 5.786 4.325 3 ans 1.291 0.896
10 ans 4.321 2.846 10 ans 1.747 1.114
20 ans 2.833 2.225 20 ans 1.347 0.540
30 ans 2.919 2.148 30 ans 1.171 1.087

Section 3.3. Conclusion sur la prévision des taux

Le modèle de Nelson-Siegel possède en somme de bonnes capacités de prédiction.


Les taux à horizon une semaine et un mois sont relativement bien prédits. Bien entendu les
erreurs de prédiction constatées prennent en compte l’erreur d’estimation due à la
calibration.

Les auteurs Fabozzi, Martellini et Priaulet (2005) [10] prouvent de plus que le modèle
a des capacités de prédiction non seulement statistiquement bonnes mais qui comporte
aussi une signification économique.

- 110 -
Conclusion Générale

La structure par terme des taux d’intérêt joue, comme on l’a vu, un rôle crucial et est
un outil d’analyse essentiel en économie et en actuariat. Elle constitue de plus un outil
robuste de prédiction de la santé économique, sa forme et ses mouvements révèlent la
situation conjoncturelle et prédit le prochain point de retournement du cycle économique.
Dans le domaine actuariel, elle constitue l’instrument de base dans l’évaluation de produits
financiers et sa connaissance permet de mieux se couvrir contre le risque de taux en
développant des modèles statiques et dynamiques de couverture.

Beaucoup de recherches ont été faites quant aux modèles d’interpolation de la


courbe des taux. La fonctionnelle de Nelson-Siegel est un modèle paramétrique de taux
populaire et très utilisé dans les établissements financiers. Ce modèle respecte la
signification économique et financière de la courbe des taux vu l’interprétation et le rôle de
chacun de ces paramètres. Il a de plus de bonnes capacités de prédiction de taux.

La calibration de ce modèle, ou fitting, s’effectue en résolvant un problème des


moindres carrés non linéaires mais qui peut se linéariser en fixant un des paramètres et de
ce fait, simplifier nettement les calculs. Néanmoins, la calibration n’est pas si aisée et
certaines difficultés numériques apparaissent. Premièrement, la fonction à minimiser n’est
pas convexe, il existe plusieurs minima, ainsi les algorithmes classiques de descentes tels que
celui de Gauss-Newton échouent et posent de réelles difficultés de convergence.
Deuxièmement, le modèle est fortement colinéaire, ce qui a pour effet de le rendre mal-
conditionné et de poser des problèmes de suridentification des paramètres. C’est pourquoi
les paramètres estimés avec la méthode de la grille sont fortement corrélés et instables,
atteignant des valeurs extrêmes. Mais on a vu que ce problème de colinéarité peut être
contourné en contraignant le paramètre d’échelle à un intervalle très petit. Le modèle de
Diebold-Li propose simplement de le fixer, et se faisant les autres paramètres estimés sont
plus stables et coïncident avec la signification économique proposée par le modèle. C’est
pour cette raison que nous avons choisi ce modèle pour la suite de notre étude bien que la
qualité d’interpolation soit moins bonne qu’avec les deux autres méthodes. La crise
économique de 2007 constitue la troisième raison des difficultés de modélisation, celle-ci a
fortement impacté la forme des courbes des taux, certaines sont tellement irrégulières que
le modèle de Nelson-Siegel n’est pas capable d’en donner une interpolation correcte.

Une courbe de taux se résumant aux quatres paramètres de Nelson-Siegel, la


prévision des taux ou forecasting s’effectue en calculant la prévision des paramètres futurs.
On a ainsi modélisé la dynamique temporelle des paramètres avec les modèles
économétriques ARIMA et prédit la valeur de ces paramètres puis des taux d’intérêt à
différents horizons. Au résultat, on a prouvé que les capacités de prédictions du modèle de
Nelson-Siegel sont effectivement bonnes aux horizons une semaine et un mois.

La méthode finale d’interpolation choisie ici dans ce mémoire, à savoir la méthode de


Diebold-Li, est simpliste. Elle facilite les calculs et évite les difficultés de convergence mais
ceci en contrepartie d’une bonne qualité d’interpolation et donc de prévision de taux. Le fait
de fixer le paramètre d’échelle limite en effet les formes possibles de courbe.

- 111 -
D’autres méthodes de calibration améliorant la qualité d’interpolation et évitant les
problèmes de colinéarité sont préférables telles que differential evolution (M.Gilli, S.Grosse
et E.Schumann (2010) [12]) et une ridge régression en incorporant un biais dans le problème
ayant pour but de faire baisser la colinéarité du modèle (Annaert, Claes, Ceuster et Zhang
(2000) [1]).

Un autre moyen d’améliorer l’interpolation est de modifier le modèle de Nelson-


Siegel. Par exemple, le modèle de Svensson (1994) [16] incorpore une composante de
courbure supplémentaire pour mieux modéliser les taux à court terme. D’autres modèles
dérivés de celui de Nelson-Siegel ont ainsi été recherchés et il a été prouvé (De Pooter
(2007) [6]) que ceux incorporant des composantes ou des paramètres supplémentaires
modélisent mieux la courbe des taux mais en dépit de problèmes de colinéarité plus élevés.
Le modèle de Nelson-Siegel, comme on l’a vu, peine à modéliser les courbes en période de
crise tant les courbes sont irrégulières ainsi est-il préférable de choisir un modèle dérivé de
Nelson-Siegel avec des composantes supplémentaires tel que celui de Svensson pour faire
de la calibration en période de crise.

- 112 -
Bibliographie

1. ANNAERT J., CLAES A.G.P, DE CEUSTER M.J.K., ZHANG H. (2010) Estimating the yield
curve using the Nelson-Siegel model.

2. BIS: Bank for Internacional Settlement (2001) Principles for the management and
supervision of the interest rate risk. Basel Committee on Banking Supervision.
Supporting document to the new Basel capital accord.

3. BAUER M.D. (2007) Forecasting the term structure using Nelson-Siegel Factors and
Combined Forecasts. Econ 220F.

4. BRIENT L. (2006) Etats-Unis: un applatissement structurel de la courbe des taux.

5. CHARPENTIER A., Cours de séries temporelles - Théorie et Applications. Volume 1 et 2,


DESS Actuariat & Mathématiques de la Décision, ENSAE.

6. DE POOTER M. (2007) Examining the Nelson-Siegel Class of Term Structure Models.

7. DIEBOLD F.X., LI C. (2006) Forecasting the term structure of government bond yields.
Journal of econometrics n°130.

8. ESTRELLA A., TRUBIN M.R (2006) The yield curve as a leading indicator: some practical
issues. Current Issues in economics and finance, Federal Reserve Bank of New York.
Volume 12 number 5.

9. ESTRELLA A., MISHKIN F.S. (1996) The yield curve as a predictor of US Recessions.
Current Issues in economics and finance, Federal Reserve Bank of New York. Volume 2
number 7.

10. FABOZZI F., Martellini L., PRIAULET P. (2005) Exploiting predictability in the time-
varying shape of the term structure of interest rates. Journal of Fixed Income.

11. FLEURIET V., LUBOCHINSKY C. (2005) La gestion du risque de taux par les sociétés
d’assurance-vie et les fonds de pension. Banque de France - Revue de la stabilité
financière - n° 6.

12. GILLI M., GROSSE S, SCHUMANN E. (2010) Calibrating the Nelson-Siegel-Svensson


model. Comisef working papers series WPS-031.

13. NELSON C.R., SIEGEL A.F. (1987) Parsimonious Modelling Of Yield Curves. Journal of
business volume 60, n°4

14. PRIAULET P. Modèles de la courbe des taux d’intérêt. Cours de l’ENSAE-DEA MASE
Université Paris IX Dauphine.

- 113 -
15. RICART R., SICSIC P. (1995) Estimation d’une structure par terme des taux d’intérêt sur
données françaises. Bulletin de la banque de France, n°22.

16. SVENSSON L.E.O. (1994) Estimating and Interpreting Forward Interest Rates: Sweden
1992-1994. IMF Working Paper 94/114.

17. WU T. (2003) What makes the yield curve move? FRBSF Economic Letter.

18. YU W.C., ZIVOT E. (2007) Forecasting the Term Structures of Treasury and Corporate
Yields Using Dynamic Nelson-Siegel Models.

- 114 -

Vous aimerez peut-être aussi