Vous êtes sur la page 1sur 17

La maîtrise des techniques 69

Chapitre 5

La maîtrise des techniques


Les mathématiques au service des problèmes des gestionnaires

section 1 : Les limites des modèles


La théorie des marchés efficients suppose une information égale pour tous les agents.
Certains économistes et financiers ont montré l’importance d’une asymétrie d’informations
ou de coût de transactions dont les effets ont la même importance que les frottements en
mécanique.
La théorie cependant en vigueur chez les gestionnaires actif-passif présuppose cette égalité
d’information. Deux actifs avec le même risque ont le même rendement. Cette hypothèse
apparemment anodine est la cause de bien des incompréhensions entre les banquiers et les
gestionnaires de bilan.
En effet, la pratique fait apparaître des projets avec tout type de rendement et de risque. La
découverte d’une mine d’or a pour le mineur de la ruée vers l’or un rendement
exceptionnel. Par contre, s’il revend sa mine à des financiers, le prix de vente va permettre
de ramener cet investissement à un niveau égal à celui d’autres investissements.
Le banquier en tant que commerçant perd ou gagne de l’argent en fonction de son niveau
d’information. S’il trouve un mineur mal informé sur la valeur de sa découverte, il peut
réaliser un gain. Si un mineur profite de la mauvaise information du banquier pour lui
vendre sa mine un prix qu’aucun agent informé ne voudrait payer, il peut réaliser une perte.
Si l’information réelle sur la valeur de la mine est diffusée sur le marché, le gain ou la perte
sera immédiat dès la revente de la mine. Dans le cas où cette information reste cachée et
non diffusée, les pertes ou profits restent latents.
On peut donc concilier les deux approches en soulignant que le banquier tire des profits ou
des pertes dues à l’asymétrie de l’information entre celles qu’il détient et celles que
détiennent les autres agents financiers. Une fois ces profits ou ces pertes enregistrés, il est
imaginable de concevoir un positionnement dans un monde où les marchés sont efficients.
Il faut de plus faire attention aux hypothèses des modèles et tester leur robustesse.
ALM : techniques pour la gestion actif/passif 70

La distribution du rendement des actifs est relativement variable suivant l’actif . Nous le
voyons pour les actions et obligations sur le marché français. Dans une première
approximation, l’approche de cette distribution par une distribution gaussienne est souvent
suffisante et permet des calculs simples explicites (frontière efficiente de Markowitz).
L’avancée de la recherche et la conception de produits structurés, dont les rendements sont
fortement asymétriques par par définition, poussent à construire de nouvelles théories
n’incluant pas cette hypothèse forte.
Graphique 3
Distribution des rendements des actions et des obligations de 1952 à 1992

Obligations Actions
40%

30%
probabilité

20%

10%

0%
­50%

­40%

­30%

­20%

­10%

10%

20%

30%

40%

50%

60%

70%

80%
0%

rendement

source : Bulletin de la Banque de France, n° 21, Septembre 1995


Les tests de robustesse de modèle sont courants en physique. Cela consiste à étudier la
variabilité des résultats aux valeurs des paramètres considérés comme fixe. L’avancée de la
modélisation en finance participe à ce mode de raisonnement qui améliore un modèle en
transformant un paramètre fixe en variable. C’est le cas de la duration stochastique par
rapport à la duration qui rend aléatoire le taux considéré comme fixe. C’est le cas des
modèles à volatilité stochastique dans les modèles de taux. Il apparaît fondamental dans
toute recherche d’optimisation de gestion de bilan de quantifier l’impact des paramètres sur
les variables de commande. Celles-ci peuvent être aussi variées que le montant de prêts à
titriser, le montant d’emprunts à émettre, le taux des prêts à commercialiser.
La maîtrise des techniques 71

La quantification des risques ne peut se faire que grâce aux théories cohérentes et aux
techniques récentes développées en finance. Les avertissements précédents ne veulent
souligner qu’un fait : la réflexion en gestion de bilan doit précéder le choix des techniques à
utiliser.

section 2 : Les techniques de simulation de


Monte-Carlo
Depuis quelques années, la complexité croissante des produits financiers a donné lieu à un
développement de méthodes de calcul rapides et précises. Parmi ces techniques, la méthode
de Monte-Carlo s’est avérée efficace pour résoudre des problèmes complexes tels que
l’évaluation des titres adossés à des créances hypothécaires (Paskov et Traub (1995)),
l’optimisation de portefeuilles sous plusieurs contraintes (Wortzel et Zenios (1994))...
Cette technique présente l’avantage de paraître simple d’utilisation dans plusieurs situations
financières, elle permet aussi une utilisation extrême des paramètres pour l’analyse des
risques et le « stress-testing ».
Pour mieux comprendre l’utilité de cette technologie, il faut rappeler qu’en théorie
financière, l’Absence d’Opportunité d’Arbitrage nous impose que la valeur de tout actif
financier n’est autre que l’espérance actualisée de ses « cash-flow » futurs. L’espérance
étant évidemment calculée sous la probabilité risque-neutre pour chaque marché comme le
montre Duffie (1994). Ainsi, la valorisation des actifs se fait en plusieurs étapes :
1. Simulation des trajectoires des variables d’état (variables de base) telles que le taux
court, un indice boursier, le taux de change sur les différentes maturités de l’actif.
2. Calcul pour chaque trajectoire des « cash-flow » actualisés.
3. Calcul de leur moyenne sur l’ensemble des trajectoires
Nous allons traiter, dans une première partie, le concept de base de la méthode de Monte-
Carlo puis dans une seconde partie de la génération des trajectoires. La troisième partie
sera consacrée à quelques techniques d’accélération de la précision avant de conclure
sur le problème de calcul des sensibilités.

I. La méthodologie
ALM : techniques pour la gestion actif/passif 72

Pour illustrer le concept de simulation de Monte-Carlo, nous nous limitons aux actifs dont
les « cash-flow » ne dépendent pas d’exercices anticipés (comme les MBS ou les options
américaines...) et qui dépendent de manière exogène d’une seule source d’aléa.
Pour simplifier , considérons un actif dont le « cash-flow » est donné par f ( S T ) où S T est
le prix de l’action S à l’instant T et f un cash-flow fonction quelconque de ce prix.
L’Absence d’Opportunité d’Arbitrage impose que le prix de cet actif à chaque instant t soit
donné par :
Pt = E ( e − r ( T − t ) f ( S T ) ) (1)

où E, l’espérance pour l’instant t corrigée du risque, est de la forme (si l’on suppose le log-
normalité du prix S) :
dS t = r S t dt + σ S t dz t (2)
avec :
r : le taux zéro-coupon entre t et T
σ : la volatilité de l’action S
L’utilisation de la loi des grands nombres permet d’avoir un estimateur sans biais du prix Pt

. En effet, avec N tirages indépendants (S )


i
T
i = 1,.., N la statistique qui définit cet
estimateur est :
N

∑e
1
Pt = -r ( T-t )
f ( STi ) (3)
N i=1

Sa précision est donnée par la racine carrée de sa variance :

( )
V P =
1
N
(
V e-r ( T-t ) f ( ST ) ) (4)

Cette valeur sera approximée dans la pratique par :


 1 N
2
∑( e )
1
V= 
-r ( T-t )
f ( STi ) − Pt  (4) bis
N  N − 1 i=1 

II. La génération aléatoire


L’étape principale du concept précèdent est la génération du prix de la variable d’état S T à
partir de l’équation (2). Lorsque le cash-flow de l’actif est « path-independant » (le
« payoff » ne dépend pas de la trajectoire de S) comme dans notre exemple, il suffit
d’intégrer l’équation (2) entre t et T pour avoir :
La maîtrise des techniques 73

ST  σ 2 
Log = r −
St  2  ( T − t ) + σ ( zT − zt )

L’échantillon indépendant ( STi ) i = 1,.., N est obtenu à partir de N tirages indépendants

(z i
T )
− zt i = 1,.., N issus de la loi normale N ( 0, T − t ) que l’on peut trouver dans Press et

al (1992). Cependant, si le « payoff » est « path-dependant », il faut alors utiliser l’équation


(2) à chaque étape de temps dans sa version « dynamique intégrée ».
Enfin, lorsque le « cash-flow » dépend de plusieurs sources de risque ( taux long/taux court
; action/change), il convient de spécifier une dynamique multivariée de ces variables d’état.
Pour cela, le vecteur aléatoire de base que l’on cherche à simuler est un vecteur gaussien
centré et de matrice de corrélation ∑ . Une méthode simple consiste alors à simuler un
vecteur gaussien centré réduit (de matrice de corrélation l’identité) puis à utiliser la
décomposition de Cholevsky à savoir la matrice C telle que C C ' = ∑ . Ainsi le produit CX

suit une loi normale N ( 0,∑) que l’on veut simuler.


Selon le degré de complexité de la valorisation des différents actifs, la méthode de Monté-
Carlo, même si elle reste simple, est plus ou moins lente. Plusieurs techniques
d’accelérations sont utilisées pour augmenter la vitesse de convergence de cet estimateur.

III. L’accélération de la convergence


Comme nous l’avons vu, la précision de l’estimateur de Monte-Carlo est donnée par la
racine carrée de la variance (4) qui est elle-même proportionnelle à l’écart-type du « cash-
flow » et inversement proportionnelle à la racine-carrée du nombre de tirages.
La première famille d’accélérateur s’attaque à la diminution de la variance du « pay-off »
tandis que la deuxième famille s’est attachée à l’augmentation de la vitesse N de
convergence.

A. Réduction de la variance
1. Accélérateur antithétique
ALM : techniques pour la gestion actif/passif 74

L’idée d’utilisation de cet estimateur vient du fait que le générateur d’une loi normale
centrée réduite doit au moins avoir une moyenne empirique nulle. Pour cela au lieu de

procéder à N tirages indépendants, on réalise la moitié des tirages zTi − zt i = 1,.., N 2 et ( )


l’on complète par l’opposé à savoir :

(z i
T − zt ) ( )
i = N 2 + 1 ,.., N 2 = − zTi − zt ( ) i = 1,.., N 2

Dans ce cas, l’estimateur antithétique est défini par :


 N
2 N 
∑ ∑
1 

Pt,A = f (S ) +
i
f ( S )
i
N  T T

 i=1 i= N 2 + 1 
Cet estimateur à une variance plus petite que celle de Pt à cause de l’introduction de
corrélations négatives entre les deux composantes opposées. De plus, les trajectoires à
simuler sont diminuées de moitié par rapport à l’estimateur d’origine.

2. Accelérateur avec « variable de contrôle »


Cette méthode consiste à estimer par simulation, non pas les « cash-flow » de l’actif, mais
la différence entre ce « cash-flow » et celui d’un actif proche dont le prix est calculable
facilement ( par exemple, un actif indexé sur le spread taux long/taux court sera projeté sur
des options PIBOR, des caps ou des floors).
Dans ce cas, on prend comme estimateur avec variable de contrôle l’estimateur défini par :

Pt ,C = Pt + ( Qt − Qt )

avec :
Qt (
: prix de l’actif voisin (variable de contrôle) calculable par Qt = E e − r ( T − t ) g( S T ) )
Q t : son équivalent simulé
On peut voir facilement que cet estimateur est sans biais et que sa variance est

proportionnelle à la variance de la différence d’estimateur Pt − Qt . ( )


L’accélération de la simulation va donc dépendre de la corrélation entre l’actif (P) et l’actif
(Q). Plus cette corrélation est grande, meilleure est l’accélération. L’utilisation de cette
technique suppose une bonne connaissance des actifs que l’on veut valoriser puisqu’il faut
trouver à chaque fois les actifs calculables qui leur sont proches. Ces intuitions peuvent
provenir du « trader » qui doit couvrir son produit P par des actifs liquides Q ou du
gestionnaire ALM qui cherche un bon adossement de son bilan.
La maîtrise des techniques 75

B. Réduction de la discrepance
Comme nous l’avons vu précédemment, l’évolution d’un actif financier par la méthode de
Monte-Carlo a une vitesse de convergence en N où N est le nombre de tirage que l’on a
dans l’échantillon. Pour augmenter la vitesse de convergence, on peut choisir de manière
appropriée le nuage de points permettant de mieux approcher l’évaluation. Dans ce cas, on
oublie complètement le caractère probabiliste de l’espérance mathématique à calculer mais
l’on s’attaque directement à son calcul déterministe sous forme intégrale.
La précision du choix des points d’intégration dépend d’une certaine dispersion que l’on
appelle discrepance faible (voir Niederreiter (1987)).
Pour comprendre cette méthode (appelée méthode Quasi-Monte-carlo), on prend l’exemple
de la simulation de l’actif dont le prix est donné par l’équation (1)

(
Pt = E e − r ( T − t ) f ( S T ) )
 σ 2
où T sachant t suit une loi log-normale de moyenne  r −
S S  ( T − t ) et de variance
 2 

σ 2 ( T − t ) . Sa version intégrale s’écrit :


− w2
+∞   r −σ 2 2  ( T − t ) +σ ( T −t ) w 
e

2
Pt = e −r( T −t )
f  e 
 2π dw
−∞  
Le domaine d’intégration va être transformé en [0,1] en posant le changement de variable
x = φ ( w) où φ est la fonction de répartition normale pour avoir :
1
Pt = ∫ g( φ
0
−1
( x ) ) dx (5)

  r −σ 2 2  ( T − t ) +σ ( T −t ) w 
où g(w) est égale à e −r( T −t )
f  e 

 

Aussi Pt aura comme estimateur de discrepance faible l’estimateur


N

∑ g( φ ( x ))
1
Pt ,d = −1
i
N i=1

où (x ) i i =1,.., N est une suite de points ∈[ 0,1] vérifiant des critères de minimisation de

dispersion.
ALM : techniques pour la gestion actif/passif 76

Plusieurs séquences de points existent dont celles de Halton (1960) Sobol (1967) et Faure
(1982). Les deux dernières étant parmi les plus utilisées en Finance (voir Press et al
(1992)).

IV. Les sensibilités


Comme nous l’avons vu dans les techniques d’ALM, il faut souvent calculer les sensibilités
des différents produits par rapport aux paramètres. Les sensibilités sont nécessaires pour
mieux appréhender les stratégies de couverture ou d’adossement des risques que l’on veut
mettre en œuvre.
En ce qui concerne les méthodes de simulation, le calcul de sensibilités peut être effectué de
plusieurs manières.

A. En différence finie
Partant de l’exemple (équation 2) de l’actif dont le pay-off est f ( S T ) , on peut écrire que

Pt = E f ( (S*
T ,θ ))
où f *
( S T ,θ ) = e − r ( T −t ) f ( S T ) et θ étant l’ensemble des paramètres d’intérêt (prix actuel
du sous-jacent, taux d’intérêt, volatilité, maturité résiduelle ....)
L’estimateur « différence-finie » de la sensibilité du prix Pt par rapport à une variation dθ
sera :

dPt
N
f *
(S i
,θ + dθ ) − f *
(S i
, θ − dθ ) 

1 T T
=  
dθ N i =1  2 dθ 

Parfois, il faut faire attention au tirage aléatoire ( ST ) i =1,.., N


i
qui doit être fait pour chaque

accroissement des paramètres ( θ + dθ et θ − dθ ) , ceci alourdit beaucoup les calculs


mais évite souvent des biais de premier ordre.

B. En dérivé
L’approche consiste à utiliser directement l’expression de la dérivée du pay-off actualisé
lorsque cela est permis. Dans ce cas l’estimateur efficace en dérivée est donné par

dPt
N
∂ f *
(S i
,θ )

1 T
=
dθ N i =1
∂θ

En fait, on ne peut utiliser cette formule que lorsque l’on observe que :
La maîtrise des techniques 77

∂ Pt  d f * ( S Ti ,θ )  = E  ∂ f ( S
*
,θ i
) (
 ∂ f * S Ti , θ )∂ S Ti 
= E  + E
T
*
∂θ  dθ   ∂θ   ∂ S Ti ∂ θ 
    
*
Cette propriété n’est utilisable que lorsque le payoff actualisé f est suffisamment continu
(« smooth ») et que la variable de simulation de base ne dépend pas des paramêtres θ .

section 3 : Les techniques d’optimisation du


risque

V. Markowitz : Un équilibre entre rendement et risque


A. La gestion quantitative
Celle-ci est définie dans les travaux de Markowitz (1959). Le modèle statique à une
période considère qu’un agent cherche à maximiser l’utilité espérée de sa richesse en
période suivante sous contrainte d’une richesse initiale. La stratégie consiste à supposer
une fonction d’utilité quadratique ce qui est équivalent à considérer la normalité des
rendements d’actifs. Le risque d’un portefeuille est représenté par la variance du rendement
de l’ensemble des actifs.
Un portefeuille est dit efficient pour un niveau de risque α donné si :
max x ' . R
 xt t
( ~
)
( t , t + 1)
sous contrainte

 x ' .V . x ≤ α
 t t

 ' N

 t N ∑ xn ,t = 1
x .1 =
 n =1

avec :
N : nombre de titres du portefeuille
xt : vecteur des composantes du portefeuille en chaque actif à la date t.
~
R ( t , t + 1) : vecteur constitué du rendement des actifs entre t et t+1
V : matrice de variance-covariance des rendements des titres.
1N : vecteur unitaire de R N .
ALM : techniques pour la gestion actif/passif 78

Ce programme d’optimisation est souvent donné sous forme de minimisation quadratique


du risque sous des contraintes linéaires de rendement. C’est la manière duale de
représenter l’ensemble des portefeuilles efficients:

(
min x ' .V . x t
 xt t
)
sous contrainte
 ~
 x 't . R ( t , t + 1) ≥ µ
 '
 x t .1 N = 1

On peut vouloir ajouter un certain nombre de contraintes notamment pour limiter le poids
de certains titres dans le portefeuille. Un ensemble de contraintes de ce type est réalisé en
ajoutant des contraintes linéaires sous la forme :
b− ≤ B. xt ≤ b+
avec :
- B matrice (C,N) contenant les coefficients des C contraintes linéaires.
- b− et b+ sont des vecteurs contenant les bornes des contraintes.
La résolution de ce programme permet de tracer la frontière efficiente et de calculer le
poids de chaque actif dans les portefeuilles efficients.

B. Calculer la matrice de variance-covariance


La matrice de variance-covariance des rendements des actifs est le plus souvent estimée
historiquement, à partir des prix de marché, en calculant une matrice de variance-
covariance des rendements de marché sur une période glissante.

a) Le choix de l’horizon de gestion


Les analyses et les tests montrent que la matrice de variance-covariance joue un rôle
sensible dans la sélection du portefeuille optimal.. Par exemple, entre les deux horizons
de 1 an et de 15 ans, il y a une plus forte réduction de volatilité des actions que des
obligations (Arbulu et Hamonno (1995)).D’autre part, le fort impact de l’horizon de
rendement a été mis en évidence par Goetzmann et Edwards (1994) qui ont testé que le
portefeuille (actions, obligations et trésorerie) sous-jacent à un point de la frontière
efficiente est profondément différent entre les données court terme et long terme.
La maîtrise des techniques 79

L’utilisation de prévision de rendement avec un modèle auto-régressif aboutit à des


portefeuilles de variance minimale profondément différents :
- (10% obligations, 90% actions) pour un horizon long terme,
- (50% obligations, 50% actions) pour un horizon court terme.

b) Les sources des données et les calculs des rendements


Les rendements de différents types d’actifs (graphique 1) n’ont semble t-il jamais été
répertoriés sur une longue période avant les travaux de Arbulu et Hamonno (1995) et
Malpot et Paquel (1995).
Pour les obligations : les portefeuilles d’obligations intègrent le réinvestissement des
revenus annuels, coupons et crédit d’impôt inclus.
Pour les actions : les portefeuilles d’actions prennent en compte le réinvestissement des
revenus annuels, dividende et avoir fiscal inclus.
Pour la trésorerie : le rendement est celui du taux court. Les taux ont été relevés dans le
Bulletin Mensuel de Statistiques (BMS) en tenant compte des évolutions des références de
marché : (de 1950 à 1956 : argent au jour le jour; de 1957 à 1972 : taux sur effets publics;
de 1973 à 1987 : taux sur effets privés; de 1988 à 1992 : taux moyen mensuel ).
Pour l’immobilier : le rendement nominal comprend deux éléments. Le taux de plus ou
moins value qui est la variation de valeur du bien et le taux de rendement courant qui vaut
le loyer net de charges rapporté à la valeur du bien.

Graphique 1
Evolution des rendements des actifs depuis 1952
ALM : techniques pour la gestion actif/passif 80

Obligations Actions Inflation


75,0

60,0

45,0

30,0
Taux

15,0

0,0

­15,0

­30,0
1952 1957 1962 1967 1972 1977 1982 1987 1992
Année

Immobiliers Trésorerie Inflation


30,0

20,0
Taux

10,0

0,0

­10,0
1952 1957 1962 1967 1972 1977 1982 1987 1992
Année

source : Arbulu et Hamonno (1995)

VI. La gestion indicielle


Dans la gestion indicielle, on cherche à répliquer le comportement d’un panier de référence
appelé « benchmark ». On vise à obtenir un portefeuille de rendement espéré supérieur à
celui du « benchmark » mais avec une variance minimale de la « tracking error » (l’écart de
rendement entre le portefeuille et le « benchmark »). Dans ce cas, le programme
d’optimisation devient :
La maîtrise des techniques 81


min
 xt ( ( x t − C ) .V . ( x t − C )
'
)

sous contrainte

 x 't .1 N = 1
 ' ~ ' ~
 x t . R ( t , t + 1) ≥ C t . R ( t , t + 1)

C est le vecteur contenant la composition de l’indice « benchmark ».

Les objectifs du rendement des fonds propres peuvent être variables suivant les optiques
des actionnaires. L’indice pris en compte peut donc être :
• le rendement du portefeuille action lorsque l’actionnaire vise une rémunération par
rapport au rendement moyen d’un placement en bourse.
• le rendement de la trésorerie lorsque l’objectif de l’actionnaire est alors de se comparer à
un placement en SICAV de trésorerie.
• l’inflation lorsque l’objectif de l’actionnaire est alors de réaliser la plus forte
augmentation en pouvoir d’achat.

Le modèle de Chow (1995), que nous utilisons au chapitre 12, est intermédiaire entre le
modèle de Markowitz et la gestion indicielle :

( )
MaxU r fp = E ( r fp ) − α var(r fp ) − β var(r fp − rbenchmark )
xi

VII. Les moments partiels inférieurs


Les techniques d’optimisation précédente pendant très longtemps se sont révélées
suffisantes en gestion de bilan. Cependant, l’étude des risques extrêmes avec des
instruments financiers hautement non-linéaires nécessitent l’introduction d’autres
techniques incorporant la dissymétrie de la distributions des rendements des actifs. La
méthodologie des moments partiels décrites ci-dessous sera appliquée au risque de faillite
dans le chapitre 8.
Ces techniques permettent de classer des portefeuilles conformément aux règles de
dominance stochastique, sans avoir besoin de recourir à l’hypothèse excessive de normalité
des distributions de probabilités des rentabilités des actifs.

A. Une mesure intuitive et asymétrique du Risque


Des chercheurs comme Allais ont montré que les individus voient la dispersion de
rentabilité d'un portefeuille d'une façon asymétrique. En effet, un investisseur accordera
ALM : techniques pour la gestion actif/passif 82

beaucoup plus de poids aux pertes qu'il peut réaliser qu'aux gains susceptibles de survenir.
Dans cette acceptation, ce n’est pas la variabilité de rentabilité qui constitue le risque mais
la possibilité que la rentabilité soit inférieure à un niveau cible donné. Selon les perceptions,
le risque peut être la probabilité que la rentabilité du portefeuille soit inférieure à un objectif
de rentabilité, ou bien l'importance de la perte par rapport à la rentabilité objectif. Cette
rentabilité objectif peut être un niveau fixe ou un indice.
Les méthodes de type "moments partiels inférieurs" regroupent toutes les calculs de risque
ne prenant en compte que la queue de la distribution de rentabilités située en dessous d'une
rentabilité spécifiée.
Le moment partiel inférieur d'ordre n, LPMn se définit de la façon suivante :
τ
LPMn(τ , F ) = ∫ (τ − Rp) n dF ( Rp)
−∞

avec :
τ : rentabilité cible
F(Rp) : fonction de répartition du rendement du portefeuille
Graphique 3
Mesure du risque par la méthode des moments partiels inférieurs
probabilité

Risque

­100% ­50% 0% 50% 100% 150%


Rendement cible

rendement en %

Le moment partiel d'ordre 0 est la probabilité que la rentabilité du portefeuille soit


inférieure à la rentabilité cible. Le moment partiel d'ordre 1 est la somme pondérée des
écarts entre la rentabilité cible et la rentabilité du portefeuille, quand cette dernière est
inférieure à la rentabilité cible. Le moment partiel d'ordre 2 est analogue à une variance
mais calculé avec les écarts par rapport à un taux de rentabilité cible et non par rapport à la
La maîtrise des techniques 83

moyenne ( En outre, seuls les écarts positifs lorsque la rentabilité du portefeuille est
inférieure à la rentabilité cible sont pris en compte) .

1. Une mesure cohérente avec les fonctions d’utilité classiques


Pour des distributions normales ou symétriques, le moment partiel d’ordre 2 avec un taux
de rentabilité cible égal à la moyenne sera exactement la moitié de la variance. Dans ce cas,
la mesure du risque donnée sera équivalente à celle donnée par la variance et il en résultera
un classement similaire des portefeuilles alternatifs.
Bawa (1978) montre que la comparaison permettant de déterminer le portefeuille dominant
se réduit à l'évaluation et la confrontation des moments partiels inférieurs en un seul point
de rentabilité cible.
L'avantage de ce type de méthode réside dans le fait qu'elle permet d'ordonner des
portefeuilles risqués pour un très grand nombre de catégories de fonctions d'utilité de
l’investisseur. La famille classique des fonctions HARA1 est totalement cohérente avec le
moment partiel d'ordre 1, alors que les fonctions d'utilité présentant une aversion au risque
absolue décroissante (DARA) sont cohérentes avec le moment partiel d'ordre 2.

2.Une extension prenant en compte la non stationnarité : les


moments partiels inférieurs pondérés
Aussi bien l'approche de Markowitz que l'approche par les moments partiels reposent sur
l'hypothèse que les rentabilités des actifs ont des distributions de probabilité indépendante
du temps. Le processus stochastique est donc considéré comme stationnaire et son état
futur ne dépend pas de son historique.
Speranza (1993) développe les moments partiels inférieurs pondérés afin de tenir compte
de la nature non stationnaire des taux de rentabilité des actifs, sans toutefois compliquer la
formulation de la mesure du risque.
n
LPMP ( x ) = α ∑ wt g ( t ) avec g ( t ) = ∑ ( τ − Rit ) xi avec α > 0
t ,g (t )≥0 i =1

avec :
x = (x1...xn) les parts des actifs 1...n dans le portefeuille

Rit : le rentabilité de l'actif i à la date t


τ : le taux de rentabilité cible

1
Hyperbolic absolute risk aversion
ALM : techniques pour la gestion actif/passif 84

wt : le terme de pondération.
De la même manière que les méthodes de type ARCH permettent de prendre en compte
que l'évolution d'un titre dépend beaucoup plus de son passé récent que de son passé

lointain, le choix d’une pondération wt telle que wt = δt, avec 0 < δ < 1, pour tout t affecte
aux réalisations les plus récentes de la variable aléatoire "rentabilité" la probabilité la plus
forte de reproduction dans un futur proche. Ce faisant, on considère que les écarts de
rentabilité du portefeuille par rapport au taux de rentabilité cible les plus récents sont plus
risqués que les plus anciens (une pondération plus forte leur étant affectée).
La maîtrise des techniques 85

Chapitre 5

La Maîtrise des techniques

♦ Les modèles de taux sont indispensables dans la gestion de bilan. Il convient


d’étudier, pour différentes évolutions de la structure par terme des taux, les flux payés
ou reçus jusqu'à un horizon donné. Dans certains cas, la moyenne et la variance de
l’indicateur de risque choisi peuvent être calculées explicitement grâce au calcul
stochastique. Cependant, pour des problèmes plus complexes, qui sont cependant le
quotidien de l’ALM, il est impossible de pousser les calculs jusqu'à une solution
explicite. Dans ces cas, la méthode de Monte-Carlo est souvent la bonne manière
d’estimer la distribution de l’indicateur de risque. Cette méthode basée sur un principe
simple de tirage de la variable aléatoire fait l’objet de nombreuses variantes
mathématiques. En effet, en raison des temps calculs, il peut s’avérer intéressant,
comme dans le cas de produits financiers « path-dependant » (le comportement
dépend de la trajectoire passée), de sophistiquer la méthode employée pour accélérer
la convergence.
♦ La gestion quantitative vise à optimiser l’allocation d’un portefeuille pour suivre un
objectif. Celui-ci peut-être un arbitrage entre rendement et risque ou de suivre au
mieux un indice. Le modèle de Chow est un compromis entre ces deux approches.
Lorsque les rendements ne sont plus distribués suivant la loi de Gauss, la méthode des
Moments partiels inférieurs vient relayer la gestion quantitative classique.