Académique Documents
Professionnel Documents
Culture Documents
Dans cet article, nous proposons un test de validation pour les modèles de
calcul du risque de marché ou de la Value at Risk (VaR). Notre test exploite l’idée
selon laquelle la séquence des violations des prévisions de VaR doit vérifier les
propriétés d’un bruit blanc. Plus précisément, nous utilisons une statistique de
portemanteau multivariée (Hosking [1980]) pour tester de façon jointe l’absence
d’autocorrélation dans le vecteur des violations obtenues pour différents taux de
couverture. Nous montrons que ce passage à une dimension multivariée améliore
sensiblement les propriétés de puissance des tests de validation de la VaR pour
des échantillons de petites tailles.
This paper proposes a new simple test of market risk models validation or Value
at Risk (VaR) accuracy. The test exploits the idea that the sequence of VaR viola-
tions verifies the properties of a white noise. More precisely, we use the Multivariate
Portmanteau statistic of Hosking [1980] to jointly test the absence of autocorre-
lation in the vector of violation sequences for various coverage rates considered
as relevant for the management of risks. We show that this multivariate dimension
© Presses de Sciences Po | Téléchargé le 23/02/2023 sur www.cairn.info (IP: 46.193.65.90)
* Leo, Université d’Orléans, rue de Blois. BP 6739. 45067 Orléans Cedex 2. Courriel : chris-
tophe.hurlin@univ-orleans.fr.
** Leo, Université d’Orléans. Courriel : sessi.tokpavi@univ-orleans.fr.
Nous tenons à remercier lionel Martellini pour ses commentaires et remarques sur une version
précédente de cet article ainsi que les participants à la 6e Journée d’économétrie « développements
récents de l’économétrie appliquée à la finance », Paris-Nanterre, 2006.
599
. Nous n’évoquerons pas dans le cadre de cet article la question du choix d’une mesure de VaR
parmi un ensemble de mesures valides.
600
601
t=1
est significativement supérieure (respectivement inférieure) à a %, la mesure
de VaR est non valide et conduit à une sous-évaluation (respectivement sures-
timation) du risque. les tests de validité de cette propriété de couverture non
conditionnelle ont été initialement développés par kupiec [995]. la seconde
propriété d’indépendance des violations indique que toute mesure de risque doit
s’ajuster automatiquement et sans retard à toute nouvelle information entraî-
nant une évolution nouvelle dans la dynamique de la rentabilité de l’actif. Une
modélisation, qui ne prend pas en compte cet aspect, risque d’engendrer des
violations successives se présentant en cluster où des pertes extrêmes peuvent
alors succéder à des pertes extrêmes. aussi, aucune forme de dépendance ne doit
donc exister dans la séquence des violations.
il est important de noter que ces deux propriétés de la VaR sont distinctes
l’une de l’autre. dès lors, si une mesure de VaR ne satisfait pas à l’une ou l’autre
de ces deux hypothèses, elle doit être considérée comme non valide. À l’inverse,
on parle d’efficience conditionnelle (ou de couverture conditionnelle) lorsque la
mesure de VaR satisfait les deux hypothèses de couverture non conditionnelle
et d’indépendance.
602
un test de Validation
dans cet article, nous proposons un nouveau test de validation de la VaR, qui
comme nous l’avons dit en introduction, tire avantage de l’une et de l’autre des
deux approches de tests de validation retenues dans la littérature. l’idée de base
est très simple : si un modèle (ou une mesure) de VaR est valide pour un taux
de couverture à 5 %, il doit l’être aussi pour un taux de couverture de %, 2 %,
de 7 % ou de 0 %. en effet, le choix du taux de couverture ne doit pas modi-
fier le résultat quant à la validité d’une mesure de VaR. Cette idée est proche
de celle retenue dans le cadre de l’évaluation des densités conditionnelles des
rentabilités. Pour autant, cette idée peut être plus directement et plus facilement
exploitée dans le cadre d’une simple modification des tests statistiques usuels
de Backtesting. C’est pourquoi nous proposons une extension au cas multivarié
du test d’absence d’autocorrélation des violations proposé par Berkowitz et al.
[2005]. Notre test, fondé sur une statistique de portemanteau multivariée, permet
de tester de façon jointe la propriété de couverture conditionnelle pour différents
taux de couverture pertinents. il exploite ainsi un ensemble d’information plus
vaste que ceux généralement retenus dans les tests relevant de la catégorie Inter-
val Forecast Evaluation, sans pour autant tomber dans le travers des tests fondés
sur l’évaluation de la densité des rentabilités.
Formellement, on note Hitt ^ah l’indicatrice valant 1 - a en cas de violations
et – a dans le cas contraire :
1 - a si rt < VaRt t - 1 ^ah
Hitt ^ah = * . (4)
-a sinon
l’hypothèse de couverture conditionnelle telle que formulée par Christoffer-
sen [998], i.e. E 9 Hitt ^ah Xt - 1C = 0, implique en particulier (propriété d’es-
© Presses de Sciences Po | Téléchargé le 23/02/2023 sur www.cairn.info (IP: 46.193.65.90)
603
où V est une matrice ^m, mh symétrique non nulle et où dk est un scalaire tel
que :
dk = )
1 si k = 0
. (8)
0 sinon
Q m ]K g " | 2 ^Km 2h .
d
(2)
T-3
604
Density forecast Evaluation en utilisant une statistique de test qui n’est pas adap-
tée à ce type de problématique. C’est pourquoi il existe un arbitrage concernant le
choix de m : une augmentation du nombre de taux de couverture pris en compte
améliore les propriétés de puissance de notre test, mais au-delà d’un certain seuil
une augmentation de m rend caduque la pertinence de notre approche fondée sur
une statistique de type Interval Forecast Evaluation. C’est pourquoi nous suggé-
rons de retenir au plus trois taux de couverture ^m G 3h . Pour m = 2, nous
proposons de considérer l’ensemble H = "1 %, 5 %, et pour m = 3 l’ensemble
H = "1 %, 5 %, 10 %, . Ces taux de couverture, relativement distants, permet-
tent généralement d’éviter la singularité de la matrice Ct et correspondent à des
0
taux de couverture usuels dans la problématique de gestion des risques.
. les résultats de taille et de puissance de notre test pour différentes valeurs de k, m et T sont
disponibles sur requête.
605
606
30
25 P/L
VaR 1 %
20 VaR 5 %
15
10
5
0
–5
– 10
– 15
– 20
0 100 200 300 400 500 600 700 800 900 1 000
dans le tableau 2, sont reportées les puissances des trois tests. les puissances
sont calculées selon la méthodologie de dufour permettant de tenir compte
des différences de taille empirique des tests étudiés. On observe que la puis-
sance de notre test domine celle du test LRCC de Christoffersen [998]. Pour
une VaR à 5 %, sur 250 jours de cotation, le test LRCC ne permet de rejeter la
validité que pour une mesure non valide sur trois. Notre test porte ce taux à une
. les résultats (disponibles sur requête) sont similaires lorsque la puissance n’est pas corrigée.
la différence de puissance en faveur de notre test étant alors naturellement encore plus consé-
quente.
607
mesure sur deux. il en est de même lorsque la comparaison est faite avec le test
DQCC (surtout pour un taux de couverture de %), avec une amélioration de la
puissance allant de 2 à 29 %. Ces résultats illustrent toutefois la faiblesse de
la puissance des tests actuels de validation de la VaR utilisés dans le cadre des
procédures de Backtesting. en dépit de l’amélioration de puissance apportée
par notre test, pour une taille d’échantillon de 250 points, ces puissances restent
relativement faibles. en revanche, la puissance de notre test augmente très sensi-
blement et très rapidement avec la taille d’échantillon, ce qui n’est pas le cas par
exemple du test de Christoffersen. Pour 500 observations de la VaR, notre test
permet ainsi de rejeter la validité de près de deux mesures non valides sur trois
pour un risque de premier espèce de 0 %.
ConClusion
Nous proposons, dans cet article, un test de validation de la VaR, situé à mi-
chemin entre les approches Interval Forecast Evaluation et Density Forecast
Evaluation. Ce test, facile à mettre en œuvre, apparaît comme relativement plus
puissant que les principaux tests de couverture conditionnelle existants dans la
littérature. il offre en outre l’avantage de tester la validité d’un modèle de calcul
de la VaR pour un ensemble de taux de couverture jugés pertinents pour l’ana-
lyse des risques financiers.
© Presses de Sciences Po | Téléchargé le 23/02/2023 sur www.cairn.info (IP: 46.193.65.90)
608