Gregory - Guilmin - Memoires Risque Systémique

Impact de la fragilité
du système financier
sur le risque systémique:
Comparaison entre les Etats-Unis et la zone euro
Grégory GUILMIN
Directeur: Prof. J.Y. GNABO
Mémoire présenté
en vue de l'obtention du titre de
Master 120 en Ingénieur de gestion,
à finalité spécialisée
ANNEE ACADEMIQUE 2011-2012
Business Administration Department – University of Namur (FUNDP)

Member of the LSM group
Rempart de la Vierge 8, B-5000 Namur, Belgium, Tel. +32 [0]81 72 48 41/5319, Fax +32 [0]81 72 48 40
En préambule de ce mémoire, j’aimerais remercier toutes les personnes qui m’ont aidé
durant mes cinq années universitaires et qui ont contribué à l’élaboration de ce mémoire.
Je souhaiterais adresser mes remerciements les plus sincères à Monsieur Jean-Yves

Gnabo pour avoir assuré la direction de ce mémoire. Un très grand merci pour vos conseils,
votre disponibilité et votre aide tout au long de cette année.
J’aimerais également remercier Daniel Green, Donald Zountcheme ainsi que Marion
Leturcq pour le temps qu’ils m’ont consacré afin de répondre à mes nombreuses questions.
Je tiens également à remercier mes parents, Jacques et Muriel, qui m’ont permis de faire
des études universitaires et qui m’ont toujours soutenu durant celles-ci. Un grand merci
également à Julie qui m’a toujours encouragé et soutenu durant la rédaction de ce mémoire.
Pour leurs encouragements et leur soutien, merci à Bertrand, Diego, Floriane, François, Gil,
Margaux, Maxime, Samuel et Xavier.
.
Table des matières
INTRODUCTION ................................................................................................................................ 1
PREMIÈRE PARTIE : REVUE DE LA LITTÉRATURE ................................................................ 5
Chapitre 1 : Evolution des mesures du risque de marché .................................................... 5

Section 1.1 : Introduction ................................................................................................................... 5
Section 1.2 : Mesures du risque de marché avant la Value-‐at-‐Risk .................................................... 6
Chapitre 2 : La Value-‐at-‐Risk ............................................................................................. 11

Section 2.1 : Définition générale ....................................................................................................... 11
Section 2.2 : Définition statistique .................................................................................................... 13
Section 2.3 : Modèles d’évaluation de la Value-‐at-‐Risk .................................................................... 16
Sous-‐section 2.3.1 : Introduction ................................................................................................................. 16
Sous-‐section 2.3.2 : Modèles non-‐paramétriques ....................................................................................... 17
Sous-‐section 2.3.3 : Modèles paramétriques .............................................................................................. 19
Sous-‐section 2.3.4 : Modèles semi-‐paramétriques ...................................................................................... 22
Section 2.4 : Avantages et limites de la Value-‐at-‐Risk ...................................................................... 23
Sous-‐section 2.4.1 : Avantages de la VaR .................................................................................................... 23
Sous-‐section 2.4.2 : Limites de la VaR .......................................................................................................... 23
Chapitre 3 : La contagion et le risque systémique .............................................................. 27

Section 3.1 : Introduction ................................................................................................................. 27
Section 3.2 : Définition générale de la contagion et du risque systémique ...................................... 28
Section 3.3 : Les différents canaux de la contagion .......................................................................... 30
Section 3.4 : La contagion rapide autour des organismes financiers ................................................ 35
Chapitre 4 : Mesures d’estimation de la contagion et du risque systémique ...................... 39
Section 4.1 : La contagion bancaire et les crises bancaires ............................................................... 39
Section 4.2 : Tester la présence de contagion .................................................................................. 41
Section 4.3 : Mesures du risque systémique basées sur l’information des marchés ........................ 43
Chapitre 5 : La CoVaR ........................................................................................................ 45

Section 5.2 : Méthodologie de la CoVaR ........................................................................................... 47
Sous-‐section 5.2.1 : Définition de la CoVaR ................................................................................................. 47
Sous-‐section 5.2.2 : Propriétés de la CoVaR ................................................................................................ 48
Section 5.3 : Estimation de la CoVaR ................................................................................................ 49
DEUXIÈME PARTIE : ANALYSE EMPIRIQUE .......................................................................... 52
Chapitre 6 : Méthode d’estimation de la ∆CoVaR .............................................................. 52

Section 6.2 : Modèles utilisés et méthodologies .............................................................................. 54
i
Section 6.3 : La régression de quantiles ............................................................................................ 58
Chapitre 7 : Analyse des données ...................................................................................... 62

Section 7.2 : Présentation des données ............................................................................................ 62
Sous-‐section 7.2.1 : Institutions financières individuelles ........................................................................... 62
Sous-‐section 7.2.2 : Indices sectoriels ......................................................................................................... 64
Section 7.3 : Analyse descriptive ....................................................................................................... 64
Sous-‐section 7.3.1 : Variables explicatives de contrôle ............................................................................... 64
Sous-‐section 7.3.2 : Variables explicatives représentant des rendements boursiers américains ............... 65
Sous-‐section 7.3.3 : Variables explicatives représentant des rendements boursiers européens ................ 67
Sous-‐section 7.3.4 : Première comparaison entre les Etats-‐Unis et la zone euro ....................................... 68
Chapitre 8 : Résultats ........................................................................................................ 70

Section 8.1 : Etats-‐Unis ..................................................................................................................... 70
Sous-‐section 8.1.1 : Période 2002-‐2012 ...................................................................................................... 70
Sous-‐section 8.1.2 : Comparaison entre la période 2002-‐2007 et la période 2008-‐2012 ........................... 72
Section 8.2 : Zone euro ..................................................................................................................... 73
Sous-‐section 8.2.1 : Période 2002-‐2012 ...................................................................................................... 73
Sous-‐section 8.2.2 : Comparaison entre la période 2002-‐2007 et la période 2008-‐2012 ........................... 75
Chapitre 9 : Explications des résultats ............................................................................... 76

Section 9.2 : Zone euro ..................................................................................................................... 76
Sous-‐section 9.2.1 : Les banques et les assurances ..................................................................................... 76
Sous-‐section 9.2.2 : Les services financiers .................................................................................................. 79
Section 9.3 : Etats-‐Unis ..................................................................................................................... 80
Sous-‐section 9.3.1 : Les banques et les assurances ..................................................................................... 80
Sous-‐section 9.3.2 : Les services financiers .................................................................................................. 80
Section 9.4 : Comparaison sectorielle entre les Etats-‐Unis et la zone euro ...................................... 81
Sous-‐section 9.4.1 : Le secteur des assurances ........................................................................................... 81
Sous-‐section 9.4.2 : Le secteur bancaire ...................................................................................................... 82
Sous-‐section 9.4.3 : Le secteur des services financiers ................................................................................ 84
Chapitre 10 : Régulation financière ................................................................................... 85

Section 10.1 : Introduction ............................................................................................................... 85
Section 10.2 : Régulation bancaire ................................................................................................... 85
Section 10.3 : Régulation des assurances ......................................................................................... 88
Section 10.4 : Réformes importantes suite à la crise ........................................................................ 91
Section 10.5 : Recommandations ..................................................................................................... 93
CONCLUSION ................................................................................................................................... 99
BIBLIOGRAPHIE .......................................................................................................................... 102
ANNEXES ........................................................................................................................................ 107
ii
Introduction
A l’heure actuelle, il est très difficile de trouver une situation dans laquelle un
évènement exceptionnel se déroulerait pour certains agents économiques sans avoir aucune
répercussion sur d’autres agents économiques. Que ce soit, l’éclatement de la bulle internet au
début des années 2000, la crise des subprimes en 2007, l’effondrement de la banque d’affaires
américaine Lehman Brothers le 15 septembre 2008, la découverte du taux d’endettement et du
déficit trop importants de la Grèce mais également de bon nombre de pays européens, toutes
ces situations ont eu des répercussions importantes sur l’économie réelle. En effet, après
chacun de ces évènements relatifs au monde financier, des économies toutes entières se sont
retrouvées en récession avec des taux de chômage en hausse, une croissance de l’économie
faible voire négative et des taux d’endettement exorbitants.
Avec le phénomène de mondialisation, la place de plus en plus importante des secteurs
financiers dans l’économie réelle à l’échelle planétaire (également appelée la
« financiarisation de l’économie ») ainsi qu’avec le libre échange des capitaux et des
travailleurs à travers le monde, ce sont les Etats, les entreprises mais également les citoyens
du monde entier qui vivent en totale dépendance des uns des autres. De plus, lorsqu’un
problème affecte une économie importante, il a souvent tendance à s’étendre et à se propager
à d’autres économies, ce qui met en lumière l’importance du phénomène de contagion.
Le cas de la banque d’affaires Lehman Brothers illustre bien ce phénomène. Sa forte
exposition aux produits dérivés liés aux subprimes et sa dépendance au Repo Market ont
entrainé sa faillite le 15 septembre 2008. De nombreuses institutions financières, américaines
ou autres, avaient investi dans des actifs liés à Lehman mais ont dû acter des pertes
exceptionnelles importantes. Cette faillite a eu comme conséquence une crise de confiance
étant donné que les banques n’osaient plus se prêter de l’argent sur du très court terme. Ce gel
des prêts entraina une baisse des liquidités disponibles pour les institutions financières qui,
étant de plus en plus méfiantes, préféraient réduire les prêts offerts à l’économie réelle
jusqu’au moment où elles retrouveraient la santé. Cette situation entraina une diminution des
investissements ainsi qu’une baisse de la consommation. Les problèmes liés à Lehman
Brothers (ainsi qu’à de nombreux acteurs du monde financier) se sont donc propagés à
l’ensemble de l’économie réelle. En effet, que ce soit le secteur de la construction, des
médias, des soins de santé ou encore des télécommunications, tous ont subi des pertes
importantes sur les marchés financiers, traduisant un ralentissement de leurs activités.
1
Ce constat appelle à des réactions de la part des autorités régulatrices. Le régulateur,
que cela soit dans la zone euro ou aux Etats-Unis (mais également dans d’autres parties du
globe), a besoin de mesures claires sur cette question de contagion et sur le lien entre les
variables économiques et financières. Dès lors, vu que les agents économiques sont de plus en
plus liés entre eux et que le phénomène de contagion est de plus en plus important, nous ne
pouvons plus nous permettre, de mesurer le risque de marché d’une entreprise en utilisant la
Value-at-Risk traditionnelle (étant donné que cette dernière ne se focalise que sur les données
de l’entreprise en question), ni d’omettre le risque découlant directement du phénomène de
contagion, le risque systémique. ADRIAN et BRUNNERMEIER (2011) l’ont bien compris
puisqu’ils ont développé une nouvelle mesure permettant d’évaluer le risque de marché et le
risque systémique : la CoVaR. Intuitivement, la CoVaR d’un système financier est la Value-
at-Risk de ce système financier conditionnellement au fait qu’une institution financière
individuelle soit en état de stress, c'est-à-dire à son niveau de VaR.
Dans ce mémoire, nous ne nous focaliserons pas sur la CoVaR qui permet de mesurer le
risque de marché, ce qui pourra faire l’objet d’un travail ultérieur, mais nous nous
focaliserons sur la CoVaR qui permet de mesurer le risque systémique. ADRIAN et
BRUNNERMEIER (2011) ont défini la ∆CoVaR comme étant la différence entre la CoVaR
du système financier conditionnellement au fait qu’une institution financière individuelle
subit un problème et celle conditionnelle à l’état normal de cette même institution. La
∆CoVaR permet donc de capturer la contribution marginale d’une institution particulière à
l’ensemble du risque systémique.
Mais que signifie réellement ce terme « risque systémique » ? Il y a une dizaine
d’années, deux auteurs ont réalisé un travail conséquent sur ce sujet (DE BANDT et
HARTMANN, 2000) et ils ont défini le risque systémique comme le risque de devoir faire
face à des évènements systémiques importants, évènements qui affectent négativement et de
manière importante un nombre considérable d’entreprises financières ou marchés financiers,
ce qui entraine un mauvais fonctionnement du système financier tout entier. Étant donné que
la majorité des études effectuées sur le risque systémique ne prend en compte que le risque de
l’ensemble du système financier et que, durant ces dernières années, les dérives financières
ont provoqué des crises pour la majorité des économies mondiales, il serait intéressant
d’étudier l’impact d’un problème lié à un secteur financier sur l’ensemble de l’économie
réelle.
2
Le but de ce mémoire est donc d’analyser l’impact de la fragilité du système financier
sur le risque systémique en comparant la situation de la zone euro et celle des Etats-Unis.
Bien souvent, par système financier, nous avons tendance à penser directement aux
institutions bancaires alors que, comme nous le verrons par la suite, il n’y a pas que les
banques qui sont porteuses d’un risque systémique. A titre illustratif, AIG, le premier assureur
mondial, a dû faire face à une crise de liquidités le 16 septembre 2008 et la banque centrale
américaine a injecté 180 milliards de dollars afin d’éviter son effondrement vu qu’elle
représentait un risque systémique important (LAURENT, 2009). Dès lors, les compagnies
d’assurances et les entreprises offrant des services financiers autres que bancaires (comme par
exemple des fonds d’investissement, des courtiers ou encore des holdings) seront également
étudiées en plus des institutions bancaires.
Nous étudierons l’impact de six institutions financières individuelles (réparties en trois
secteurs financiers) ainsi que celui relatif à trois secteurs financiers importants sur l’ensemble
de l’économie réelle. Ces trois secteurs financiers sont le secteur bancaire, des assurances et
celui des services financiers, et ils seront représentés grâce à des indices. Notre étude sera
effectuée aussi bien pour la zone euro que pour les Etats-Unis afin de déterminer quel secteur
financier impacte le plus négativement l’économie de ces deux zones géographiques.
Ce mémoire comporte deux parties : une revue de la littérature et une analyse
empirique. Les deux premiers chapitres traitent de l’évolution des mesures du risque de
marché depuis les années 50 avec, en point d’orgue, la mesure phare qui a émergé : la Value-
at-Risk. Celle-ci est apparue au début des années 90 sur les marchés financiers et est toujours
utilisée aujourd’hui. Etant donné son importance et les questions qu’elle peut susciter, le
chapitre 2 lui est entièrement dédié. Néanmoins, cette mesure présente un inconvénient
important qui ne peut être écarté : la non prise en compte des liens entre les agents
économiques qui fait qu’un problème dans une entreprise peut avoir des répercussions
importantes pour une entreprise qui lui est fortement liée. Dès lors, le chapitre 3 introduira les
notions de contagion et de risque systémique comme elles sont définies dans la littérature. Il
aura également pour finalité de présenter les différents canaux de la contagion et d’expliquer
pourquoi les banques sont toujours les plus sujettes à ce phénomène. Ensuite, le chapitre 4
présentera les méthodes les plus connues et les plus utilisées afin de déterminer s’il y a
présence de contagion mais également dans le but de mesurer le risque systémique. Enfin, le
chapitre 5 se focalisera la mesure du risque de marché et du risque systémique développée par
ADRIAN et BRUNNERMEIER (2011), la CoVaR.
3
Afin de pouvoir effectuer une analyse empirique complète et détaillée, le modèle
d’estimation utilisé sera défini au chapitre 6 ainsi que la méthode d’estimation qui sera
utilisée : la régression de quantiles. Le chapitre suivant présentera les données utilisées aussi
bien pour les Etats-Unis que pour la zone euro mais fera aussi une première analyse
descriptive de nos variables de contrôle utilisées dans notre modèle ainsi que des variables
explicatives représentant les institutions individuelles et les différents secteurs financiers
étudiés. Après la présentation du modèle utilisé et des variables nécessaires à son estimation,
l’impact de chacune de nos six institutions financières ainsi que de nos trois secteurs
financiers particuliers sur l’ensemble de l’économie américaine et de la zone euro a été étudié
(chapitre 8). Ces résultats seront expliqués au chapitre 9. Enfin, le chapitre 10 aura pour
objectif d’essayer de faire un point complet sur les différentes régulations qui sont en place
pour nos trois secteurs financiers aussi bien aux Etats-Unis que dans la zone euro. Il aura
également comme but de déterminer les points importants sur lesquels les régulateurs
devraient insister afin de limiter le risque qu’un problème au niveau d’un secteur financier
particulier impacte de manière trop importante le reste de l’économie toute entière.
4
Première partie : Revue de la littérature
Chapitre 1 : Evolution des mesures du risque de marché
Section 1.1 : Introduction
Le risque est une notion vague utilisée très fréquemment pour caractériser les marchés
financiers puisque, quel que soit l’actif dans lequel un agent veut investir, ce dernier doit
toujours le prendre en compte et le gérer même s’il n’est pas observable directement. Lorsque
la notion de risque est évoquée, elle est souvent caractérisée par une connotation négative.
L’auteur étant à l’origine de la définition du risque tel qu’il est compris aujourd’hui est Frank
Knight qui, en 1921, a distingué les notions de risque et d’incertitude. Le risque, selon lui, est
quelque chose pour lequel nous pouvons nous assurer puisque nous connaissons la probabilité
d’occurrence des différents cas possibles. Au contraire, il n’est pas possible de s’assurer
contre l’incertitude étant donné que nous ne connaissons pas la distribution de probabilités
des différentes situations possibles. Le risque, au sens général, est donc le couplage entre la
notion de danger, c'est-à-dire la possibilité de devoir supporter des pertes, et celle
d’opportunité qui représente la possibilité d’obtenir des gains, tout en connaissant la
probabilité des pertes et des gains (KNIGHT, 1921). Que l’entreprise soit une multinationale
ou une PME, elle doit être capable de gérer les risques auxquels elle fait face mais également
les risques auxquels elle pourrait devoir faire face dans le futur. Il est donc très important pour
une entreprise de bien évaluer son exposition au risque puisque toute décision d’une
entreprise est évaluée en fonction du risque qu’elle génère pour celle-ci.
Selon DOWD (2005), le développement rapide de la gestion du risque peut être attribué
à différents facteurs. Le premier facteur important est l’environnement volatile auquel font
face les investisseurs. Toutes les entreprises, financières ou non, évoluent dans un
environnement économique qui est incertain et instable. La volatilité de cet environnement est
facilement observable via différents facteurs comme la volatilité des bourses, des taux de
change, des taux d’intérêt ou encore le cours des matières premières. La croissance dans
l’activité de « trading » constitue le deuxième facteur important du développement rapide de
la gestion du risque. Par exemple, dans les années 60, le nombre d’actions qui étaient
échangées par jour était égal à 3 millions en moyenne, alors qu’en 2000, ce nombre dépassait
les 100 millions d’actions. Ceci peut s’expliquer par la présence plus importante de produits
financiers mais également par l’émergence de nombreux marchés dits émergents qui
5
favorisent la croissance des échanges. Les avancées des technologies de l’information sont le
troisième et dernier facteur important au développement de la gestion du risque (DOWD,
2005).
Les institutions financières font habituellement face à quatre types de risque.
Premièrement, si un créancier offre des fonds à un débiteur moyennant le paiement d’intérêts,
il fait face au risque de crédit qui représente une situation dans laquelle le débiteur ne lui
rembourserait pas le montant initial majoré des intérêts. Ce type de risque possède trois
composantes basiques selon MANGANELLI et ENGEL (2001) : l’exposition due au crédit, la
probabilité de défaut et la perte en cas de défaut de la part du débiteur. Deuxièmement, un
autre type de risque est le risque opérationnel qui prend en compte les erreurs qui peuvent se
produire lors de transactions financières et de paiements mais également le risque de fraude.
Le troisième risque est celui de liquidité et représente le risque de ne pas pouvoir échanger
des actifs financiers dans de bonnes conditions. Par exemple, une banque fait face à un risque
de liquidité plus élevé durant les périodes de crise où elle éprouve des difficultés à obtenir du
financement pour rembourser ses dettes de court terme. Enfin, le risque qui va être étudié au
début de ce mémoire est le risque de marché et il est directement lié à l’évolution d’un titre et
dépend des conditions du marché (MANGANELLI et ENGEL, 2001).
Les mesures du risque de marché n’ont cessé d’évoluer depuis une cinquantaine
d’années. Avant d’introduire le concept de Value-at-Risk (ou VaR par abréviation) qui permet
d’évaluer le risque de marché d’un actif ou d’un portefeuille et qui sera introduit au chapitre
suivant, il serait intéressant de présenter l’évolution globale des différentes mesures du risque
de marché avant l’apparition de la VaR.
Section 1.2 : Mesures du risque de marché avant la Value-at-Risk
Avant l’apparition de la Value-at-Risk dans le domaine des assurances dans les années
80 et son apogée sur les marchés financiers au début des années 90, d’autres méthodes
existaient afin de mesurer le risque de marché. Cette section 1.2 est destinée à faire un tour
global des méthodes les plus connues pour évaluer le risque de marché avant l’introduction de
la Value-at-Risk.
La mesure basique du risque de marché consiste à tenir compte du montant notionnel du
contrat. Le grand avantage de cette méthode est sa simplicité mais cette méthode, très basique,
ne prend pas en compte la volatilité ainsi que la présence de corrélation entre les différents
actifs financiers. De plus, un agent économique qu’il ait des positions longues ou courtes, ces
dernières sont quand même considérées de la même façon.
6
Une deuxième méthode étant souvent utilisée est l’analyse de scénarios (DOWD, 2005).
Cette méthode consiste à définir plusieurs scénarios et à essayer de déterminer l’impact de tel
ou tel scénario sur la valeur d’un actif ou d’un portefeuille d’actifs. Un scénario est
simplement une situation décrivant comment des variables pertinentes vont évoluer durant
une période de temps déterminée. Les variables peuvent être le prix d’actions, les taux
d’intérêt, ou encore les taux de change par exemple. Mais l’analyse de scénarios n’est pas
évidente à mettre en place étant donné qu’il faut s’assurer que ceux mis en place soient
raisonnables et n’incluent pas des hypothèses contradictoires ou non plausibles. De plus, il est
nécessaire de considérer tous les scénarios possibles. Néanmoins, cette méthode ne nous dit
rien sur la probabilité d’occurrence de ces derniers et leurs résultats sont interprétés de
manière subjective et dépendent beaucoup des compétences de l’analyse. Cette approche, bien
qu’incomplète, est toujours utilisée dans la réalité mais est complétée par d’autres mesures du
risque décrites ci-dessous.
En 1952, est apparu le concept de « théorie de portefeuille » grâce à Harry Markowitz
qui a publié un article concernant la diversification d’un portefeuille. Il a utilisé les concepts
de rendements moyens, variance et covariance pour construire une frontière efficiente (voir la
figure A présente à l’annexe 1). Sur celle-ci, se trouve plusieurs portefeuilles qui permettent
de maximiser le revenu pour un niveau de risque donné ou bien de minimiser le risque pour
un niveau de revenu désiré. L’investisseur doit donc faire un compromis entre le risque et le
rendement tout en prenant en compte sa fonction d’utilité (MARKOWITZ, 1952).
Néanmoins, comme l’évoque NAWROCKI (1999), les éléments qui déterminent la fonction
d’utilité d’un être aussi complexe qu’un investisseur sont très obscurs. A cette époque là,
l’écart-type était utilisé pour mesurer le risque d’un portefeuille efficient, c'est-à-dire un
portefeuille se trouvant sur la frontière efficiente. Pour mesurer le risque d’un titre en
particulier, et non plus d’un portefeuille, il est nécessaire de prendre en compte la covariance
de son rendement avec celui des autres titres constituant un portefeuille bien diversifié
(RACICOT et THEORET, 2006).
Durant cette même année, Roy a décidé de mettre au point une méthode pratique
permettant d’effectuer le meilleur compromis entre risque et rendement puisqu’il pensait qu’il
n’était pas possible de mettre au point une fonction d’utilité mathématique pour un
investisseur. Selon lui, les investisseurs préféraient la sécurité du principal (d’où le concept
« Safety First » en anglais) et donc minimiser le risque de baisse plutôt qu’un rendement très
élevé, étant sujet à plus de risque. Dans la théorie de Roy, il est important de fixer un seuil en
dessous duquel l’investisseur ne veut pas aller et ce dernier va choisir le portefeuille
7
comportant la plus faible probabilité de se trouver en dessous de ce seuil. Markowitz, en
1959, comprit qu’il était important d’intégrer le concept mis au point par Roy et ce pour deux
raisons distinctes. Premièrement, les investisseurs sont très attentifs à la pertinence du risque
de baisse. Deuxièmement, les distributions de probabilités des rendements ne suivent pas une
loi normale. Markowitz a montré que lorsqu’un rendement ne suit pas une loi normale, une
mesure du risque de baisse (concept de Roy) est plus appropriée que le concept de variance
mis au point par lui-même. Dès lors, il proposa une mesure appelée semi-variance permettant
de calculer la variance d’un portefeuille en-dessous du rendement moyen ou d’un rendement
défini de manière subjective comme seuil. Néanmoins, il préféra rester sur le calcul de
variance nettement moins compliqué à calculer que des semi-variances vu qu’à cette époque,
les ordinateurs ne pouvaient pas intégrer de grands calculs complexes (NAWROCKI, 1999).
La théorie de Markowitz a montré certaines limites d’après RACICOT et THEORET
(2006). En effet, ce modèle repose sur l’estimation de N variances ainsi que de (N²-N)/ 2
covariances, en supposant que le nombre de titres du portefeuille est de N. Si un portefeuille
contient beaucoup de titres, l’estimation des variances et covariances devient très compliquée,
surtout sans ordinateur performant et c’est pour cette raison qu’il ne faut pas négliger le risque
de faire des erreurs dans l’estimation. Dès lors, il fut important de définir un nombre limité de
facteurs de risque et à partir de ce nombre limité, observer et analyser la façon dont les
rendements varient.
Dans le courant des années 60, William F. Sharpe a proposé le « Capital Asset Pricing
Model » (CAPM) ou en français, le modèle d’évaluation des actifs financiers (MEDAF). Ce
modèle a permis de définir une mesure du risque de marché et a défini le lien entre le risque
de marché et la rentabilité attendue par l’investisseur. Ce modèle repose sur six hypothèses
bien spécifiques. Premièrement, chaque investisseur est preneur de prix, ce qui signifie que
leurs transactions ne peuvent affecter les prix du marché. Deuxièmement, les investisseurs
possèdent le même horizon de placement. La troisième hypothèse est la perfection des
marchés où nous supposons que les marchés sont parfaitement liquides et qu’il n’y a pas de
taxes, d’impôts ni de coûts de transaction. Quatrièmement, la richesse est investie dans des
titres financiers et l’investisseur a la possibilité d’emprunter pour augmenter sa dotation
initiale. La cinquième hypothèse est l’homogénéité des croyances, ce qui signifie que tous les
investisseurs font les mêmes prévisions en termes d’espérance de rendement et de risque.
Sixièmement, tous les investisseurs sont rationnels au sens de Markowitz, ce qui signifie
qu’ils utilisent tous le critère moyenne-variance pour se positionner (SHARPE, 1964).
8
Le modèle CAPM repose sur trois implications importantes (SHARPE, 1964).
Premièrement, le portefeuille risqué de chaque agent est le portefeuille de marché, ce qui
signifie que tous les actifs risqués se trouvent sur la frontière d’efficience introduite par
Markowitz. S’il est possible d’avoir un actif sans risque, alors le portefeuille sera une
combinaison linéaire entre un actif risqué et non risqué. Deuxièmement, la prime de risque du
portefeuille de marché est proportionnelle au risque et à l’aversion pour ce dernier.
Troisièmement, la prime de risque d’un titre est proportionnelle à la contribution du titre au
risque du portefeuille. Le modèle CAPM repose sur la formule suivante :
E(r! ) = r! + β! ( E(r! ) – r! ) (1)
où E(ri) est l’espérance du rendement de l’actif i, rf représente l’actif sans risque et E(rm) est
l’espérance du rendement du marché. Le βi représente la mesure du risque de marché du titre
i. D’un point de vue statistique, il est défini comme le rapport entre la covariance d’un titre i
avec le marché et la variance du portefeuille de marché. Le modèle CAPM est un modèle
mono factoriel, c'est-à-dire qu’il n’y a qu’un facteur explicatif du risque de marché d’un titre.
Ce facteur, représenté par le béta ci-dessus, est la corrélation entre le rendement d’un titre et
celui du portefeuille de marché (RACICOT et THEORET, 2006).
Durant les années 70, ROSS (1976) a mis au point un autre modèle du risque basé sur
l’absence d’arbitrage, dénommé l’ «Arbitrage Pricing Theory » (ou APT). Dans la théorie du
CAPM, on supposait qu’il n’y avait qu’un seul facteur explicatif du risque de marché alors
que dans l’APT, le risque est un phénomène multidimensionnel pouvant s’expliquer par
plusieurs facteurs. Le modèle APT est donc un modèle multifactoriel où le risque de marché
est décomposé en plusieurs sources du risque. La formule développée par ROSS (1976) est la
suivante:
R ! = α! + β!" F! + β!" F! + ⋯ + β!" F! + ε! (2)
où Ri représente le rendement du titre, βki est la sensibilité du titre i aux différents facteurs Fk
qui représentent les facteurs communs influençant la rentabilité de tous les titres et le ε!
représente le terme d’erreur. L’idée de l’APT est le fait qu’il peut exister des facteurs
communs aux rendements des titres mais la principale faiblesse de ce modèle est la non-
connaissance de ceux-ci (RACICOT et THEORET, 2006).
9
Selon les modèles CAPM et APT, le risque spécifique d’une firme est facilement
diversifiable et il n’est donc pas pertinent de le prendre en compte afin de déterminer les
rendements attendus d’un titre, quel que soit le modèle utilisé. De plus, chacun de ces deux
modèles ainsi que le modèle de FAMA et FRENCH (développé ci-dessous) relient le
rendement espéré au risque pris par un investisseur.
Un autre modèle pour mesurer le risque de marché a été développé par FAMA et
FRENCH en 1992. Ce modèle n’est pas un modèle mono factoriel comme le CAPM mais il
contient trois facteurs : le rendement d’un indice de référence, le rendement supplémentaire
d’un portefeuille contenant des actions de petites capitalisations par rapport à un portefeuille
composé d’actions venant de grosses capitalisations et le rendement supplémentaire d’un
portefeuille contenant des actions de valeur ( « value stock » en anglais) par rapport à un
portefeuille composé d’actions de croissance (« growth stock » en anglais).
En voici l’expression mathématique (FAMA et FRENCH, 1992) :
E(R ! ) – R ! = β!" (E(R ! ) − R ! ) + β!" E(SMB) + β!" E(HML) (3)
où Ri représente le rendement du titre et Rf le rendement d’un actif sans risque. Le terme

« E(Rm)-Rf » représente la prime de risque du marché, SMB est la différence entre les
rendements d’actions à faible capitalisation boursière et ceux à grande capitalisation et HML
est la différence entre le rendement d’actions de valeur et le rendement d’actions de
croissance. Enfin, les bêtas sont les facteurs de sensibilité du rendement du titre i à ces
différentes variables.
Depuis Markowitz, toutes les méthodes d’évaluation du risque de marché développées
ci-dessus sont des mesures que nous pouvons appeler des mesures « rendement-risque », ce
qui signifie qu’il n’est pas possible de dissocier l’un sans l’autre. En effet, ces méthodes
reposent sur une évaluation correcte du risque afin de déterminer correctement le prix d’un
actif financier, si bien qu’elles ne mesurent pas le risque de marché à proprement parler.
Par conséquent, pour remédier à ces manquements, les agents économiques ont
développé une mesure du risque de marché qui se focalise uniquement sur ce risque et ne
prend plus en compte le rendement espéré. C’est à ce moment-là, au début des années 90,
qu’une nouvelle mesure du risque de marché (appelée la Value-at-Risk) a fait son apparition
au sein des marchés financiers. Le chapitre suivant va développer en détails ses principes, ses
avantages mais également ses limites.
10
Chapitre 2 : La Value-at-Risk
Section 2.1 : Définition générale
Selon les deux auteurs MANGANELLI et ENGEL (2001), le risque de marché est le
plus éminent de tous les risques puisqu’il reflète une perte potentielle économique provoquée
par la diminution de la valeur de marché d’un portefeuille. La Value-at-Risk, dénommée par
la suite VaR, est devenue la mesure standard pour quantifier ce risque. Cela a permis de
favoriser les échanges entre professionnels du secteur financier et que les comportements des
agents évoluant sur les marchés financiers soient mieux compris (Banque de France, 2005).
La Value-at-Risk, par définition, est l’évaluation de la perte potentielle maximale que nous
pouvons avoir sur un actif financier, ou sur un portefeuille, durant une certaine période et
avec une probabilité donnée (MANGANELLI et ENGEL, 2001). En d’autres termes, la VaR
correspond au montant des pertes qui ne devraient pas être dépassées à un niveau de confiance
donné et sur un horizon temporel donné (JORION, 2007). A titre d’exemple, si la VaR d’une
période de 10 jours à un niveau de confiance de 99% est à 5 millions d’euros, cela signifie
qu’il y a 99 chances sur 100 de ne pas avoir une perte de plus de 5 millions d’euros sur 10
jours consécutifs (Banque de France, 2005).
Il faut savoir que la Value-at-Risk s’est d’abord développée dans le secteur des
assurances à la fin des années 80 (JORION, 2007). Ensuite, deux évènements majeurs ont
permis à la VaR de se développer sur les marchés financiers et un troisième évènement a
amené le développement de cette mesure du risque au sein des grosses entreprises
américaines. Le premier évènement très important s’est déroulé sur internet, où la banque
d’affaires JP Morgan a décidé d’introduire gratuitement le modèle RiskMetrics en 1994 et de
le rendre disponible pour tous. Ce dernier fournissait toutes les données et toutes les
procédures à suivre nécessaires pour calculer la VaR d’un portefeuille. Dès lors, beaucoup
d’autres établissements financiers et des grosses entreprises ont décidé d’utiliser le modèle
proposé par JP Morgan. Ensuite, le deuxième évènement important s’est déroulé en 1995,
année durant laquelle des réunions entre les différents représentants des banques centrales des
dix grandes économies de l’Ouest se sont déroulées. Ceux-ci ont proposé un texte, l’accord de
Bâle II, qui impose aux institutions financières de disposer de fonds propres proportionnels
aux risques qu’elles prennent. Le texte, qui a été adopté officiellement en 2004, impose, entre
autres, aux banques d’avoir un capital réglementaire pour faire face aux risques de marché et
ce capital doit être calculé selon la méthode de la Value-at-Risk. Ensuite, la VaR a eu de plus
en plus de succès pour évaluer le risque de portefeuilles institutionnels ou individuels. En
11
effet, elle permet d’évaluer les risques de type asymétrique comme, par exemple, pour les
options pour lesquelles les mesures traditionnelles du risque (comme le béta ou l’écart-type)
ne peuvent pas prendre en compte ce type de risque de manière optimale (RACICOT et
THEORET, 2006). Le troisième évènement a eu lieu en 19971. A cette époque, une décision
de la Securities Exchange Commission, qui est l’organisme fédéral américain de
réglementation et de contrôle des marchés financiers, a permis l’expansion de la VaR parmi
les entreprises américaines. En effet, elle s’est rendu compte qu’un nombre important
d’entreprises américaines disposait de produits dérivés hors bilan. Elle a donc décidé de
proposer trois solutions aux entreprises afin qu’elles communiquent leurs risques associés aux
instruments dérivés. Les entreprises pouvaient soit choisir entre un tableau représentatif des
produits dérivés avec leur valeur de marché, soit une mesure de la sensibilité ou encore la
Value-at-Risk. C’est pour cette raison que dans de nombreux rapports annuels de grandes
entreprises comme Microsoft par exemple, se trouvent des calculs de VaR.
Un autre élément expliquant également la popularité de la Value-at-Risk est son concept
très simple puisque la VaR prend en compte le risque de marché associé à chaque portefeuille
et le réduit en un seul nombre, ce dernier étant la perte associée à un certain niveau de
probabilité et pour une durée déterminée (MANGANELLI et ENGEL, 2001).
La VaR peut être utilisée par différents agents (JORION, 2007). Tout d’abord, celle-ci
peut être utilisée par les institutions financières, ce qui leur permet de surveiller le risque
auquel elles font face et d’optimiser leurs portefeuilles. Ensuite, les régulateurs utilisent
également la VaR pour surveiller l’exposition des banques en contrôlant leurs capitaux
propres disponibles et en vérifiant que ces derniers soient suffisants pour que les institutions
bancaires puissent être capables de faire face à leurs engagements. Si ses capitaux ne sont pas
suffisants lorsqu’un évènement rare mais grave se passe, alors l’institution financière pourrait
se retrouver dans une situation où elle est incapable de faire face à ses engagements. Par
contre, si elle détient trop de capitaux, alors cela se fera ressentir sur sa profitabilité. C’est
pour cette raison qu’il est très important de bien estimer le risque sous-jacent. Enfin, les
multinationales utilisent également cette mesure du risque afin de quantifier l’exposition au
risque de la société.
La VaR est essentiellement utilisée pour calculer le risque de marché (Banque de
France, 2005). Néanmoins, elle peut être utilisée par les établissements de crédit par exemple
1
http://www.lesechos.fr/formations/risques/articles/article_7_3.html
2
http://www.stoxx.com
3
http://www.djindexes.com/ et http://www.relbanks.com/top-us-banks/market-cap
12
pour mesurer l’ensemble de leurs risques, notamment ceux relatifs aux crédits ainsi que les
risques opérationnels.
La Value-at-Risk est devenue, aujourd’hui, un paramètre très important qu’il faut
prendre en compte lors de prises de décision stratégiques. C’est pour cette raison que les
gestionnaires de portefeuilles l’utilisent de manière active. En effet, leurs décisions
d’investissement ont pour but d’optimiser le rendement de leurs portefeuilles tout en réduisant
leurs risques, ces derniers étant calculés par la VaR (Banque de France, 2005). La VaR peut
être également utilisée de façon passive étant donné que c’est un indicateur de risque global.
En effet, elle résume le risque global en un seul chiffre et est simple à interpréter. Enfin, cette
mesure du risque de marché est également utilisée de manière défensive. Ceci signifie que
lorsque le calcul de la VaR est effectué, les investisseurs cherchent à ne pas être trop exposés
au risque et cela permet de déterminer les positions limites qui seront imposées soit aux
traders ou aux départements en question.
Section 2.2 : Définition statistique
Statistiquement, la VaR définie pour un taux de couverture α correspond au quantile

d’ordre α de la distribution de profits et de pertes associée à la détention d’un actif ou d’un
portefeuille d’actifs sur une période donnée (JORION, 2007). Ainsi, la VaR correspond à une
valeur négative mais par convention, elle est exprimée comme ayant une valeur positive ce
qui fait que la VaR est égale à l’opposé du quantile de la distribution de pertes et profits
(HURLIN, 2006) :
VaR (α) = −F !! (α) (4)
où F () est la fonction de répartition associée à la fonction de densité f() et mesure la

probabilité qu’une variable soit plus petite que la valeur du seuil. Si la fonction de répartition
est connue, la Value-at-Risk peut en être déduite immédiatement mais elle n’est jamais
connue en général. Par conséquent, des méthodes sont nécessaires afin d’estimer la
distribution des rendements (ce qui permettra d’estimer ensuite la fonction de répartition)
permettant de calculer la VaR et elles seront présentées aux sous-sections 2.3.2 et 2.3.3.
A la page suivante, se trouve un graphique permettant de mieux visualiser le concept de
la VaR. Généralement, le taux de couverture α est fixé à 1 ou 5%. La VaR est donc la pire
perte sur une période donnée qui ne sera pas dépassée à un niveau de confiance égal à 1-α.
13
La mesure de la VaR reflète l’information qui se trouve dans la queue gauche de la
distribution des rendements d’un actif.
Graphique 1 : Distribution générale des pertes et profits
Source : Hurlin (2006)
D’après la définition se trouvant au début de cette section 2.2, nous pouvons remarquer
que la VaR d’un portefeuille dépend de trois choses : le taux de couverture α, la période de
détention de l’actif et la distribution de profits et de pertes durant la période de détention de
l’actif (JORION, 2007). Premièrement, le niveau de confiance, étant égal à 1 moins le taux de
couverture α, est un paramètre qui se trouve entre 0 et 1 (souvent 95% ou 99%) et qui permet
de vérifier la probabilité d’obtenir un rendement supérieur ou égal à la VaR. Par exemple, si
la distribution de profits et de pertes est une distribution normale (graphique 1 ci-dessus), la
Value-at-Risk pour un niveau de confiance de 95% (c'est-à-dire à un taux de couverture égal à
5%) est égale à -1.645. En d’autres mots, il y a 95 chances sur 100 que le rendement de l’actif
en question soit supérieur à -1.645 (HURLIN, 2006). Le deuxième concept important est la
période de détention de l’actif ou du portefeuille d’actifs. Les autorités de régulation peuvent
spécifier des horizons de détention spécifiques. A titre illustratif, les normes imposées par
Bâle II exigent que la VaR soit calculée par les banques sur une période de 10 jours ouvrables
et à un niveau de confiance de 99% (NOLAIN, SALHI et WERLE, 2007). Enfin, le troisième
concept important est la distribution de profits et de pertes nécessaire afin d’estimer la VaR.
Néanmoins, cette estimation n’est pas simple étant donné que les distributions de rendements
ne sont pas constantes au cours du temps. Les périodes calmes sont effectivement
caractérisées par une faible volatilité, ce qui signifie que la distribution des rendements est
plutôt centrée sur une valeur alors que celle-ci sera plus allongée en période de crise. Dans les
méthodes d’évaluation de la Value-at-Risk (pour plus de détails, voir sous-sections 2.3.2 et
2.3.3), il existe deux types de distribution de profits et de pertes : celle conditionnelle à de
l’information vu que cette information est incorporée dans le modèle permettant d’estimer la
14
distribution des rendements et celle non conditionnelle à de l’information qui suppose que son
estimation se fait sans incorporer quelconque information.
Avant de passer aux différentes approches de la VaR, il est nécessaire de rappeler
quelques notions importantes sur les rendements financiers. Tout d’abord, les pertes et profits
sont généralement caractérisés par le calcul du rendement géométrique suivant :
R ! = ln ((P! + D! ) / P!!! ) (5)
où Rt représente le rendement géométrique, Pt est la valeur du portefeuille ou de l’actif au

temps t, Dt représente le dividende perçu au temps t et Pt-1 équivaut à la valeur du portefeuille
(ou de l’actif) au temps t-1.
Ensuite, les rendements (Rt) d’un actif financier sont des variables aléatoires (par
définition, une variable aléatoire est une variable dont les résultats ne sont pas prévisibles)
continues, c'est-à-dire qu’ils peuvent prendre n’importe quelle valeur à l’intérieur d’un
intervalle donné. L’hypothèse classique qui est faite sur les rendements est le fait qu’ils
suivent un processus de diffusion avec drift dont l’équation est exprimée ci-dessous :
!"
!
= µμdt + 𝜎dW (6)
où S est le prix de l’actif, µdt est ce qu’on appelle la partie déterministe. Lorsque le temps
passe, le rendement sera de µ. La partie dW est l’accroissement Brownien, qui est un
processus Gaussien aléatoire à incréments indépendants, ce qui signifie qu’il n’y a pas de
liens au cours du temps entre les tirages. Et 𝜎dW est ce qu’on appelle la partie aléatoire. Au
plus l’écart-type 𝜎 (qui capture la dispersion autour de la moyenne) est important, au plus la
partie aléatoire est importante. D’après cette équation, nous pouvons remarquer que la
variation du prix d’un actif dépend à la fois d’une partie déterministe et d’une partie aléatoire.
Les séries temporelles financières sont considérées comme des réalisations de processus
stochastiques c’est-à-dire que chaque point d’une série financière peut être vu comme
l’observation d’une variable aléatoire. Nous pouvons remarquer que le rendement d’un actif
ne prend pas une ou deux valeurs, mais une infinité de valeurs. Chaque rendement, étant une
variable aléatoire, possède une espérance et une variance et est caractérisé par une distribution
de probabilité (qui est une fonction permettant de relier un intervalle de valeurs à sa
probabilité d’occurrence).
15
Section 2.3 : Modèles d’évaluation de la Value-at-Risk
Sous-section 2.3.1 : Introduction
Malgré le fait que la VaR soit un concept assez intuitif, son estimation ne fait pas
l’unanimité. En effet, il existe différents modèles d’estimation de la VaR et ceux-ci peuvent se
classer en différentes catégories (MANGANELLI et ENGEL, 2001) : paramétrique (comme
le modèle RiskMetrics), non-paramétrique (comme l’ « Historical Simulation » ou le modèle
hybride) et semi-paramétrique (comme l’ « Extreme Value Theory » ou encore la méthode
CAViaR). Même si différents modèles existent, ils suivent tous une structure générale
commune. Premièrement, il faut évaluer de manière réaliste la situation financière du
portefeuille, puis estimer la distribution des rendements du portefeuille et enfin, calculer la
VaR de ce dernier.
Puisqu’il existe différents modèles d’estimation de la Value-at-Risk, les résultats
peuvent différer fortement les uns des autres. Par exemple, Beder, en 1995, a appliqué huit
modèles différents de VaR à trois portefeuilles hypothétiques et les résultats ont montré des
différences significatives (MANGANELLI et ENGEL, 2001). De plus, toutes ces méthodes
d’estimation de la VaR varient surtout étant donné que les distributions des rendements sont
estimées de manière différente. C’est pour cela qu’avant d’en choisir une, il est primordial de
comprendre leurs hypothèses sous-jacentes ainsi que les techniques quantitatives utilisées
(JORION, 2007).
Il serait utile de rappeler rapidement les faits empiriques à propos des marchés
financiers puisque les différentes méthodologies découlent directement des données
financières (MANGANELLI et ENGEL, 2001). Ces faits empiriques sont au nombre de trois
et proviennent des travaux de Mandelbrot (1963) et Fama (1965). Tout d’abord, la
distribution des rendements financiers ne suit pas complètement une loi normale puisqu’ils
ont des queues plus épaisses et un pic de distribution plus haut. A ce moment-là, elle est
qualifiée de leptokurtique. Deuxièmement, elle est caractérisée par une asymétrie négative,
c'est-à-dire que la majorité des valeurs se retrouve du côté gauche de la distribution. Enfin, les
rendements financiers au carré sont corrélés significativement et par conséquent, il existe des
« clusters » de volatilité à travers le temps.
Dans les sous-sections suivantes, les trois grands modèles d’estimation de la Value-at-
Risk seront détaillés, ainsi que leurs avantages et leurs limites.
16
Sous-section 2.3.2 : Modèles non-paramétriques
Dans le cadre d’une VaR non-paramétrique, une infinité de paramètres sont utilisés pour
estimer la distribution de rendements vu qu’aucune hypothèse n’est faite sur celle-ci. En
d’autres termes, nous estimons chaque partie de la distribution et non pas toute la distribution
en une seule fois. Le modèle non-paramétrique le plus utilisé est l’ « Historical Simulation »
(JORION, 2007).
Il existe deux possibilités pour estimer la VaR selon l’ « Historical Simulation ».
Premièrement, elle peut être calculée à partir d’un échantillon fixe où les nouvelles
observations sont agrégées aux anciennes. Néanmoins, ce modèle est fort conservatif
puisqu’on ne prend pas en compte les évènements récents qui ont généralement un impact
plus grand que les évènements plus anciens. Deuxièmement, l’échantillon d’observations a
toujours la même taille et est décalé chaque fois qu’une nouvelle observation est prise en
compte, ce qui permet une meilleure représentativité de la situation économique. A ce
moment-là, l’« Historical Simulation » est basée sur le concept de fenêtres glissantes (en
anglais « rolling window ») (MANGANELLI et ENGEL, 2001).
La méthodologie de l’ « Historical Simulation » se décline en différentes étapes. Tout
d’abord, il faut choisir une fenêtre d’observations ayant généralement une taille comprise
entre six mois et deux ans. Lorsque celle-ci est choisie, les rendements du portefeuille sont
classés du plus petit au plus grand. Le quantile α qui nous intéresse est le rendement trouvé
qui laisse α% des observations du côté gauche de la distribution de pertes et profits. Prenons
un exemple pour illustrer ceci. Si nous considérons un niveau de confiance de 95% et que
nous disposons d’un échantillon de 1000 observations historiques de rendement, la Value-at-
Risk est donnée par la valeur du rendement qui correspond à la 50ème perte la plus forte.
Le grand avantage de ce modèle est le fait qu’il soit très simple et c’est pour cette raison
qu’il est fortement utilisé. Néanmoins, il présente quelques inconvénients. Tout d’abord,
l’hypothèse de distribution non conditionnelle identique est inadéquate (JORION, 2007). En
effet, nous supposons qu’il n’y a pas d’indépendance entre les observations, alors que, dans la
réalité, tous les rendements observés sont indépendants. De plus, l’hypothèse implicite de
l’ « Historical Simulation » selon laquelle tous les rendements ont la même distribution dans
la fenêtre de calcul est facilement critiquable et ce pour différentes raisons. Premièrement, il y
a des facteurs macroéconomiques et microéconomiques qui font que l’environnement change.
En effet, la distribution des rendements peut changer à travers le temps, pouvant être plus
allongée en période de crise (plus de risques) et plus centrée en période prospère (moins de
17
risques). Deuxièmement, l’estimateur du quantile est consistent seulement si la taille de la
fenêtre tend vers l’infini (MANGANELLI et ENGEL, 2001). Mais au plus la période est
longue, au plus l’hypothèse d’une distribution identique des rendements semble
complètement fausse. Un troisième problème se pose également et concerne la longueur de
l’intervalle de temps étudié. En effet, ce dernier doit être assez grand pour faire des
statistiques correctes mais il ne peut être trop grand afin d’éviter de prendre des observations
en dehors du cluster de volatilité. Par exemple, si on passe d’une période très peu volatile à
une période très volatile, l’estimation de la VaR sera biaisée vers le bas et si c’est le scénario
opposé qui apparaît, alors on aura tendance à calculer une VaR trop importante. Un quatrième
et dernier problème concerne la prédictibilité d’un saut important lors du calcul de la VaR. En
effet, si nous calculons la VaR d’un portefeuille en utilisant une fenêtre glissante de 180 jours
et que le rendement d’aujourd’hui est un large rendement négatif, il est facile de prédire que
l’estimation de la VaR augmentera à cause de cette dernière observation. L’effet inverse peut
se produire 180 jours après où cette large observation négative ne sera plus prise en compte
dans le calcul de la VaR et donc la valeur de la VaR sera plus petite.
Néanmoins, malgré l’estimation facile de l’« Historical Simulation », tous les problèmes
soulevés ont pour conséquence sa discréditation puisqu’elle ne peut pas être considérée
comme suffisamment fiable.
Un deuxième modèle non-paramétrique, qui a été introduit par Boudoukh, Richardson
et Whitelaw, en 1998, est l’approche hybride (MANGANELLI et ENGEL, 2001). Cette
approche utilise un mix de la méthodologie « RiskMetrics » et celle d’ « Historical
Simulation », en appliquant aux rendements passés des pondérations exponentielles
décroissantes. La méthodologie de l’approche hybride est composée de trois étapes.
Premièrement, il faut donner un poids aux K rendements les plus récents, sachant que la
somme des poids est égale à 1. Deuxièmement, les rendements sont classés par ordre
ascendant et enfin, pour trouver la VaR du portefeuille à un taux de couverture α %, il faut
sommer les poids correspondants jusqu’à ce que l’α % soit atteint, en partant du plus petit
rendement. La VaR du portefeuille est le rendement qui correspond au dernier poids utilisé
dans la somme précédente. La principale différence de ce modèle par rapport au premier est la
présence de pondérations des rendements alors que ces derniers présentent tous la même
pondération dans le modèle de l’« Historical Simulation ».
Il existe également d’autres méthodes non paramétriques qui dérivent de l’« Historical
Simulation » (JORION, 2007). La « Bootstrapped Historical Simulation » consiste à
reconstituer des échantillons à partir d’un échantillon de départ en péchant aléatoirement les
18
données. La VaR est calculée sur chaque échantillon puis une moyenne de toutes ces VaR est
effectuée. Cette méthode possède un double avantage : le résultat est moins influencé par des
valeurs extrêmes et les échantillons sur lesquels nous travaillons sont plus importants, ce qui
fait que les résultats sont plus précis.
Une autre méthode est la « Weighted Historical Simulation » où certains rendements
sont pondérés de manière plus importante que d’autres. Typiquement, les rendements les plus
récents seront plus pondérés que les rendements présents au début de l’échantillon
d’observations. Cela permet de prendre plus en compte les évolutions récentes du marché.
(JORION, 2007).
Sous-section 2.3.3 : Modèles paramétriques
La détermination de la VaR peut se faire également grâce à des méthodes

paramétriques, qui se distinguent des précédentes puisqu’ici, un nombre fini de paramètres est
utilisé afin d’estimer la distribution des rendements. Dans la littérature, ces méthodes sont
assez simples à calculer mais ne sont valables que sous un certain nombre d’hypothèses
pouvant être contraignantes. Le principe de la VaR paramétrique consiste, tout d’abord, à
postuler une distribution pour la série financière, à estimer ensuite les paramètres de celle-ci et
enfin à poser le taux de couverture α que l’on désire (JORION, 2007).
Les principaux modèles de VaR paramétrique font l’hypothèse d’une distribution
normale des rendements et leur méthodologie est simple. Après avoir postulé une distribution
pour la série financière, il faut ensuite en calculer les paramètres (qui sont l’espérance et la
variance dans le cas d’une distribution normale). Lorsque ceux-ci sont calculés, il ne reste
plus qu’à définir un quantile de cette distribution associé à une probabilité α %, ce qui
permettra d’estimer la VaR paramétrique pour un niveau de confiance étant égal à 1-α %.
Cette estimation est conditionnelle à toute l’information passée, ce qui signifie que nous
essayons de déterminer la distribution future en utilisant toute l’information passée. Les VaR
paramétriques, si nous supposons que la distribution de pertes et profits est une distribution
normale, se calculent selon la formule suivante :
Pr (R ! < −𝑉𝑎𝑅(𝛼)) = 𝛼

!"!! !!"# ! !!
Pr ( !
< !
) = α
!!"# ! !!
F( !
) = α
VaR ! (α) = − µμ − σ F !! (α) (7)
19
où l’estimateur de l’espérance conditionnelle est µ, l’estimateur de la variance conditionnelle
est 𝜎 et F-1(α) représente le quantile α de la distribution. Cette formule est uniquement valable
sous l’hypothèse que les rendements financiers suivent une loi normale d’espérance µ et de
variance σ² et si le terme d’erreur suit une loi normale (0,1) (JORION, 2007). Attardons nous
dès à présent sur l’estimation des deux paramètres d’une loi normale afin de pouvoir calculer
la VaR paramétrique.
Tout d’abord, afin de trouver l’espérance conditionnelle d’aujourd’hui, nous pouvons
utiliser le modèle AutoRégressif d’ordre 1 par exemple. Ce modèle dit que le rendement
d’aujourd’hui (en t) dépend du rendement d’hier (en t-1). Formellement, cela donne :
rt = Ø0 + Ø1 rt-‐1+ εt (8)
où ε t représente les chocs et suit une loi Normale (0, 𝜎²), Ø0 est une constante et représente la
moyenne conditionnelle de rt et enfin le coefficient Ø1 permet de faire le lien entre le
rendement passé et le rendement présent. Un des faits stylisés en finance empirique est le fait
qu’il n’y a pas de corrélation entre les rendements d’aujourd’hui et ceux du passé, ce qui veut
dire que les rendements ne dépendent uniquement des chocs (également appelés « bruits »).
De plus, si les marchés sont complètements efficients, l’espérance de la moyenne est donc
nulle (JORION, 2007).
Deuxièmement, la variance conditionnelle (c'est-à-dire la variance qui dépend du
passée), peut être estimée selon plusieurs modèles. Les trois modèles principaux sont les
modèles ARCH, GARCH et « RiskMetrics ». Le modèle de type ARCH(1)
(« AutoRegressive Conditional Heteroskedasticity ») a été développé par Engle en 1982
(MANGANELLI et ENGEL, 2001) et définit la variance comme ceci :
σ2t = α0 + α1 ε2t-‐1 (9)
où α1 > 0 ∀i et α1 <1. Ce modèle permet de décrire le lien entre la variance d’aujourd’hui et

les termes d’erreurs du passé. Ceci montre bien, d’une part, que la variance des rendements
change au cours du temps et d’autre part, qu’elle est liée à de l’information passée.
Le modèle GARCH (1,1) (la lettre G est utilisée pour « Generalized »), quant à lui, a été
introduit en 1986 par Bollerslev et ajoute un paramètre autorégressif à l’équation de la
variance conditionnelle du rendement. Il s’exprime donc comme suit :
20
𝜎²t = α0 + α1 ε ²t-‐1 + β1 𝜎²t-‐1 (10)
où tous les coefficients (α et β) doivent être positifs car la variance ne peut jamais être
négative. De plus, la somme des α et des β doit être inférieure à 1. Selon le modèle GARCH
(1,1), la variance d’aujourd’hui dépend à la fois des termes d’erreurs du passé, ε ²t-1 dans
l’équation, (identique au modèle ARCH (1)) mais également de la variance passée, 𝜎²t-1. Le
terme autorégressif, β1 𝜎²t-1, a été ajouté en complément du modèle initial ARCH (1) et il
permet de capturer la volatilité passée, ce qui permet de faire le lien entre la variance
d’aujourd’hui et la variance passée. Le modèle GARCH (1,1) a donc une mémoire plus
longue et utilise un nombre limité de paramètres.
Le modèle GARCH(1,1) possède deux hypothèses importantes (MANGANELLI et
ENGEL, 2001). Tout d’abord, la première selon laquelle les résidus standardisés sont
distribués indépendamment et identiquement. La deuxième hypothèse est la spécification de
la distribution du terme d’erreur ε, la distribution normale étant choisie. Ces hypothèses sont
faites afin de pouvoir estimer les paramètres inconnus. Ces modèles d’estimation de la
variance conditionnelle se déroulent en trois étapes distinctes : la spécification d’un modèle,
le choix d’une loi pour le terme d’erreur et l’estimation des paramètres de la loi par maximum
de vraisemblance (JORION, 2007).
Enfin, le modèle « RiskMetrics » est également un modèle de variance et a été introduit
sur le marché par la banque d’affaires américaine, JP Morgan. Ce modèle reprend une
formule similaire au modèle GARCH (1,1) :
ht = λh + (1− λ)r²t-1
τ−1 (11)
où ht représente la variance conditionnelle, fixant habituellement le paramètre λ à 0.94 ou

0.97. Cette méthode est nettement plus simple à utiliser puisqu’il n’est pas nécessaire de
calculer les paramètres, contrairement aux autres méthodes. Elle suppose également que les
résidus standardisés soient normalement distribués (MANGANELLI et ENGEL, 2001).
Le grand désavantage de ces méthodes d’estimation est leur sous-estimation du calcul
de la VaR parce que l’hypothèse de normalité des résidus standardisés ne semble pas être
cohérente avec le comportement des rendements financiers puisque les rendements suivent en
général une loi leptokurtique et pas une loi normale. De plus, il pourrait y avoir également
trois sources différentes d’erreurs de spécification : la spécification de l’équation de la
21
variance ainsi que la distribution choisie peuvent être fausses, et les résidus standardisés ne
sont peut-être pas distribués indépendamment et identiquement. Le principal avantage de
celles-ci est le fait que toute la distribution est connue en ne calculant qu’un nombre fini de
paramètres. Ces méthodes peuvent être améliorées en évitant de prendre en compte
l’hypothèse de distribution normale des rendements (MANGANELLI et ENGEL, 2001).
Sous-section 2.3.4 : Modèles semi-paramétriques
Il existe également des méthodes d’estimation de la VaR qui se trouvent entre les
modèles paramétriques et les modèles non-paramétriques. Le premier grand ensemble des
modèles semi-paramétriques est celui qui relève de la Théorie des Valeurs Extrêmes
(MANGANELLI et ENGEL, 2001). Cette théorie est différente de la théorie habituelle
puisqu’elle ne tient pas en compte des tendances centrales mais plutôt de ce qui se passe dans
les extrémités des distributions de profits et de pertes.
La deuxième grande catégorie de modèles semi-paramétriques est l’approche par
régression de quantiles introduite par Koenker en 1978 et dont l’exemple le plus connu est la
méthode CAViaR (HURLIN, 2006). Cette approche consiste à modéliser directement
l’évolution du quantile au cours du temps (au lieu de modéliser la distribution des
rendements) et d’en déduire ensuite le quantile (c'est-à-dire la Value-at-Risk). Elle sera
explicitée au chapitre 6, section 6.3 vu qu’elle sera utilisée pour notre étude empirique.
Une autre méthode semi-paramétrique qui est très connue est la méthode de Monte
Carlo (HURLIN, 2006). Dans ce cas-ci, la distribution des rendements de l’actif est estimée
grâce à la génération de scénarios aléatoires basés sur les observations historiques des
rendements et un certain nombre d’hypothèses. Lorsque les simulations sont faites, il est dès
lors possible de déduire une distribution de pertes et de profits à partir de laquelle un fractile
pourra en être déduit. Ces méthodes sont souvent utilisées en pratique à condition que l’on
suppose que les variations relatives des paramètres de marché suivent des lois normales. Cette
méthode est un outil très précieux mais qui est très couteux en temps et en calculs, vu que le
nombre d’itérations nécessaires est important.
22
Section 2.4 : Avantages et limites de la Value-at-Risk
Sous-section 2.4.1 : Avantages de la VaR
DOWD (2005), dans son ouvrage, montre bien que le concept de la Value-at-Risk est
un progrès apporté à la théorie de portefeuille. En effet, alors que la théorie de portefeuille
interprète le risque en termes d’écart-type, la VaR le considère comme une perte potentielle
maximale. De plus, le concept de VaR est beaucoup plus général puisque différentes
distributions peuvent être estimées alors que l’hypothèse de la théorie de Markowitz suppose
que les rendements financiers suivent une distribution normale. La VaR, en plus d’être
utilisée pour estimer le risque de marché, peut également être utilisée pour estimer le risque
de crédit, de liquidité ou encore le risque opérationnel alors que la théorie de portefeuille est
uniquement utilisée pour estimer le risque de marché.
Un autre avantage de la VaR est sa simplicité au niveau de son explication. En effet, vu
qu’à la fin de son calcul apparait un seul nombre, il est facile d’expliquer à des gens venant du
monde de la finance ou non, ce que ce chiffre représente peu importe la méthode utilisée.
La Value-at-Risk offre la possibilité de mesurer le risque d’un portefeuille contenant
différentes positions et de combiner plusieurs facteurs de risque ainsi que de mesurer leur
interaction, ce qui favorise la diversification des portefeuilles (BANQUE de FRANCE, 2005).
Des portefeuilles qui sont diversifiés ont en général des VaR plus faibles contrairement à des
portefeuilles qui ne seraient pas diversifiés.
Grâce à la VaR, il est également possible de mesurer et de comparer les VaR de
différents types d’actifs (comme des actions, des obligations, des produits dérivés…). En
faisant cela, les banques ont la possibilité de comparer la profitabilité attendue ainsi que le
risque des différents départements de l’institution financière.
Les banques jouent un rôle primordial dans le système financier mais également dans
l’économie puisque celle-ci est de plus en plus financiarisée (Banque de France, 2005). Dès
lors, les mesures de VaR permettent à tout un chacun d’avoir des informations pertinentes sur
les risques de marché pris par les établissements financiers.
Sous-section 2.4.2 : Limites de la VaR
Venons en maintenant aux limites concernant la méthodologie de la Value-at-Risk.

Premièrement, une limite importante est le fait qu’elle ne s’intéresse pas aux valeurs
extrêmes, au-delà du seuil de confiance (Banque de France, 2005). Dès lors, il peut arriver
que deux portefeuilles possèdent une même VaR mais qu’un des deux génère une perte plus
23
importante que l’autre, la VaR ne donnant aucune information sur ce détail significatif. Le
gros problème de la VaR c’est qu’elle ne nous dit pas exactement combien une institution
financière peut perdre puisque il peut arriver que la perte soit plus grande que la VaR prédite.
En effet, si nous prenons un taux de couverture de 99%, cela signifie que dans un pourcent
des cas, la perte sera potentiellement plus grande que la VaR prédite, ce qui a pour
conséquence que nous ne connaissons pas la perte maximum possible uniquement en
calculant la VaR. Cette situation peut mener à un faux sentiment de sécurité.
Ensuite, la zone contenant les valeurs extrêmes est une zone délicate puisque la stabilité
des corrélations entre actifs (lorsque le calcul de VaR utilise les corrélations entre actifs à
travers la matrice variance/covariance) peut être remise en question, surtout au-delà du seuil
de confiance. Il est donc parfois nécessaire de mettre au point des scénarii, appelés « stress-
tests », qui permettent d’évaluer les risques en période de crise (Banque de France, 2005).
Lorsqu’il y a des problèmes de liquidités sur les marchés financiers, cela peut amplifier
les tensions entre les agents économiques ainsi que le risque de pertes (si une banque a besoin
de liquidités rapidement et qu’elle n’arrive pas à emprunter auprès d’autres banques, alors elle
va vendre rapidement ses actifs à un prix peu élevé). Néanmoins, la VaR ne prend pas en
compte une modification de la liquidité sur certains marchés (Banque de France, 2005).
Une quatrième critique qui peut être adressée sur la méthodologie de la Value-at-Risk
concerne la validité ou non des hypothèses statistiques utilisées dans les modèles de VaR
paramétrique par exemple. Les hypothèses ne sont pas toujours vérifiées mais elles sont faites
afin de simplifier les calculs (DOWD, 2005).
Cinquièmement, ce même auteur met en avant le problème de la diversité des résultats
selon le modèle de Value-at-Risk utilisé. En effet, les résultats peuvent être forts divergents
d’un modèle à un autre et c’est ce manque de précision qui est fortement critiqué. Si une
mesure de VaR est trop inexacte et que les investisseurs l’utilisent, ils pourraient devoir faire
face à des risques supérieurs à ce qui était attendu et perdre beaucoup plus que ce qui était
estimé. Cette variété de modèles ne facilite pas du tout l’interprétation des montants de VaR
ni la comparaison des VaR entre elles (Banque de France, 2005).
Toutes ces méthodes suivent la même procédure de transformation des données
historiques en une distribution de rendements potentiels et de là elles déterminent la perte
potentielle au portefeuille à partir d’une probabilité qu’un mauvais évènement se passe.
Néanmoins, il est nécessaire de ne pas oublier que le passé, en aucun cas, ne peut pas prédire
les évènements du futur.
24
Les méthodes de VaR ne tiennent également pas compte de la rentabilité obtenue sur les
positions prises par les traders (Banque de France, 2005). En effet, il pourrait y avoir une
augmentation de la VaR, celle-ci ne signifiant pas nécessairement que les risques sont plus
élevés si une amélioration de la rentabilité ex-post est plus importante que l’augmentation de
la VaR (mesure du risque faite ex-ante).
En fin de compte, JU et PEARSON (1999) mettent en avant un autre problème relatif à
la méthodologie. Si les mesures de VaR sont utilisées pour contrôler ou pour rémunérer la
prise de risque, les traders auront un incitant à rechercher des positions où le risque est
surestimé ou sous-estimé. Dès lors, ils pourraient prendre plus de risque que suggéré par les
mesures de VaR et ces dernières seraient biaisées vers le bas. DOWD (2005) critique une fois
de plus la VaR comme étant un élément qui peut déstabiliser tout le système financier.
D’autres limites autres que méthodologiques existent également. Tout d’abord, lorsque
les banques publient leur VaR, ces dernières ne sont soumises à aucune norme de présentation
commune et la fréquence de publication est variable (certaines banques publient leur VaR
trimestriellement et d’autres annuellement). Les VaR publiées peuvent être des VaR à 1 jour
ou à 10 jours. Dans la théorie, il est facile de passer des VaR à un jour à des VaR à 10 jours et
vice-versa grâce aux hypothèses de fonction de distribution gaussienne. Mais cette hypothèse
n’est pas toujours remplie (Banque de France, 2005).
De plus, les données publiées par les banques ne sont pas souvent homogènes (Banque
de France, 2005). En effet, parfois la VaR globale est donnée, parfois une VaR qui est
décomposée par différents facteurs de risque est donnée. Parfois, elle peut être moyenne ou
cela peut être la dernière VaR calculée. Tout cela dépend de la politique de communication de
chaque établissement. En effet, chaque établissement a le droit le choisir les informations qui
seront publiées et cela peut changer au cours du temps. Il arrive que certains établissements
publient leur VaR ainsi que le « backtesting » (qui est une méthode qui consiste à vérifier que
les pertes éventuelles ex post sont inférieures ou égales aux chiffres de VaR calculés ex ante)
durant certains trimestres, puis décident de ne plus publier trimestriellement ou de ne plus
publier le backtesting par exemple. Afin de mieux contrôler les risques pris par les
établissements financiers, les régulateurs devraient mettre en place un système de publication
homogène de la Value-at-Risk où chaque établissement serait contraint de fournir les mêmes
informations concernant ses prises de risque.
Troisièmement, les organisations financières peuvent utiliser n’importe quel modèle de
VaR vu qu’il n’y a pas une obligation de publication d’un certain modèle par rapport à un
autre. Certains établissements préfèrent calculer des VaR plus globales prenant en compte les
25
effets de diversification alors que d’autres préfèrent calculer les VaR sur des sous-
portefeuilles. Elles sont également publiées selon des paramètres d’activités variables d’un
établissement à l’autre ainsi que dans le temps (Banque de France, 2005).
Enfin, quand il faut procéder de façon plus compliquée, il faut prêter autant d’attention
à la fiabilité des hypothèses et des calculs qu’à l’exposé des résultats. Si l’on recourt à un
« logiciel-boîte noire », il faut bien en maîtriser les principes opératoires pour pouvoir en
expliciter clairement le sens. Face à la complexité croissante des instruments financiers, le
calcul d’une VaR bien pensée et bien argumentée peut faciliter le dialogue entre la trésorerie
et la direction générale, ainsi que la communication financière vis-à-vis des partenaires
financiers (banques, analystes financiers, actionnaires, agences de notation,…).
Après avoir introduit le risque de façon très générale, l’évolution des principales
mesures du risque avant l’apparition de la mesure reine (la VaR) ainsi que cette dernière, la
suite de ce mémoire va s’articuler sur une problématique majeure qui subsiste depuis une
quinzaine d’années : le phénomène de contagion. En effet, pour avoir une bonne mesure du
risque d’un actif ou d’un portefeuille composé d’actifs, il est essentiel de prendre en compte le
phénomène de contagion : un actif A (ou portefeuille) détenu par un investisseur pourrait être
directement influencé par un actif B(ou portefeuille), bien que ces deux actifs ne soient pas
forcément les mêmes. Le chapitre suivant a pour objectif de présenter les concepts de
contagion et de risque systémique mais également les chaînes de propagation ainsi que les
causes de ce phénomène de plus en plus important dans le monde financier.
26
Chapitre 3 : La contagion et le risque systémique
Vu que le phénomène de contagion financière ne date pas de plusieurs décennies,

beaucoup d’auteurs l’ont défini selon leurs propres termes et il existe clairement un manque
de consensus autour d’une définition claire de ce phénomène et de ses principes clés.
Néanmoins, le but de ce chapitre est d’essayer de présenter une revue de la littérature la plus
exhaustive et la plus pertinente possible en faisant référence aux auteurs pionniers.
Avant de définir ce qu’est exactement la contagion, revenons un petit peu en arrière.
Pendant de nombreuses années, le terme contagion ne faisait principalement référence qu’au
domaine médical. Mais c’est durant le mois de juillet de l’année 1997 que la contagion
financière va prendre réellement son sens d’après CLAESSENS et FORBES (2001) (ces
mêmes auteurs ont écrit le premier ouvrage important sur la contagion dénommé
« International Financial Contagion »). A cette époque, la Thaïlande s’est retrouvée prise au
piège avec son système de « currency pegs » puisque sa monnaie était liée à plusieurs autres
monnaies dont un dollar particulièrement fort. Dès lors, le pays n’était plus capable d’exporter
autant de produits que ses concurrents voisins, ce qui eut comme conséquence un déficit de sa
balance commerciale et des pressions baissières sur sa monnaie. Au début, le gouvernement
refusa de céder aux pressions exercées principalement par les managers de fonds spéculatifs
(par exemple, George Soros a vendu à découvert pour deux milliards de dollars de la monnaie
thaïlandaise). En gardant des taux d’intérêt suffisamment hauts, il pensait pouvoir continuer à
attirer des capitaux étrangers dans le pays. Cette crise monétaire a eu des répercussions à
travers toute l’Asie de l’Est (récession au Japon par exemple) mais également en Russie, qui
imposait des taux d’intérêts exorbitants pour éviter un exode des capitaux étrangers, ainsi
qu’au Brésil. Même les marchés développés d’Amérique du Nord et d’Europe ont été
contaminés par cette crise monétaire puisque la volatilité des actions a augmenté durant cette
période. Suite à cela, un fond spéculatif important dénommé Long Term Capital Management
s’est vu obligé de demander l’aide de la banque centrale de New-York puisque la contagion
de la crise l’avait affecté (MALLABY, 2010).
Il est nécessaire de clarifier ce concept de contagion financière puisqu’il est souvent
utilisé à tout va, sans réellement comprendre ce qu’il y a en-dessous. A titre illustratif, il y a
eu la dévaluation du rouble russe en 1998 et durant le mois suivant, la bourse brésilienne a
perdu plus de 50 %. Beaucoup de personnes seraient d’accord pour dire que cette chute de la
bourse brésilienne est due à la contagion même si cette baisse importante n’est pas
27
nécessairement due au phénomène de contagion (CLAESSENS et FORBES, 2004), ce qui
montre bien toute la difficulté à définir ce concept. Si aucune explication cohérente n’est
avancée pour expliquer cette baisse du marché boursier brésilien, nous pouvons dire que cette
baisse est due à la contagion, celle-ci étant vue comme le mouvement d’actifs financiers non
provoqué par le changement des fondamentaux de l’économie.
De plus, le phénomène de contagion est un phénomène très difficile à étudier puisque
les données ne sont pas toujours accessibles. Il existe effectivement peu de faillites de grandes
banques pouvant avoir une conséquence sur l’ensemble du système financier ainsi que sur
l’économie toute entière (IYER et PEYDRO, 2010). Ceci s’explique par le rôle des
gouvernements mais également des régulateurs qui n’hésitent pas à secourir de larges
établissements financiers afin d’éviter la contagion à l’ensemble de l’économie (phénomène
du « too big to fail »).
Section 3.2 : Définition générale de la contagion et du risque systémique
Définissons maintenant la contagion de la manière la plus large possible. Elle peut être
définie comme l’occurrence d’un choc (également appelé perturbation) sur un ou plusieurs
marchés, dans un ou plusieurs pays, ou bien pour une ou plusieurs institutions ainsi que la
propagation de ce choc aux autres marchés, pays ou institutions (PRITSKER, 2001). Dans la
littérature, se trouvent deux types d’auteurs qui proposent une définition différente de la
contagion : celle au sens étroit et celle au sens large.
D’un côté, il semble y avoir un consensus sur la définition de la contagion au sens
étroit. En effet, la plupart des auteurs sont d’accord pour dire que lorsque deux économies
sont situées dans des régions géographiques différentes, ont des structures différentes et ne
possèdent aucun lien direct, la propagation d’une crise d’une économie à une autre est la
contagion au sens étroit (FORBES et RIGOBON (2001) l’appellent « shift contagion »),
également appelée contagion pure. Cette dernière peut être associée à deux facteurs : le
comportement des investisseurs qui n’hésitent pas à mimer ce que font les autres investisseurs
(ce phénomène est appelé le mimétisme) et la panique financière où les actifs financiers sont
nettement plus corrélés entre eux (CLAESSENS et FORBES, 2004).
Par contre, il semble y avoir bon nombre de désaccords pour savoir si le terme
contagion doit prendre en compte la diffusion de turbulences sur les marchés financiers entre
deux pays relativement proches grâce à leurs liens commerciaux et/ou financiers. Dans ce cas-
ci, on parle de contagion au sens large et cette dernière est justifiée par les fondamentaux et
correspond à un choc commun qui affecte plusieurs pays simultanément. Les chocs, qu’ils
28
soient identiques ou non, affectent de toute façon différentes économies puisque ces dernières
entretiennent des liens commerciaux et financiers les unes avec les autres (CLAESSENS et
FORBES, 2004). Il est également important de savoir que la plupart des gouvernements et des
décideurs internationaux préfèrent prendre en compte la contagion au sens large. Cette
définition prend en compte la vulnérabilité d’un pays aux évènements qui apparaissent dans
d’autres pays, peu importe si des liens, quels qu’ils soient, existent déjà entre ces pays.
A un niveau plus spécifique comme le niveau bancaire, GROPP, LO DUCA et
VESALA (2006) définissent la contagion bancaire comme étant la transmission d’un choc
affectant une banque ou un groupe de banques et la manière dont ce choc est transmis aux
autres institutions du secteur bancaire. Définie comme cela, elle est simplement un sous-
ensemble d’un concept plus large qu’est la crise systémique qui peut être définie comme le
résultat de la contagion bancaire ou de chocs communs qui affectent l’ensemble des banques
simultanément. Néanmoins, sa définition ne s’arrête pas au niveau bancaire mais est
également valable pour d’autres secteurs comme celui des assurances par exemple.
La contagion est largement perçue comme étant un élément important des crises
bancaires et du risque systémique. En effet, lorsque Lehman Brothers a fait faillite en
septembre 2008, les entreprises fortement exposées à la banque américaine ont dû faire face à
une baisse de liquidités ainsi qu’à une augmentation de l’asymétrie d’information. Il y avait
également de grandes pressions à la vente sur les titres financiers ayant un lien quelconque
avec la banque américaine, alors que les firmes qui n’étaient pas du tout exposées à Lehman
Brothers ne se sont pas retrouvées face à tant de pression (CHAKRABARTY et ZHANG,
2010). Néanmoins, les résultats obtenus par ces deux auteurs montrent que les firmes non
exposées ont également souffert, dans une moindre mesure, d’une détérioration de la liquidité
même si elles n’avaient aucun lien avec la banque d’affaires américaine.
Vu que la contagion bancaire est un sous-ensemble du risque systémique, il est
nécessaire de le définir. Les deux premiers auteurs ayant fait un travail conséquent sur le
risque systémique sont DE BANDT et HARTMANN (2000) et ils ont défini un évènement
systémique sous deux facettes. Premièrement, un évènement systémique au sens étroit est une
situation dans laquelle apparaissent des effets négatifs sur une ou plusieurs institutions
financières ou sur un ou plusieurs marchés (comme une faillite ou un crash par exemple)
après la divulgation de mauvaises nouvelles à propos d’une institution financière ou d’un
marché (on parle alors d’un effet domino). Deuxièmement, un évènement systémique au sens
large est une situation dans laquelle des chocs plus sévères et plus larges peuvent avoir des
effets simultanés et négatifs sur un très grand nombre d’acteurs financiers.
29
Selon cette terminologie, DE BANDT et HARTMANN (2000) définissent une crise
systémique comme étant un évènement systémique qui affecte négativement et de manière
importante un nombre considérable d’entreprises financières ou marchés financiers, ce qui a
pour conséquence la mise à mal de tout le fonctionnement du système financier. Dès lors, le
risque systémique est donc le risque de devoir faire face à des évènements systémiques
importants. Ces derniers sont considérés comme importants dans deux situations : si les
institutions financières affectées tombent en faillite après le choc initial, bien qu’elles soient
solvables avant ce choc, ou si les marchés financiers se crashent alors que cela ne se serait pas
déroulé s’il n’y avait pas eu de choc initial.
De plus, le risque systémique possède trois dimensions importantes : la sévérité des
évènements systémiques, leur probabilité d’occurrence ainsi que l’impact des évènements
systémiques du domaine financier sur les autres secteurs de l’économie.
Dans cette définition du risque systémique, se trouvent deux éléments clés : les chocs et
les mécanismes de propagation. D’un côté, les chocs peuvent être idiosyncratiques, c'est-à-
dire qu’au début, ils n’affectent qu’une seule institution financière ou qu’un seul actif
financier (définition au sens extrême). A l’opposé, il y a les chocs systématiques qui, eux,
affectent l’ensemble de l’économie ainsi que toutes les institutions financières (DE BANDT
et HARTMANN, 2000). Le deuxième élément clé se trouvant au cœur du concept de risque
systémique est la propagation des chocs à travers le système financier. Dans la section
suivante, les différents canaux de la contagion au sein des marchés bancaires et financiers
seront expliqués.
Section 3.3 : Les différents canaux de la contagion
Après avoir introduit les concepts de contagion financière et de risque systémique,

venons en maintenant aux différents canaux de la contagion afin de comprendre comment elle
peut se transmettre. Selon FORBES et RIGOBON (2001), il existe des canaux qui ne
dépendent pas de la crise (on parle de théorie de contagion non contingente). Il existe
également des canaux dont l’existence et l’activité sont conditionnées par la crise (on parle
alors de théorie de contagion contingente), ce qui signifie que les mécanismes de transmission
de la crise changent durant une crise ayant pour conséquence une augmentation des liens entre
les différents marchés après un choc initial.
Premièrement, FORBES et RIGOBON (2001) énumèrent quatre canaux de la contagion
qui sont indépendants de la crise. Le premier canal est le canal commercial et a été introduit
par Gerlach et Smets en 1995. La contagion apparait lorsqu’il y a une perte de compétitivité
30
d’un certain pays B comme conséquence d’un évènement se déroulant dans un autre pays A.
Cet évènement qui apparait dans le pays A peut, par exemple, être une dévaluation de sa
monnaie, ce qui améliorerait la compétitivité de l’économie du pays A au détriment du pays
B. En effet, lorsqu’un pays A décide de dévaluer sa monnaie, cela lui permettra d’augmenter
ses exportations au détriment du pays B dont la devise est toujours relativement forte. Cette
perte de compétitivité du pays B est perçue comme une faiblesse économique par les agents
économiques qui vont retirer leurs capitaux et l’économie de ce pays pourrait dévaluer sa
monnaie pour lutter contre cela, ce qui, à terme, pourrait entrainer une crise de change. Un
autre exemple du canal commercial concerne le risque de contrepartie (CHAKRABARTY et
ZHANG, 2010). Ce risque représente une situation dans laquelle un défaut d’une entreprise
provoque un bouleversement financier pour ses créanciers mais également pour les autres
entreprises ayant des liens directs avec la firme en mauvaise santé financière. Ceci peut
entrainer un problème pour la (les) contrepartie(s), provoquant à ce moment-là une cascade de
défauts. Un dernier exemple peut être développé afin de bien comprendre l’importance des
liens commerciaux dans le processus de transmission d’un choc. Si une crise se déroule dans
un pays, cela entraîne généralement une baisse des revenus des citoyens de ce pays et par
conséquent, une baisse des importations. Cette dernière provoquera une baisse des
exportations pour un pays directement lié au pays en crise, affectant sa balance des paiements
ainsi que les fondamentaux de son économie.
Le deuxième canal de la contagion, la coordination politique, est un canal de
transmission selon lequel des accords préétablis entre deux pays inciteraient l’un des deux à
suivre une même politique afin de répondre à un choc économique.
Le troisième canal indépendant de la crise est la réévaluation d’un pays de la part des
investisseurs. Ces derniers n’hésitent pas à réévaluer leur anticipation de crise sur un marché
lorsqu’un autre marché similaire, soit au niveau de sa structure ou de sa politique
macroéconomique, subit un choc. Par exemple, si un pays avec un système bancaire faible est
susceptible de devoir faire face à une crise monétaire, les investisseurs n’hésiteront pas à
réévaluer le système bancaire présent dans d’autres pays.
Enfin, le quatrième canal est la présence d’un choc commun aléatoire qui pourrait
affecter simultanément les fondamentaux de plusieurs économies. Par exemple, une
augmentation des taux d’intérêt internationaux, une baisse de la demande globale (telle une
baisse des produits de base) ou encore une augmentation rapide du prix des matières
premières peuvent réduire simultanément la croissance dans de nombreux pays différents.
31
Un cinquième canal non repris par FORBES et RIGOBON, est le canal financier et
implique que les pays soient liés entre eux car ils possèdent des titres financiers émis par des
pays voisins (BRANA et LAHET, 2005). Si une crise survient dans un pays, cela peut avoir
un impact financier direct sur d’autres pays. Ces derniers vont choisir de réduire les crédits
offerts au pays en difficulté mais également les investissements faits dans ce pays. Ce dernier
se verra dans l’obligation de peut-être diminuer son offre de capital et d’investissements pour
d’autres pays, mais également ses prêts envers les banques étrangères, ce qui peut entrainer de
mauvaises surprises pour les pays qui ont des liens financiers forts avec ce pays en difficulté.
Ces cinq canaux de la contagion sont des canaux qui ne sont pas conditionnés par
l’occurrence d’une crise, ce qui signifie que les mécanismes de transmission d’un choc sont
les mêmes aussi bien pendant des périodes de crise que pendant des périodes plus calmes. Ils
sont souvent appelés « liens réels » puisque nombre d’entre eux sont basés sur des
fondamentaux économiques. En d’autres termes, cela signifie qu’il n’y a pas nécessairement
besoin d’une crise pour que la contagion existe. Dès lors, si une crise se transmet par un de
ces canaux, FORBES et RIGOBON (2001) considèrent que ce n’est pas de la contagion au
sens strict mais plutôt de l’interdépendance, qu’ils qualifient de contagion au sens « large ».
Ensuite, il existe plusieurs autres canaux de la contagion dont l’existence et l’activité
sont conditionnées par la crise, ce qui signifie qu’ils apparaissent uniquement lors d’une
période de crise et n’existent pas durant des périodes plus stables (FORBES et RIGOBON,
2001). Ces autres canaux permettent d’identifier la contagion au sens « étroit » (shift
contagion en anglais).
Le premier canal de transmission dans ce cas-ci est celui de l’équilibre multiple basé sur
la psychologie des investisseurs. Selon MASSON (1998), une crise dans un pays A peut créer
un effet perturbateur sur le comportement des investisseurs qui n’auraient plus confiance dans
un autre pays B et reverraient leurs anticipations à la baisse sur ce pays B. Ce dernier serait
affecté bien que le problème initial vienne du pays A. Qu’il y ait des liens ou pas entre les
pays n’a aucune importance dans ce cas-ci puisque la transmission de la crise à d’autres pays
se fait par l’intermédiaire des investisseurs qui modifient leurs anticipations et non par la
présence de liens réels entre les différents pays. Le mauvais équilibre peut se caractériser par
une dévaluation (crise de change), une chute du prix des actifs financiers, des sorties de
capitaux ou encore un défaut sur la dette (MARAIS et BATES, 2004). Ce mécanisme où l’on
passe d’un bon équilibre à un mauvais équilibre à cause de la psychologie des investisseurs
peut être dû à l’effet de mémoire développé par MULLAINATHAN (1998) où un choc peut
rappeler aux investisseurs une crise passée et ces derniers en anticiperaient une alors que les
32
fondamentaux de l’économie sont corrects. De plus, la structure des incitants et les
changements dans l’aversion du risque complètent ce premier canal de la contagion. Certains
évènements peuvent inciter les investisseurs à agir de telle ou de telle manière, par exemple
de vendre fortement juste parce qu’il y a eu une mauvaise nouvelle sur la journée, alors que
les fondamentaux restent les mêmes. De plus, si les investisseurs sont plus avers aux risques,
ils pourraient décider de diminuer leurs positions dans les différents portefeuilles qu’ils
possèdent, ce qui entrainerait une baisse du prix de certains actifs vendus (CLAESSENS et
FORBES, 2004).
Un choc endogène de liquidité représente le deuxième canal de la contagion pure et a
été introduit par VALDES, en 1996. Une crise peut entrainer une réduction de la liquidité des
investisseurs puisqu’ils sont obligés de vendre certains actifs sur d’autres marchés pour
répondre aux appels de marges sur un marché bien spécifique, ou encore pour respecter les
règlementations mises en place par le régulateur. Cette vente en masse d’autres titres peut
entrainer des baisses importantes du cours des titres financiers sur d’autres marchés. De plus,
si une banque évalue correctement certains de ces actifs non liquides à un prix moindre que
celui du prix de marché et que la demande pour ce type d’actifs n’est pas grande, alors la
banque n’hésitera pas à se débarrasser de ses actifs, ce qui entrainera une forte diminution du
prix de ceux-ci. Ceci pourrait enclencher des ventes d’actifs de la part d’autres institutions,
entrainant le prix de plus en plus à la baisse. Une crise peut également provoquer un retrait
important des capitaux bancaires dû à un changement soudain des anticipations des
investisseurs, à une nouvelle interprétation des informations de la part de ceux-ci ainsi qu’à
une révision des rendements anticipés des actifs (MARAIS et BATES, 2004). Les banques,
lorsqu’elles font face à un environnement en pleine crise, n’hésitent pas à prêter moins
d’argent aux pays étant en crise et dans de tels pays, les investisseurs choisissent de
rééquilibrer leur portefeuille, provoquant la crise dans d’autres pays par la suite.
Calvo, en 1999, a introduit la notion d’asymétrie de l’information dans son modèle de
liquidité endogène (FORBES et RIGOBON, 2001). Les agents qui détiennent l’information
agissent pendant que ceux qui n’en détiennent pas ne sont pas capables de déterminer si ce
qu’il se passe sur les marchés financiers est dû à un problème de liquidité ou à une mauvaise
nouvelle. Dès lors, ils ne peuvent pas distinguer la cause de vente soudaine qui peut être
provoquée par un appel de marge ou alors par des mauvais fondamentaux dans l’économie en
question. Sans informations parfaites, les investisseurs peuvent croire que des problèmes
financiers dans un pays en entraineront dans d’autres pays, ce qui n’est pas nécessairement
véridique. Ils auront d’ailleurs tendance à vendre les actifs qu’ils possèdent dans ces autres
33
pays et ce mouvement de vente pourrait créer un effet de panique sur les marchés financiers.
Selon DE BANDT et HARTMANN (2000), nous pouvons distinguer trois causes potentielles
pouvant entrainer un évènement systémique lié à l’asymétrie d’informations. La première est
la révélation entière d’une nouvelle information au public concernant la santé d’une
institution financière. La deuxième cause est le dévoilement d’une information
compromettante au grand public à propos de la santé d’un organisme financier. Enfin, la
troisième cause potentielle pouvant entrainer un évènement systémique est l’apparition d’un
signal ou d’une information qui pourrait entrainer une certaine coordination de la part des
investisseurs, alors que ce signal ou cette information n’a aucun lien avec la situation
financière d’un organisme financier.
Enfin, le dernier canal de la contagion au sens « étroit » est le canal politique. Par
exemple, DRAZEN (1998) a prouvé que les présidents des banques centrales étaient sous
pression politique afin de maintenir leur taux de change fixe durant les années 90. Lorsqu’un
pays décide d’abandonner sa bande de fluctuation, la probabilité que les pays voisins
changent de régime de taux d’intérêt est plus grande. En effet, cela permet de réduire les coûts
politiques des autres pays voisins puisqu’ il est plus simple pour eux d’abandonner leur bande
de fluctuation respective.
Avant de passer à la section suivante qui aura comme objectif d’essayer de mieux
comprendre pourquoi les institutions financières sont beaucoup plus sensibles à ce
phénomène de contagion, nous allons distinguer les principales chaînes de contagion sur les
marchés bancaires (DE BANDT et HARTMANN, 2000). La première est appelée la chaine
d’« exposition » (ou la chaîne « réelle ») et représente les effets « dominos » à travers les
expositions réelles sur les marchés interbancaires ainsi que dans les systèmes de paiement. Ce
canal de contagion fait référence à la théorie de contagion non contingente. En effet, après la
faillite d’une banque, le risque d’une contagion financière à cause des liens interbancaires est
principalement dû à une perte de valeur pour les banques créditrices possédant des titres dans
la banque en faillite. Cette perte pour les banques créditrices peut être supérieure au montant
de l’exposition à la banque en faillite à cause d’une certaine sur-réaction de leurs déposants,
qu’ils soient petits ou grands. Dès lors, le degré de la contagion d’une banque en faillite sur
une autre banque dépend de son niveau d’exposition à la banque en faillite.
La deuxième chaîne principale de la contagion bancaire est la chaîne d’informations et
se rapporte à la situation où les déposants (ceux qui mettent de l’argent en banque) sont
imparfaitement informés sur le type de choc qu’a subi une banque ainsi que sur leur
exposition à cette banque. Elle fait référence à la théorie de contagion contingente.
34
IYER et PEYDRO (2010) montrent également que les marchés interbancaires peuvent
être une arme à double tranchant et peuvent provoquer le phénomène de contagion. D’un côté,
ils jouent un rôle très important puisqu’ils permettent aux banques de s’approvisionner en
liquidités. D’un autre côté, ils peuvent transmettre le choc si une banque a des difficultés ou si
elle tombe en faillite. Cela entraine une peur sur le marché interbancaire où les banques
n’osent plus se prêter aussi facilement, provoquant une crise liquidité au sein des banques qui
ensuite se voient obligées de réduire les crédits proposés aux entreprises et aux ménages.
Enfin, il peut également arriver que des institutions financières internationales ne
souhaitent pas aider des pays ayant déjà des difficultés financières, soit parce qu’il y a eu un
changement dans la politique de ces institutions financières ou soit parce que l’offre de fonds
était limitée. Par exemple, si les institutions financières internationales prêtent à un pays
durant la crise, cela peut provoquer un « run » de la part des investisseurs dans les autres pays
basé sur la peur qu’il n’y ait pas suffisamment de fonds pour supporter ces autres pays durant
une crise. Donc si un investisseur décide de vendre ses actifs présents en dehors du pays qui
subit la crise initiale, cela peut provoquer de la contagion (CLAESSENS et FORBES, 2004).
Section 3.4 : La contagion rapide autour des organismes financiers
Avant de passer au chapitre 4 sur les différentes mesures de la contagion et du risque

systémique, cette section 3.4 explique pourquoi les organismes financiers sont si sensibles à
ce phénomène de contagion. Tout d’abord, nous pouvons nous rendre compte qu’il y a
différentes caractéristiques qui peuvent expliquer la fragilité plus grande du système financier
par rapport aux autres secteurs de l’économie (DE BANDT et HARTMANN, 2000). Cette
fragilité, dont les différentes raisons sont explicitées ci-dessous, est la première cause de la
propagation rapide d’une crise autour des institutions financières.
Premièrement, la structure des banques peut expliquer la fragilité du système financier.
En effet, les banques commerciales traditionnelles ont tendance à prêter de l’argent sur du
long terme grâce à l’argent déposé à court terme par les investisseurs. Vu qu’une banque
possède de nombreux clients, elle ne garde qu’une petite partie de ses réserves liquides afin de
faire face aux retraits d’argent. Néanmoins, si un choc survient, elle pourrait se retrouver dans
une situation où des problèmes de liquidité surviendraient, voire même dans une situation de
défaut, malgré le fait qu’elle soit solvable à long terme. En effet, si une crise survient et qu’il
y a un « bank run », il est possible que la banque ne puisse pas combler cette demande élevée
de retraits d’argent si elle n’arrive pas à récupérer l’argent qu’elle a prêté. Le succès d’une
banque ne dépend donc pas uniquement de sa capacité à investir dans des projets rentables
35
mais également de la confiance qu’ont les dépositaires envers la banque en question. De plus,
ALLEN et GALE (2000) ont montré que si une banque dispose d’une structure de marché
avec seulement une chaîne d’exposition unilatérale, elle était plus vulnérable à la contagion
qu’une banque qui fait des transactions avec beaucoup d’autres. Le deuxième élément
expliquant la fragilité du système financier est l’interconnexion des institutions financières à
travers leurs expositions directes et leurs systèmes de règlement des transactions. Cela signifie
tout simplement que les banques mais également tous les autres intermédiaires financiers
essaient d’avoir le rôle le plus important dans le « back office », c'est-à-dire dans les systèmes
de paiement et de règlement des transactions. Vu que chaque banque veut avoir un rôle dans
ces systèmes, dès qu’il y a une situation de crise, tout le monde est potentiellement affecté.
L’intensité des informations concernant les contrats financiers et les problèmes de crédibilité
constituent le troisième élément de fragilité du système financier. Les décisions financières
sont généralement basées sur des estimations concernant le prix futur d’un actif ou les cash
flows qui seront dus plus tard. Dès lors, si l’incertitude autour des institutions financières
augmente, les attentes du marché peuvent rapidement changer, entrainant des décisions de
désinvestissement par exemple pour de nouveaux investissements.
Une deuxième explication au phénomène de contagion rapide autour des organismes
financiers est la globalisation des marchés financiers. Le terme de « globalisation dans le
système financier » signifie tout simplement que les institutions financières deviennent de
plus en plus globales et qu’elles doivent travailler dans un environnement de marché mondial
et compétitif (RACICKAS et VASILIAUSKAITE, 2011). Cette dernière est apparue à la fin
du vingtième siècle et est devenue un processus inévitable. Cela a permis à des investisseurs
de pouvoir mettre leurs capitaux dans n’importe quelle société, c'est-à-dire qu’ils ont la
capacité d’aider une entreprise malgré le fait qu’elle se trouve loin géographiquement. Elle a
également favorisé la recherche d’opportunités en provoquant d’un autre côté, une prise de
risque plus élevée ainsi que des problèmes de gestion du risque plus complexes. De plus, une
des conséquences les plus importantes de ce phénomène est l’interdépendance des organismes
financiers. En effet, ces derniers sont généralement liés les uns avec les autres, que ce soit de
manière significative ou non.
Lorsqu’une entreprise quelconque ne se porte pas bien, la seule chose que puisse faire
un petit investisseur est de vendre les titres qu’il possède. Pour une banque, les investisseurs
peuvent également vendre les titres de la banque mais tout un chacun a la possibilité d’aller
retirer ses capitaux s’il y a le moindre doute concernant la santé financière de l’organisme
bancaire. La troisième explication de la contagion rapide autour des organismes financiers
36
peut être ce phénomène de « bank run » qui ne se passe qu’autour des banques. C’est pour
cette raison qu’au moindre souci, l’investisseur a la possibilité d’aller retirer son argent. Si
tout le monde fait cela, des problèmes de liquidité surviendront dans les banques et à plus
long terme, cela peut entrainer des problèmes de solvabilité si les pertes sont importantes
(KAUFMAN, 1992). Pour satisfaire les déposants, les banques ont la possibilité de faire deux
choses. Soit elles décident de vendre de nombreux actifs rapidement, parfois même à des prix
très bas, soit elles décident d’emprunter des fonds rapidement à des taux d’intérêt élevés.
IYER et PEYDRO (2010) ont prouvé que, au plus une banque est exposée à une banque en
faillite sur le marché interbancaire, c'est-à-dire au plus une banque a prêté de l’argent sur le
marché interbancaire, au plus les agents économiques iront retirer leur dépôt à cause de cette
peur de la contagion. Les résultats ont également prouvé que les établissements bancaires qui
ont une exposition plus petite à une banque en faillite voient leur nombre de déposants
augmenter.
Un quatrième et dernier élément de réponse est l’importance des fondamentaux dans le
processus de contagion. Deux auteurs, IYER et PEYDRO (2010), ont mis en avant une
méthodologie dans le but de savoir si les fondamentaux avaient un impact sur la magnitude de
la contagion. Ces derniers en ont conclu que celle-ci était plus grande pour les banques ayant
des fondamentaux plus faibles. Par fondamentaux faibles, ils sous-entendent les banques
ayant un niveau de capital plus petit, étant plus petites en taille ou encore celles qui sont
considérées comme faibles par les régulateurs. Ils en ont donc conclu que plus une banque
possède des fondamentaux élevés, plus l’impact de la contagion bancaire sera réduit pour
cette banque. Afin d’éviter donc une contagion rapide, il serait intéressant que les organismes
bancaires aient des fondamentaux solides. Pour cela, différentes choses peuvent être faites
(DUQUERROY, 2009). Premièrement, le secteur bancaire doit être plus robuste et ne plus
être totalement dépendant du crédit étranger. En effet, il n’hésite pas à s’endetter en devises,
ce qui fait encourir des risques de change plus importants. Deuxièmement, les standards en
matière de régulation et de supervision doivent être améliorés. Pour cette raison, les autorités
politiques doivent intervenir pour définir ce que sont des fondamentaux solides. En effet,
durant la crise de la zone euro, il n’a pas été compliqué de voir que les banques ayant les
fondamentaux les moins solides ont éprouvé plus de difficultés à se refinancer sur les marchés
interbancaires. Enfin, les politiques jouent également un rôle important dans l’amélioration de
la qualité des données, c'est-à-dire qu’ils devraient imposer aux organismes bancaires de
fournir plus de données mais surtout obliger ces derniers à améliorer leur transparence.
37
Après avoir défini la contagion au sens général, repris ses différents canaux et tenté
d’avancer une explication cohérente sur le phénomène de contagion rapide autour des
organismes financiers, il est nécessaire de présenter les principales mesures utilisées pour
tester la présence de contagion mais également de risque systémique. Pour cette raison, le
chapitre suivant a pour but, tout d’abord, de présenter un bref aperçu permettant de prouver
l’existence de cette contagion financière mais également d’introduire les principaux modèles
permettant de la tester ainsi que le risque systémique. Ce chapitre 4 permet de faire le lien
entre le chapitre 3 qui a fait une grande revue de la littérature sur les phénomènes de
contagion et de risque systémique, et le chapitre 5 qui, lui, se focalise sur une mesure bien
spécifique du risque systémique (mais également du risque de marché), dénommée la CoVaR
(Co-Value-at-Risk).
38
Chapitre 4 : Mesures d’estimation de la contagion et du risque systémique
Section 4.1 : La contagion bancaire et les crises bancaires
Avant de passer aux sections 4.2 et 4.3 qui sont beaucoup plus théoriques en ce qui
concerne les méthodes utilisées afin de tester la contagion et de mesurer le risque systémique,
cette section a pour objectif d’énumérer quelques stratégies utilisées par les chercheurs pour
prouver la contagion bancaire et déterminer des crises bancaires.
Les faits montrent réellement que la contagion financière a pu être prouvée
historiquement. En effet, si nous prenons l’étude de GROPP, LO DUCA et VESALA (2006),
cette dernière a démontré qu’il y existait de la contagion transfrontalière parmi les entreprises
financières européennes. Par exemple, les auteurs ont pu prouver qu’il y avait de la contagion
bilatérale entre les banques allemandes et anglaises, ce qui signifie que si des chocs négatifs
affectent des banques allemandes, cela aurait une influence négative sur les banques
anglaises, et vice-versa. Ils sont même parvenus à démontrer que cette contagion
transfrontalière avait tendance à augmenter après l’introduction de la monnaie unique. De
plus, d’après HARTMANN et al (2004), la contagion aurait augmenté à partir du milieu des
années 90, aussi bien en Europe qu’aux Etats-Unis (GROPP, LO DUCA et VESALA, 2006).
Cependant, le risque de contagion aux Etats-Unis semble être plus important qu’en Europe.
Les lectures empiriques sur la contagion entre les banques peuvent être séparées en
plusieurs groupes (DE BANDT et HARTMANN, 2000). Certains auteurs essaient de faire le
lien entre les faillites de banques avec d’autres en mesurant l’autocorrélation. Le but est donc
de voir s’il y a de l’autocorrélation entre les faillites bancaires et pour effectuer cela, il faut
régresser le taux de faillite bancaire au temps t sur ce même taux au temps t-1 ainsi que sur un
certain nombre de variables macroéconomiques de contrôle. La plupart de ces études
empiriques apportent la preuve qu’il existe de la contagion lorsqu’il y a la faillite de plusieurs
organisations financières (GROPP, LO DUCA et VESALA, 2006). A titre illustratif,
Grossman, en 1993, a utilisé une régression par variables instrumentales afin d’analyser les
faillites aux Etas-Unis durant la période 1875 à 1914. Les résultats ont montré qu’une
augmentation de 1% des faillites durant un trimestre provoque en moyenne une augmentation
de 0.26% des faillites durant le trimestre suivant (DE BANDT et HARTMANN, 2000).
Une autre approche consiste à mesurer le temps de survie d’une banque durant des
périodes de panique où des faillites d’autres banques se déroulent et voir si le temps de survie
diminue. Une étude a été menée par Calomiris et Mason, en 2000, sur la crise bancaire durant
la Grande Dépression et elle semble indiquer la présence d’effets provenant de la contagion
39
bancaire. Néanmoins, cette méthode ne semble pas avoir été si souvent testée pour prouver
que le phénomène de contagion était un phénomène réel (DE BANDT et HARTMANN,
2000).
La troisième manière d’étudier la contagion bancaire consiste à regarder l’impact des
faillites bancaires ainsi que des mauvaises nouvelles (comme par exemple l’annonce d’une
augmentation des provisions due à des pertes exceptionnelles) sur les prix des valeurs
bancaires en bourse. Pour tester la présence de contagion, on va comparer le rendement dit
« normal », estimé par le modèle CAPM sur base des rendements passés, aux rendements
réellement observés durant une période où des mauvaises nouvelles sont annoncées. Dès lors,
la contagion est présente et prouvée lorsque de mauvaises nouvelles pour une banque i
provoquent des rendements anormaux pour une autre banque j. Beaucoup d’auteurs ont étudié
les faillites de banques nationales aux Etats-Unis dues à des problèmes idiosyncratiques ainsi
que leurs effets sur d’autres banques. En général, les résultats montrent que ces faillites
peuvent provoquer des rendements négatifs anormaux pour certaines autres banques. Toutes
les banques ne sont pas touchées mais uniquement celles qui sont fortement exposées aux
établissements en difficulté. Cela entraine généralement des fluctuations des cours boursiers
mais cela n’implique pas nécessairement des faillites (DE BANDT et HARTMANN, 2000).
Certains auteurs utilisent également une autre méthode qui consiste à établir une
relation entre des faillites ou l’apparition de nouvelles informations et les retraits d’argent
faits dans d’autres banques. S’il y a des problèmes pour une banque ou un groupe de banques
i et que les déposants retirent leur argent d’une autre banque j, alors il y a la preuve d’un
« bank run » contagieux. En période de crise, deux phénomènes peuvent se passer : les
déposants peuvent vouloir changer de banques pour se diriger vers des banques plus sûres ou
alors ils préfèrent complètement retirer leur argent à cause du climat économique incertain et
à ce moment-là, nous parlerons d’un phénomène de panique.
Une cinquième manière d’étudier la contagion bancaire permet d’analyser les effets de
mauvaises nouvelles ou de faillites sur la probabilité de défaut d’autres banques, cette
probabilité se reflétant dans les primes de risque exigées sur le marché interbancaire.
Néanmoins, cette méthode ne permet pas de déterminer l’apparition d’évènements
systémiques. Enfin, une sixième approche permet de mesurer les expositions des banques afin
d’évaluer si un défaut d’une banque entrainerait une insolvabilité d’autres banques.
40
Section 4.2 : Tester la présence de contagion
Beaucoup de mesures permettant de tester la contagion au sens général ont été reprises
dans la littérature. Néanmoins, cette section a pour but de donner une vue globale sur les
méthodes principales expliquée par deux auteurs très connus dans le milieu académique,
CLAESSENS et FORBES (2004).
Premièrement, nous pouvons distinguer deux types de mesure de la contagion grâce aux
coefficients de corrélation des rendements d’actifs financiers (co-mouvements). La première
consiste à étudier les changements dans les coefficients de corrélation des taux d’intérêt ou
des prix des actions par exemple. Ceci signifie que nous testons la présence d’une
augmentation significative des co-mouvements (en d’autres termes, de la corrélation) entre les
rendements d’actifs financiers pendant des périodes tranquilles et des périodes de crise. La
contagion est dès lors mesurée par l’augmentation significative de la corrélation entre ces
différentes variables. Le test de corrélation se base principalement sur le test de stabilité des
coefficients α et β des deux équations suivantes (RIGOBON, 2002) :
yt = βxt + εt (12)

xt = αyt + ñt (13)
où yt et xt sont les variables d’intérêts (comme par exemple les taux d’intérêt, le niveau des
indices boursiers…), εt et ñt sont des bruits blancs faibles (c'est-à-dire : E(εt) = 0, E(ñt) = 0 et
E(εt ñt) = 0). Cette mesure est l’une des plus populaires afin de mesurer la contagion. De plus,
la plupart des études qui l’ont utilisé apportent la preuve de co-mouvements importants entre
les rendements des variables étudiées pendant des périodes de crise.
La deuxième mesure de la contagion faisant référence aux coefficients de corrélation
consiste à déterminer les co-mouvements des actifs financiers qui sont en excès par rapport à
leurs fondamentaux. Ce type de mesure va tester si les co-mouvements des actifs financiers
sont significativement différents de zéro. Ceci s’effectue par la formule suivante :
Xi, t = α + βXj,t + ð Fi,t + 𝜆 Gt + εi,t (14)
où Fi,t représentent les fondamentaux et Gt sont les variables globales. Si εi,t est positif en
valeur absolue, cela signifie qu’il y a présence de contagion. Si les co-mouvements entre les
différents marchés financiers sont significatifs, la corrélation non expliquée provient d’une
41
modification du sentiment du marché (ceci fait référence au premier canal de la contagion
pure).
Néanmoins, FORBES et RIGOBON (2002), n’hésitent pas à critiquer ces deux
premières mesures puisqu’ils jugent qu’une augmentation des corrélations entre différents
marchés pendant une crise n’indique pas nécessairement la présence de contagion. En effet,
une augmentation de la corrélation entre différents marchés internationaux peut simplement
indiquer la présence de liens supplémentaires financiers et/ou commerciaux. Un choc
commun peut également influencer les corrélations (comme par exemple un choc pétrolier).
De plus, ces mesures présentent des biais dans les tests économétriques à cause de
l’hétéroscédasticité présente dans les prix d’actifs, des variables endogènes et des variables
omises. Lorsque différents auteurs ont décidé d’ajuster leur coefficient de corrélation afin
d’éviter les biais, ils arrivaient à la conclusion d’une contagion moins importante que dans la
situation initiale.
La deuxième approche a pour but de contrôler certains fondamentaux lorsque nous
mesurons les co-mouvements du marché ou la probabilité d’occurrence d’une crise. La
méthodologie la plus commune consiste à examiner la probabilité d’occurrence d’une crise
dans un pays conditionnellement à l’occurrence d’une crise dans un autre pays, en prenant en
compte les fondamentaux de l’économie ou d’autres similitudes. Pour cela, des modèles
dichotomiques sont souvent utilisés.
La troisième stratégie consiste à estimer les excès de volatilité (en anglais « volatility
spillovers ») dans le prix des actifs financiers. La contagion peut se dérouler lorsque la
volatilité sur les marchés financiers d’un certain pays s’étend aux marchés financiers d’autres
pays. Les études qui ont repris cette approche ont pu prouver l’existence de contagion mais
souvent entre un pays et un autre et non de manière générale. Lorsque la volatilité de certains
marchés financiers d’un pays s’étend à ceux d’autres pays, nous pouvons parler de contagion.
Des pics de volatilité permettent d’identifier les crises et ces excès de volatilité font référence
à l’extension de l’incertitude sur les marchés financiers. Pour détecter la présence
d’externalités de volatilité, des modèles GARCH univariés et bivariés peuvent être utilisés
ainsi que des modèles sur l’ « Extreme Value Theory » permettant de se focaliser sur les
quantiles les plus importants.
La quatrième mesure permet de voir si les co-mouvements d’un pays augmentent durant
une période de crise financière et elle se focalise sur la théorie des moments extrêmes. Ces
derniers sont des périodes où des variables dépassent largement les valeurs habituelles de ces
42
mêmes variables. Très peu d’études ont utilisé cette approche mais celles qui l’ont fait ont pu
prouver l’existence de la contagion durant les années 90.
La dernière approche énumérée par CLAESSENS et FORBES (2004) consiste à
mesurer l’importance des canaux de transmission de la contagion au lieu de se focaliser sur
les changements de volatilité/corrélation des autres approches ci-dessus. Cette approche est de
plus en plus utilisée dans les études académiques puisqu’il est possible d’identifier
directement pourquoi une crise dans un pays affecte directement d’autres pays.
Section 4.3 : Mesures du risque systémique basées sur l’information des marchés
Dans la littérature, différentes mesures du risque systémique ont été proposées et sont
basées sur l’information des marchés financiers. Cette section 4.3 a pour objectif d’énumérer
les mesures du risque systémique les plus importantes et de les expliquer brièvement.
Tout d’abord, il est nécessaire de comprendre que pour mesurer le risque systémique,
SCHWAAB, KOOPMAN et LUCAS (2011) ont identifié cinq caractéristiques importantes
qu’un bon indicateur de risque systémique doit avoir. Premièrement, il faut définir le risque
systémique de manière très large. Ensuite, il ne faut pas faire une analyse uniquement sur des
faits locaux mais il faut prendre en compte l’information provenant de diverses régions et
industries. Troisièmement, les conditions macroéconomiques et financières doivent être
connues et incorporées pour pouvoir mesurer le risque systémique. Ensuite, le nombre de
défauts d’institutions financières est relativement faible et c’est pour cette raison que les
modèles basés sur ce nombre ne donnent qu’une petite partie du stress subi par celles-ci. Dès
lors, d’autres mesures du risque de crédit peuvent venir en complément de l’information sur
les défauts historiques (par exemple, l’information venant des marchés financiers ou encore
des données comptables). Enfin, certains facteurs comme la probabilité d’un évènement
systémique (qui varie au cours du temps) ne peuvent pas être observés.
Le premier instrument de mesure du risque systémique est basé sur les « Credit Default
Swaps » (CDS). Ces derniers sont des instruments financiers qui procurent une assurance
contre le risque de défaut d’une contrepartie, pouvant être une entreprise ou encore un pays.
Habituellement, une analyse en composantes principales sur les spreads des CDS est effectuée
et le premier composant principal est souvent considéré comme le risque systémique puisqu’il
représente le facteur commun qui influence les spreads des CDS.
Ensuite, les spreads des taux LIBOR-OIS (différence entre le taux LIBOR, taux
interbancaire, et le taux « Overnight Index Swap ») reflètent le risque de liquidité et le risque
de défaut durant les prochains mois. Le spread LIBOR-TBILL mesure également ces deux
43
risques mais aussi le fait que durant des périodes d’agitation sur les marchés financiers, les
investisseurs achètent énormément d’obligations d’Etat (et donc le taux des TBILL diminue),
ce qui mesure l’effet « flight to quality » (où les investisseurs recherchent les actifs financiers
les plus sûrs du marché).
Le troisième groupe de mesures du risque systémique est basé sur le travail de LEHAR
(2005). Ce dernier a proposé de prendre en compte la probabilité de défaut d’un certain
pourcentage de banques vu qu’elle est directement liée à la valeur des actifs et des dettes de la
banque. D’autres auteurs ont utilisé les « Collateralized Debt Obligation » (CDO) afin
d’estimer le risque systémique.
Enfin, ADRIAN et BRUNNERMEIER (2011) ont proposé une nouvelle méthode afin
de mesurer le risque systémique, la Co-Value-at-Risk (ou CoVaR). Cette nouvelle mesure fait
l’objet de tout un chapitre, le chapitre 5, et elle permet à la fois de mesurer le risque de
marché d’une institution mais également de déterminer la contribution marginale d’une
institution à l’ensemble du risque systémique.
Après avoir introduit les différentes mesures du risque de marché (chapitre 1 et 2) et
après avoir discuté de toute la problématique récente concernant le phénomène de contagion
et le risque systémique (chapitre 3 et 4), la revue de la littérature va se terminer en présentant
cette mesure CoVaR, mesure qui se trouve dans la continuité des quatre premiers chapitres.
Cette dernière fait l’objet d’un chapitre tout entier puisque l’analyse empirique utilisera cette
mesure pour deux raisons principales. Premièrement, la CoVaR permet de mesurer le risque
systémique (via la ∆CoVaR expliquée plus en détails dans le chapitre suivant) et elle prend
donc en compte le phénomène de contagion, phénomène que nous ne pouvons plus nous
permettre d’omettre étant donné qu’il est de plus en plus omniprésent. La deuxième raison
principale est le fait qu’elle soit capable de déterminer le risque de marché, chose que chaque
établissement financier, mais également les grosses entreprises, se doivent de faire.
Néanmoins, ce risque de marché ne sera pas évalué dans ce mémoire puisque le but de ce
mémoire consiste à étudier l’impact des différents secteurs financiers sur le risque systémique
et non à déterminer si la CoVaR est une bonne mesure du risque de marché. Ce travail pourra
être effectué dans une étude future.
44
Chapitre 5 : La CoVaR
ADRIAN Tobias, de la banque centrale de New-York et BRUNNERMEIER Markus, de

l’université de Princeton, ont développé une nouvelle mesure permettant de déterminer le
risque systémique mais également le risque de marché. Celle-ci se dénomme la Co-Value-at-
Risk, ou CoVaR (le préfixe Co signifie soit conditionnelle, co-mouvement ou encore
contagion), et a été introduite pour la première fois en 2009. Ce chapitre va se baser sur la
dernière version de l’article de référence développé par ADRIAN et BRUNNERMEIER
(2011). Cette section va permettre d’introduire ce concept de CoVaR et de le définir avant de
détailler plus en détails la méthodologie ainsi que le modèle utilisé pour cette mesure.
Tout d’abord, la CoVaR s’inscrit dans une logique selon laquelle il est de plus en plus
important de prendre en compte le phénomène de contagion lorsque nous sommes amenés à
devoir mesurer le risque de marché d’une institution financière ou d’un indice par exemple.
En effet, durant des périodes calmes, les co-mouvements des actifs et des dettes d’institutions
financières dépendent de leurs fondamentaux alors qu’en période plus volatile, ces co-
mouvements augmentent significativement entre les institutions financières. Dans cet
environnement, la Value-at-Risk classique n’est pas capable de refléter le risque systémique
puisqu’elle se focalise uniquement sur le risque d’une institution seule (KIHOON, 2011).
Ensuite, ADRIAN et BRUNNERMEIER (2011) ont défini la CoVaR du « système »
comme étant la VaR de tout le secteur financier (les deux auteurs se focalisent sur le secteur
financier dans son ensemble), conditionnellement au fait qu’une institution financière
individuelle soit en détresse. La différence entre la CoVaR conditionnelle à un problème
qu’une institution subit et celle conditionnelle à l’état normal de cette même institution est
dénommée ∆CoVaR et permet de capturer la contribution marginale d’une institution
particulière à l’ensemble du risque systémique. Les deux auteurs définissent le risque
systémique comme étant une situation dans laquelle une institution financière fait face à de
sérieux problèmes, ce qui pourrait avoir comme conséquence l’apparition de la contagion à
d’autres institutions financières ainsi qu’une réduction de l’offre de crédit et de capitaux
offerts au reste de l’économie.
Il y a plusieurs avantages à utiliser la mesure ∆CoVaR. Premièrement, elle se focalise
sur la contribution de chaque institution à l’ensemble du risque systémique alors que
l’actuelle régulation financière ne prend en compte que le risque des institutions individuelles,
ce qui peut les amener à prendre des risques trop importants. Pour mieux illustrer cela,
45
imaginons deux institutions, A et B, qui publient la même VaR mais l’institution A publie une
∆ CoVaR égale à 0 et la B en publie une supérieure à 0 (en valeur absolue). Si nous nous
basons uniquement sur les VaR, nous pouvons conclure que les deux institutions présentent
un risque identique alors que si nous prenons également en compte la ∆CoVaR, l’institution B
est plus risquée vu qu’elle contribue plus au risque systémique que l’institution A.
Deuxièmement, la ∆CoVaR permet d’étudier les excès de risque (« risk spillovers »)
parmi tout le réseau financier. Par exemple, ∆ CoVaR j|i permet de capturer l’augmentation du
risque d’une institution j lorsqu’une institution i tombe en détresse. Cette augmentation, en
plus d’être causale, est également due aux effets d’un excès de risque que l’institution i a
causé sur l’institution j.
Un troisième avantage de la ∆CoVaR est le fait qu’elle soit facilement extensible, c'est-
à-dire que nous pouvons utiliser une mesure de Value-at-Risk (comme la CoVaR) mais
également d’autres mesures du risque comme l’« Expected Shortfall » (ES), qui capture la
perte attendue au-dessus du quantile α %. Il est donc possible d’étendre cette approche à
d’autres mesures du risque, comme par exemple la « Co-Expected Shortfall (Co-ES).
La ∆CoVaR permet également de faire face au fait que les mesures empiriques du risque
souffrent d’une présence peu importante d’observations dans les queues de distribution. Après
des bonnes nouvelles, le risque semble réduit mais lorsqu’une nouvelle observation vient se
loger dans une des queues de distribution, la mesure du risque estimée peut augmenter
rapidement. Ceci signifie simplement que les exigences de régulation qui sont basées sur des
mesures du risque contemporaines seraient beaucoup plus rigoureuses en période de crise
qu’en période d’optimisme sur les marchés financiers, période durant laquelle elles seraient
beaucoup plus laxistes. C’est ce qu’on appelle la procyclicité, qui littéralement désigne les
comportements qui vont dans le sens d’un cycle économique et qui renforcent les effets. Ce
phénomène apparait puisque les mesures du risque (telles que la VaR) semblent être trop
basses lors de périodes peu volatiles et trop élevées lors de crises. De plus, ce problème est
beaucoup plus prononcé lorsque l’échantillon de données est petit.
Enfin, ADRIAN et BRUNNERMEIER se focalisent uniquement sur l’apport qu’une
institution financière ajoute au risque systémique alors qu’il est tout à fait possible de mesurer
l’exposition d’une entreprise au fait que le système financier entier (ou une autre institution
financière) soit en stress. Le but de ce chapitre est donc de présenter la méthodologie et
l’estimation de ce concept qu’est la CoVaR, avant de passer à l’étude empirique qui fait partie
de la deuxième partie de ce mémoire.
46
Section 5.2 : Méthodologie de la CoVaR
Sous-section 5.2.1 : Définition de la CoVaR
!|!
De manière la plus générale, la 𝐶𝑜𝑉𝑎𝑅! se définit comme la VaR d’une institution j
(ou du système financier dans son ensemble) conditionnellement à un évènement C (Xi) d’une
institution i. Pour la suite de ce mémoire, l’évènement conditionnel prend en compte le fait
!|!
que Xi = 𝑉𝑎𝑅!! , ce qui signifie que la 𝐶𝑜𝑉𝑎𝑅! est la VaR d’une institution (ou système) j
conditionnellement à une institution i se trouvant à son niveau de VaR. Ceci permet d’étudier
les « spillovers effects » parmi le système financier tout entier. Elle est implicitement définie
par l’α-quantile de la distribution de probabilité conditionnelle :
!|!(!! )
Pr ( X ! ≤ 𝐶𝑜𝑉𝑎𝑅! | C (X ! ) ) = q (15)
La contribution de la VaR de l’institution i à la VaR de l’institution (ou du système) j se

définit de la manière suivante :
!|! !|! ! !!!"!! !|! ! !!"#$%&!

∆𝐶𝑜𝑉𝑎𝑅! = 𝐶𝑜𝑉𝑎𝑅! - 𝐶𝑜𝑉𝑎𝑅! (16)
!|!
Cette définition de la ∆𝐶𝑜𝑉𝑎𝑅! est la différence entre la VaR d’une institution j
conditionnellement à une situation de panique présente au sein d’une autre institution i et la
VaR de cette même institution j relative à l’état médian de l’institution i. Cette mesure
!|!
∆𝐶𝑜𝑉𝑎𝑅! permet donc de quantifier l’effet d’une institution i sur celle dénommée j. Il faut
savoir que cette dernière, l’institution j, peut également faire référence au système financier
dans son ensemble. C’est ce qu’ont fait ADRIAN et BRUNNERMEIER qui l’ont défini
comme étant un portefeuille composé de 1269 institutions financières. Dès lors, ils
considèrent que le système financier est en stress lorsque toutes ces institutions financières se
trouvent à leur niveau de VaR.
De cette définition, il est dès lors possible d’en dériver d’autres comme par exemple la
𝐶𝑜𝑉𝑎𝑅 !|!"!#$% . Cette mesure permet de déterminer la VaR d’une institution j lorsqu’une crise
financière apparait et donc, en comparant plusieurs institutions financières, de connaitre celle
qui présente un risque plus important en situation de crise. Dès lors, ∆ 𝐶𝑜𝑉𝑎𝑅 !|!"!#$% mesure
l’augmentation de la VaR d’une institution j lors d’une crise financière.
47
Sous-section 5.2.2 : Propriétés de la CoVaR
La CoVaR développée par ADRIAN et BRUNNERMEIER (2011) présente différentes

propriétés. Tout d’abord, elle satisfait la propriété selon laquelle, lorsque nous divisons une
large institution financière en n « clones », la CoVaR de cette large institution est exactement
la même que la somme des CoVaRs des n « clones ». Dès lors, il revient au même de prendre
en compte la détresse d’une large institution (étant beaucoup plus sujette au risque
systémique) que celle présente sur les n « clones ».
Ensuite, la mesure ∆CoVaR ne distingue pas si la contribution d’une institution à la VaR
d’une autre institution (ou au risque systémique) est causale ou est conduite par un facteur
commun, ce qui est vu par les deux auteurs plutôt comme un avantage qu’un inconvénient.
La troisième propriété de la CoVaR est le fait qu’elle se focalise sur la distribution des
queues de rendements. Elle est donc beaucoup plus extrême que la VaR classique non
conditionnelle, vu que la CoVaR est la VaR conditionnelle à un évènement extrême. Ceci
implique une diminution de la moyenne, une augmentation de la variance ainsi qu’une
skewness négative (signifiant que la majorité des valeurs de la courbe des rendements se
trouve du côté gauche de la courbe) et un kurtosis négatif (le kurtosis capture la probabilité
des valeurs extrêmes, dans ce cas-ci, négatives).
Comme déjà explicité ci-dessus, la CoVaR est conditionnelle à un évènement que les
deux auteurs définissent comme étant le fait qu’une institution i se trouve à son niveau de
VaR, apparaissant dès lors avec une probabilité α. Cette probabilité d’occurrence du niveau de
VaR de l’institution i ne dépend pas de sa stratégie. En effet, si nous nous focalisons sur le
rendement absolu d’une institution i, des institutions moins risquées pourraient avoir des
CoVaR plus élevées simplement parce que l’évènement conditionnel serait un évènement
beaucoup plus extrême pour ce genre d’institutions.
Un autre point attractif de la CoVaR, déjà explicité précédemment, est le fait qu’elle
puisse être facilement adoptée à d’autres mesures du risque. Par exemple, il est très facile de
calculer la Co-Expected Shortfall (Co-ES).
La CoVaR est également directionnelle, ce qui signifie que la CoVaR d’un système
conditionnellement à une institution sera différente de la CoVaR de cette même institution
conditionnellement au même système.
Enfin, la CoVaR est endogène et dépend du risque pris par les autres institutions.
48
Section 5.3 : Estimation de la CoVaR
Comme l’expliquent ADRIAN et BRUNNERMEIER (2011), ils estiment la CoVaR

grâce à la régression de quantiles. Selon eux, cette méthode est efficiente afin d’estimer la
CoVaR. Dans le chapitre suivant, cette méthode d’estimation sera développée étant donné
qu’elle sera utilisée pour la partie empirique de ce mémoire.
Dans leur article, ils expliquent également que la CoVaR peut être estimée de deux
manières différentes. La première d’entre elle est utilisée si nous supposons que la CoVaR est
constante au cours du temps. La valeur prédite d’un quantile particulier (un q-quantile est
estimé grâce à la régression quantile) du système financier, 𝑋!!"!#$%,! , conditionnellement à
une institution i peut être définie comme suit:
𝑋!!"!#$%,! = 𝛼!! + 𝛽!! 𝑋 ! (17)
où les deux auteurs définissent 𝑋 ! comme le rendement des actifs du bilan qui sont évalués à
la valeur du marché (« market-valued »). Que ce soit pour une institution individuelle ou pour
le système financier tout entier, leurs analyses se focalisent sur les rendements des actifs du
bilan qui sont « market-valued ».D’après l’équation (17), la valeur prédite pour un quantile
particulier de la distribution de rendements du système financier dépend du quantile de la
distribution de rendements de l’institution i.
En prenant en compte la définition de la Value-at-Risk (qui, pour rappel, représente un
certain quantile q dans la distribution de profits et de pertes), nous pouvons dès lors déduire
de l’équation précédente ce qui suit :
𝑉𝑎𝑅!!"!#$% |𝑋 ! = 𝑋!!"!#$%,! (18)
Ceci signifie que la valeur prédite du quantile de la distribution de rendements du système

financier conditionnellement à une institution i est égale à la VaR du système financier
conditionnellement à Xi, puisque la VaRq avec un Xi donné est juste le quantile conditionnel.
Après, nous pouvons utiliser une valeur prédite d’un certain quantile (q est égal à 1% en
général) tel que Xi soit égal à la VaRi. Ceci signifie que l’institution i sera à son niveau de
VaR. Plus formellement, la mesure CoVaR peut en être déduite et est donnée par :
49
!"!#$%|! ! ! !"#!!
𝐶𝑜𝑉𝑎𝑅! = 𝑉𝑎𝑅!!"!#$% |𝑉𝑎𝑅!! = 𝛼!! + 𝛽!! 𝑉𝑎𝑅!! (19)
Lorsque la CoVaR est calculée à un niveau de 1%, il faut ensuite calculer celle à un
niveau médian (50%) afin de quantifier l’impact d’une institution i (ou indice sectoriel) sur le
système financier. De là, la ∆𝐶𝑜𝑉𝑎𝑅!! estimée se déduit assez facilement :
!"!#$%|! !
∆𝐶𝑜𝑉𝑎𝑅! = 𝛽!! (𝑉𝑎𝑅!! − 𝑉𝑎𝑅!"% ) (20)
Ce modèle développé ci-dessus suppose que la distribution à partir de laquelle le

quantile est calculé est constante au cours du temps, ce qui, lorsque nous prenons en compte
des rendements financiers par exemple, n’est pas le cas. Dès lors, les deux auteurs vont
utiliser une deuxième méthode de calcul qui suppose que la distribution des rendements
financiers n’est pas stable au cours du temps.
Dans cette deuxième méthode, ils se focalisent sur le calcul de VaR et de CoVaR à
partir du rendement des actifs du bilan d’une institution puisqu’ils considèrent que ces
derniers reflètent plus l’offre de crédit dans l’économie réelle. Ils l’expriment
mathématiquement de la manière suivante :
𝑋!! = 𝛼 ! + 𝛾 ! 𝑀!!! + 𝜀!! (21)
où 𝑀!!! représente une matrice de variables d’état. Afin de capturer la variation temporelle
des distributions de Xi (rendement d’une institution i) et de Xsystem (rendement du système
financier tout entier), ils ont estimé ces distributions comme étant des fonctions de variables
d’état. Les variables qu’ils ont décidé d’utiliser sont des variables de marché et sont au
nombre de sept. Elles seront explicitées dans le chapitre suivant puisque elles seront
également utilisées dans l’estimation de notre modèle.
Chaque 𝛾 ! représente le coefficient d’une des sept variables d’états. Après avoir estimé
𝑋!! (pour une entreprise bien particulière) par régression de quantiles, ils utilisent les mêmes
variables d’état pour estimer le rendement du système tout entier, 𝑋!!"!#$% :
!"!#$%|!
𝑋!!"!#$% = 𝛼 !"!#$%|! + 𝛽 !"!#$%|! 𝑋!! + 𝛾 !"!#$%|! 𝑀!!! + 𝜀! (22)
50
Le rendement du système financier dans son ensemble, défini par ADRIAN et
BRUNNERMEIER, dépend des variables d’état mais également du rendement des actifs du
bilan d’une entreprise individuelle.
Lorsqu’ils ont estimé les coefficients présents dans les équations (21) et (22) par
régression de quantiles, ils les utilisent afin d’estimer la VaR d’une institution individuelle i
ainsi que la CoVaR du système financier :
𝑉𝑎𝑅!! = 𝛼 ! + 𝛾 ! 𝑀!!! (23)

𝐶𝑜𝑉𝑎𝑅!! = 𝛼 !"!#$%|! + 𝛽 !"!#$%|! 𝑉𝑎𝑅!! + 𝛾 !"!#$%|! 𝑀!!! (24)
Lorsque la CoVaR du système est calculée pour un quantile de 1% (état de stress) et de

50% (état médian), nous pouvons calculer sa ∆CoVaR qui, pour rappel, est la différence entre
la CoVaR du système qui est conditionnelle au fait qu’une institution soit à son niveau de VaR
(c'est-à-dire à un niveau de stress où q représente le quantile et est choisi à 1%, comme l’on
fait les deux auteurs) et celle conditionnelle à l’état médian de cette même institution (où q est
alors défini à 50%). Cette mesure permet de capturer la contribution marginale d’une
institution particulière i à l’ensemble du risque du système.
∆𝐶𝑜𝑉𝑎𝑅!! 𝑞 = 𝐶𝑜𝑉𝑎𝑅!! 𝑞 − 𝐶𝑜𝑉𝑎𝑅!! 50% (25)

!"!#$%|!
∆𝐶𝑜𝑉𝑎𝑅!! 𝑞 = 𝛽! (𝑉𝑎𝑅!! (𝑞) − 𝑉𝑎𝑅!! 50% ) (26)
51
Deuxième partie : Analyse Empirique
Chapitre 6 : Méthode d’estimation de la ∆CoVaR
Après avoir présenté les mesures du risque, le phénomène de contagion, le risque

systémique ainsi que la CoVaR, la deuxième partie de ce mémoire consistera à étudier
l’impact de la fragilité du système financier sur le reste de l’économie dans deux régions
principales : la zone euro et les Etats-Unis.
Dans ces deux régions-là, une comparaison interentreprises (sur base de la capitalisation
boursière) et intersectorielles seront développées afin de déterminer si le reste de l’économie
est impacté différemment en fonction d’une institution particulière ou d’un secteur financier
particulier. Dans cette étude, six institutions européennes et six américaines seront réparties
en trois secteurs financiers, ce qui permettra d’étudier leur impact sur le reste de l’économie.
De plus, nous analyserons l’impact de l’ensemble du secteur bancaire, du secteur des
assurances et celui des entreprises offrant des services financiers grâce à des indices qui sont
représentatifs de ces secteurs financiers. L’ensemble des données des institutions européennes
et américaines ainsi que les différents indices sectoriels seront présentés au chapitre suivant.
ADRIAN et BRUNNERMEIER (2011), comme déjà dit au chapitre précédent,
définissent le système comme l’ensemble de toutes les institutions financières. Ils veulent
donc mesurer le risque systémique tel que défini par DE BANDT et HARTMANN (2000)
(pour rappel, ces derniers définissent une crise systémique comme étant un phénomène
systémique qui affecte négativement et de manière importante un nombre considérable
d’institutions financières ou marchés, ayant pour conséquence la mise à mal de tout le
fonctionnement du système financier).
Dans le cadre de ce mémoire, lorsque le mot « système » (ou « le reste de
l’économie »), sera évoqué, nous prenons en compte toute l’économie, excepté les entreprises
financières. Dans notre étude, nous définissons dès lors le risque systémique comme étant
l’impact négatif qu’une institution financière individuelle ou que plusieurs organismes
financiers (qui seront alors représentés par un indice financier sectoriel) peuvent provoquer
sur le reste de l’économie qui sera également représenté grâce à un indice.
52
Le choix de cette définition du système s’explique par deux raisons. Premièrement, la
majorité des études empiriques étudient l’impact des problèmes d’institutions financières
individuelles sur tout le système financier. Le but est donc de se démarquer des autres études
empiriques afin d’analyser la sensibilité du reste de l’économie au risque que représente les
entreprises financières. Deuxièmement, d’un point de vue méthodologique, si le système
contient des entreprises financières, alors un problème dans l’une d’entre elles influencera
directement le système et pourrait donc biaiser l’impact réel des institutions financières sur le
reste de l’économie. Il est donc utile de trouver un système qui ne les prend pas en compte.
Afin de déterminer l’influence d’une institution financière ou d’un secteur financier tout
entier sur le système, nous utiliserons deux indices de référence, le « S&P500 Ex Financial »
pour les Etats-Unis et le « Morgan Stanley Capital International (MSCI) Daily TR Net Europe
Ex Financial » pour la zone euro.
Le choix d’un indice comme représentant du reste de l’économie peut être justifié de
deux manières différentes. Tout d’abord, ces deux indices représentent le système tout entier
(excepté le financier) étant donné qu’ils sont composés d’actions du secteur alimentaire,
automobile, chimique, industriel, pétrolier, technologique, télécom ou encore des secteurs
comme celui de la construction ou des médias. De manière générale, chaque secteur est
représenté dans un indice de référence, ce qui permet d’utiliser cet indice comme une variable
proxy de notre système.
Deuxièmement, les indices sont assez représentatifs de l’économie en général car
lorsqu’ils diminuent pendant une période prolongée, cela signifie que l’environnement
macroéconomique n’est pas bon et qu’il y a beaucoup de problèmes dans l’économie. En
effet, si les rendements d’un indice sont négatifs pendant une longue période, le risque
systémique est potentiellement plus grand. Grâce à l’évolution historique des rendements,
nous pouvons avoir une idée du climat économique dans lequel nous nous trouvons. Au
contraire, si l’économie se porte mieux, l’inflation en général reste menaçante et les
investisseurs se protègent contre cela en achetant des actions. Ce choix d’utiliser un indice
comme variable proxy de notre système suppose que les bourses sont efficientes, ce qui est le
cas la plupart du temps. Les rendements d’un indice sont donc une variable proxy pertinente
sur laquelle nous pouvons nous baser afin de calculer le risque systémique tel que nous
l’avons défini à la page précédente.
53
Section 6.2 : Modèles utilisés et méthodologies
Les modèles et leur méthodologie que nous allons utiliser se basent principalement sur
l’article de référence « CoVaR » d’ADRIAN et BRUNNERMEIER (2011). Néanmoins, alors
que ces derniers utilisent les rendements des actifs du bilan étant « market-valued » pour
calculer la ∆CoVaR, nous allons nous focaliser sur les rendements boursiers des actions
d’institutions financières, des indices financiers sectoriels ainsi que des indices représentatifs
du reste de l’économie. Ce choix a été motivé par deux raisons principales. Premièrement, les
rendements boursiers d’une entreprise sont en général très représentatifs de sa santé
financière. Deuxièmement, l’accès à certaines données (comme les éléments hors bilan d’une
institution individuelle par exemple) n’était pas possible.
Les équations ci-dessous qui vont être présentées sont estimées via la méthode de
régression de quantiles (pour plus d’explications, vous pouvez vous référer à la section 6.3).
Premièrement, les rendements boursiers des institutions financières individuelles et des
indices financiers sectoriels, R!! , peuvent être définis généralement de la manière suivante :
R!! = α! + γ! M!!! + ε!! (27)
où α! est la constante. M!!! représente une matrice de variables d’état. En ce qui concerne les
rendements boursiers des entreprises financières américaines et des indices financiers
sectoriels américains, les variables d’état utilisées sont les mêmes variables que celles
utilisées par les deux auteurs de référence étant donné que ces dernières sont très pertinentes.
Elles sont au nombre de sept :
- Le VIX qui est un indice de volatilité coté sur le « Chicago Board Options
Exchange ».
- Un « liquidity spread » de court terme défini comme la différence entre le taux repo
US à trois mois et le rendement d’une obligation du Trésor Américain à trois mois.
- La variation du rendement d’une obligation du Trésor Américain à trois mois.
- La variation de l’écart de rendement (en anglais appelé « yield spread ») entre une
obligation du Trésor Américain à 10 ans et celle à trois mois.
- La variation de l’écart de crédit (en anglais appelé « credit spread ») qui est mesuré
par la différence entre des obligations d’entreprise notée BAA et celle des Etats-
Unis pour une même maturité égale à dix ans.
- Le rendement du marché des actions américaines représenté par l’indice S&P500.
54
- Le rendement du secteur de l’immobilier mesuré par le DJ US Real Estate Index.
Pour la zone euro, nos variables d’état restent les mêmes mais nous avons adapté nos
données en prenant des données européennes sauf pour le VIX et le rendement des obligations
d’Etat notées BAA étant donné que l’information n’était pas disponible sur Bloomberg pour
la zone euro. Nous avons donc repris ces deux mêmes données aussi bien pour les Etats-Unis
que pour la zone euro. Les autres données européennes choisies sont le taux Euribor Repo à 3
mois, les obligations allemandes à 3 mois et à 10 ans, l’indice Euro Stoxx 50 et le Bloomberg
Europe Real Estate Index.
Chaque 𝛾 ! de l’équation (27) représente le coefficient d’une des sept variables d’état.
L’équation (27), pour les valeurs américaines, peut être réécrite explicitement de la
façon suivante:
R!! =
α! + β! VIX + β! USLIQSPD + β! TBILL + β! USYLDSPD +
β! USCDTSPD + β! S&𝑃500 + β! DJUSRE + ε!! (28)
Pour les valeurs européennes, elle peut être réécrite explicitement de la façon suivante:
R!! = α! + β! VIX + β! EULIQSPD + β! GERBILL + β! EUYLDSPD +

β! EUCDTSPD + β! EuroStoxx50 + β! BEREAL + ε!! (29)
Grâce à la méthode d’estimation qu’est la régression de quantiles, nous trouvons les

estimations de tous les β des équations 28 (et 29 également) (β) pour un quantile de régression
bien particulier (1% dans ce cas-ci). Ceci signifie qu’à chaque observation, nous prenons 1%
de la distribution des rendements.
A partir de ce moment, il est possible de prédire la VaR à 1% pour chaque date puisque
la VaR n’est rien d’autre qu’un quantile. En reprenant l’équation générale (27), nous
obtenons :
VaR!! = α! + γ! M!!! (30)
où α! et γ! sont estimés par la régression de quantiles de l’équation (27).
55
Ayant estimé les coefficients des équations (28) et (29) grâce à la régression quantile à
1%, cela nous permet ensuite d’obtenir la VaR à 1%. La VaR pour une action américaine ou
un indice américain va être calculée suivant l’équation suivante (même logique pour la zone
euro) où seules les variables dont les coefficients sont significatifs seront reprises:
VaR!! = α! + β! VIX + β! USLIQSPD + β! TBILL + β! USYLDSPD +

β ! USCDTSPD + β! S&𝑃500 + β! DJUSRE (31)
Après avoir estimé R!! (pour une entreprise financière individuelle ou pour un indice
financier sectoriel), un modèle légèrement différent est utilisé pour estimer le rendement de
!"!#$%
l’indice représentatif du reste de l’économie, R ! :
!"!#$% !"!#$%|!
R! = α!"!#$%|! + β!"!#$%|! R!! + γ!"!#$%|! M!!! + ε! (32)
Le rendement de cet indice « système » dépend également des mêmes variables d’état
que précédemment (excepté le rendement du marché des actions incluant les entreprises
financières puisque ces deux indices sont presque semblables dans leur composition) mais
également du rendement de l’institution i (ou indice sectoriel),R!! . Par exemple, si nous
prenons le S&P 500 Ex Financial (même logique pour l’indice européen représentant le reste
de l’économie où les variables d’état proviennent des données européennes et où l’institution i
(ou indice sectoriel) sera européenne), nous obtenons ce qui suit :
S&𝑃500𝐸𝑥 𝐹𝐼!! = α!"!#$%|! + β! R!! + β! VIX + β! USLIQSPD + β! TBILL +

β! USYLDSPD + β! USCDTSPD + β! DJUSRE + ε!! (33)
Cette équation est également estimée grâce à la régression de quantiles et nous trouvons
les estimations de tous les β (β) pour un quantile de régression bien particulier (1% dans ce
cas-ci). Ceci signifie qu’à chaque observation, nous prenons 1% de la distribution des
rendements.
Puisque la VaR n’est rien d’autre qu’un quantile, nous calculons ensuite la VaR du
système lorsque l’institution i (ou indice sectoriel) est à son niveau de VaR, ce qui représente,
56
pour rappel, le concept de la CoVaR. Pour intégrer le fait que l’institution i soit à son niveau
de VaR, la VaR estimée à l’équation (31) devient une variable explicative de la CoVaR.
De plus, les coefficients de toutes les variables explicatives ont été estimés à l’équation (32).
Le modèle de la CoVaR estimée est exprimé ci-dessous (ici aussi seules les variables
significatives seront reprises) :
𝐶𝑜𝑉𝑎𝑅!! = α!"!#$%|! + β!"!#$%|! VaR!! + γ!"!#$%|! M!!! (34)
En reprenant l’exemple de l’équation (33), nous obtenons la CoVaR suivante :
𝐶𝑜𝑉𝑎𝑅!! = α! + β! VaR!! + β! VIX + β! USLIQSPREAD + β! TBILL +

β ! USYLDSPD + β! USCDTSPD + β! DJUSRE (35)
La logique, peu importe l’institution individuelle, l’indice sectoriel ou l’indice système,

sera toujours la même et elle est composée de deux étapes. Premièrement, il faut estimer les
coefficients des variables explicatives dans l’équation de rendements grâce à l’estimation par
régression de quantiles pour un quantile égal à 1%. Ensuite, il faut calculer la Value-at-Risk
correspondante.
Lorsque la CoVaR à un niveau de 1% est calculée, nous pouvons calculer celle à un
niveau de 50% grâce à la régression de quantiles (même méthodologie que ci-dessus mais
cette fois-ci, un quantile de 50% sera utilisé). Cette CoVaR est nécessaire à calculer car elle
permet ensuite de déterminer la ∆CoVaR. Pour rappel, cette dernière est la différence entre la
CoVaR conditionnellement au fait qu’une institution financière (ou un indice financier) soit à
son niveau de VaR (c'est-à-dire à un niveau de stress où q représente le quantile et est fixé à
1%) et celle conditionnelle à l’état médian de cette même institution (ou de ce même indice
financier et pour lequel q est alors défini à 50%). Cette mesure permet de capturer la
contribution marginale d’une institution particulière i (ou d’un indice financier) à l’ensemble
du risque du système (que nous avons défini comme le risque systémique) et elle est exprimée
ci-dessous (pour l’implémentation dans Stata, vous pouvez vous référer à l’annexe 7) :
∆𝐶𝑜𝑉𝑎𝑅!! 𝑞 = 𝐶𝑜𝑉𝑎𝑅!! 𝑞 − 𝐶𝑜𝑉𝑎𝑅!! 50% (36)
57
Enfin, la ∆CoVaR est une bonne mesure du risque systémique puisqu’elle satisfait aux
cinq conditions qu’un bon indicateur de risque systémique doit avoir selon SCHAAB,
KOOPMAN et LUCAS (2011).
Section 6.3 : La régression de quantiles
La régression de quantiles a été développée principalement par KOENKER (1978 et

2001) qui a écrit plusieurs articles ainsi qu’un ouvrage sur cette méthode d’estimation. De
manière intuitive, lorsqu’un étudiant obtient une note équivalente au 𝜏 quantile, cela signifie
qu’il fait mieux que ceux inférieurs à la proportion 𝜏 du groupe mais il performe moins bien
que les étudiants qui se trouvent dans la proportion 1-𝜏. Alors la moitié d’entre eux
performent mieux que la médiane et l’autre moitié moins bien.
Pour rappel, la fonction de répartition F (annexe 1, figure B) d’une variable aléatoire Y
peut être définie, pour tout 𝑦 ∈ 𝑅 , comme suit :
F y = Prob ( Y < 𝑦 ) (37)
Un quantile, 𝜏, est défini comme l’inverse de cette fonction de distribution F

(KOENKER et BASSET, 1978) :
Q ! Y = F !! τ = inf y ∶ F y > 𝜏 (38)
où 𝜏 est situé entre 0 et 1. Si nous prenons l’aire de la fonction de densité, ce 𝜏 quantile la

divise en deux : 𝜏 et 1- 𝜏 (annexe 1, figure C).
Les régressions de quantiles tentent d’évaluer comment les quantiles conditionnels de la
variable d’intérêt se déforment en fonction de déterminants de cette variable d’intérêt
(D’HAULTFOEUILLE et GIVORD, 2011).
Les quantiles peuvent être formulés comme la solution d’un simple problème
d’optimisation. La médiane peut être définie comme la solution du problème de minimisation
de la somme des résidus en valeur absolue. Pour les autres quantiles, puisque la symétrie de la
valeur absolue donne la médiane, il suffit de minimiser la somme des résidus qui sont
pondérés asymétriquement, ce qui signifie qu’il suffit simplement de donner des poids
différents aux résidus négatifs et positifs. En faisant cela, nous trouvons les quantiles
inconditionnels. Cela revient donc à résoudre :
58
min§∈! τ y! − § + 1 − τ y! − § (39)

Ce qui précède est valable pour les quantiles inconditionnels et pour ce qui est des
quantiles conditionnels, la régression par moindre carrés ordinaires sert de base à l’estimation
de la régression de quantiles. Pour rappel, en ce qui concerne la méthode des moindres carrés
ordinaires, il faut trouver la moyenne conditionnelle de l’échantillon afin de solutionner le
problème de minimisation de la somme des résidus au carré. Formellement, cela donne :
!
min!∈! !!!( y! − µμ ( x! , β))² (40)
où µ représente une fonction paramétrique dépend de x et de β, afin d’estimer la fonction

d’espérance conditionnelle E ( Y| x).
Pour estimer la valeur du 𝜏 quantile conditionnel de l’échantillon, il faut résoudre le
même problème de minimisation de l’équation (40) en remplaçant § (de l’équation 39) par la
fonction paramétrique §( xi , β) (à titre informatif, afin d’obtenir une estimation du coefficient
à un quantile égal à 50%, il suffit de mettre 𝑟 à 0.5) :
β τ = argmin!∈! τ ( y! − βx! ) + !∈ !∶ !! ! !!! 1 − τ y! − βx! (41)
Pour rappel, l’estimateur par moindres carrés ordinaires est le meilleur estimateur
linéaire sous les conditions de Gauss-Markov : l’espérance du terme d’erreur est égale à 0, le
terme d’erreur suit une loi normale, la présence d’homoscédasticité (la variance de la
distribution du terme d’erreur est la même pour chaque individu), la présence d’exogénéité (il
faut de l’indépendance entre le terme d’erreur et la variable explicative), de l’indépendance
entre les termes d’erreur (les termes d’erreur doivent être générés indépendamment les uns
des autres) et aucun paramètres incidentaux.
Après avoir présenté rapidement l’intuition de l’estimation par régression de quantiles,
nous avons choisi d’utiliser cette méthode par comparaison avec ADRIAN et
BRUNNERMEIER (2011). Elle est intéressante pour plusieurs raisons. Premièrement,
d’après KOENKER et BASSET (1978), elle est aussi efficace dans l’estimation des
coefficients d’une régression pour des modèles suivant une loi normale mais surperforment
l’estimateur des moindres carrés ordinaires par exemple, lorsque la distribution du terme
59
d’erreur n’est pas Gaussienne. En effet, elle ne nécessite aucune hypothèse paramétrique sur
la distribution du terme d’erreur, ce qui lui permet d’estimer des modèles peu importe la
distribution du terme d’erreur (qui est souvent, il faut le mentionner, non-gaussienne). Elle
peut dès lors avoir une très grande flexibilité pour modéliser les données ayant des
distributions conditionnelles hétérogènes (CHEN, 2010). La régression de quantiles incorpore
les estimations de la moyenne conditionnelle et de la volatilité conditionnelle afin de trouver
des quantiles conditionnels sans utiliser les hypothèses sur la distribution du terme d’erreur
qui seraient nécessaires pour l’estimation par la méthode des moindres carrés ordinaires.
Un deuxième avantage est le fait qu’avec un quantile 𝜏 variant entre 0 et 1, cela nous
permet d’avoir des β différents en fonction du quantile 𝜏 étudié. Dans le cadre de rendements
boursiers, cela nous permettra de connaître non seulement le rendement moyen attendu sur
toute la distribution, mais également toute la distribution du rendement moyen attendu (MA et
POHLMAN, 2005).
Troisièmement, la régression de quantiles est robuste en présence d’« outliers » dans la
variable dépendante. Cela est très utile puisque les observations financières peuvent souvent
présenter des « outliers » ou au moins des observations qui sont fortement différentes du reste
du processus.
Quatrièmement, la régression de quantiles ne se base en aucun cas sur l’existence de
moments et trouvent une alternative à toutes les méthodes basées sur l’estimation par la
méthode des moments. La régression de quantiles permet donc d’aller au-delà des problèmes
d’inférence pour les rendements à haute fréquence. De plus, elle permet de modéliser chaque
quantile conditionnel sans se reposer sur des hypothèses globales (CORONEO et VERADAS,
2011).
Enfin, vu que la Value-at-Risk est simplement un quantile de la distribution, la
régression de quantiles est une méthode d’estimation logique afin de la déterminer. De plus, il
a été prouvé que les variables d’état qui permettent d’expliquer les rendements ont un effet
asymétrique sur la distribution des rendements, affectant de manière différente les quantiles
petits, moyens et grands.
Les régressions de quantiles ont été développées dans le but d’analyser plus
complètement l’impact de différents déterminants sur les variables alors que l’analyse par la
régression classique ne s’intéresse qu’aux effets moyens des variables. Néanmoins, elles ne
résolvent pas le problème d’endogénéité (D’HAULTFOEUILLE et GIVORD, 2011).
Après avoir présenté le modèle qui sera utilisé pour commenter les résultats de nos
estimations au chapitre 8, la méthodologie à suivre ainsi que la méthode d’estimation par
60
régression de quantiles, le chapitre 7 va permettre d’introduire, de présenter et d’expliquer les
différentes données qui seront utilisées dans l’estimation de nos modèles.
61
Chapitre 7 : Analyse des données
Cette étude empirique se base sur les rendements boursiers de titres financiers
(présentés à la sous-section 7.2.1) et s’étend du 01 octobre 2002 au 16 mars 2012. Le choix du
début de la période s’explique principalement par le fait que le début du mois d’octobre 2002
se trouve dans une période où les indices ont touché un plus bas après l’éclatement de la bulle
technologique au début des années 2000. En effet, durant l’analyse empirique, nous nous
focaliserons sur la plus grave crise depuis la Grande Récession de 1929 et c’est pour cette
raison que cette période de 10 années (2420 observations) a été choisie. Pour la représentation
graphique, les figures A et B sont présentées en annexe 2.
Dans un premier temps, le but de ce mémoire est d’analyser l’impact du système
financier sur l’ensemble de l’économie durant la période 2002-2012. Ensuite, cette période
pourra être décomposée en deux périodes principales : une période d’euphorie sur les places
boursières allant du 01 octobre 2002 au 31 décembre 2007 et une période de crise allant du 02
janvier 2008 au 16 mars 2012. Cela permettra de voir si l’impact du système financier n’est
pas plus important après le déclenchement de la crise qu’avant son apparition. Le choix de ces
dates est justifié par le journaliste Eric Laurent, étant un grand reporter et qui a écrit des
ouvrages reconnus, notamment « La face cachée des banques : Scandales et Révélations sur
les milieux financiers ». Ayant longuement investigué à New-York et en Europe, il considère
dans son livre que les problèmes et la récession sont apparus en décembre 2007. De plus, les
figures A et B de l’annexe 2 montrent bien qu’au début de l’année 2008, une cassure
boursière s’est opérée par rapport aux 5 années précédentes de croissance boursière.
Section 7.2 : Présentation des données
Sous-section 7.2.1 : Institutions financières individuelles
Comme déjà dit précédemment, l’analyse empirique se base sur les rendements
boursiers. La formule utilisée pour calculer les rendements des titres financiers (actions ou
indices) est la suivante : Ri = ln (Pt) – ln( Pt-1) (42)
où Pt représente le prix de l’actif financier au temps t et Pt-1 représente le prix de l’actif

financier au temps t-1.
62
La première partie de l’analyse consistera en une étude de l’impact du risque d’une
entreprise financière individuelle sur le risque du système. Ceci aura pour but d’évaluer la
sensibilité du système à une entreprise financière individuelle afin de voir laquelle influence
le plus négativement le reste de l’économie.
Le choix des institutions individuelles a été effectué sur base de deux critères. Le
premier est le critère géographique où uniquement des entreprises financières européennes
(lorsque le terme européen est repris par la suite, nous prenons en compte uniquement la zone
euro) et américaines ont été choisies. Le deuxième critère est celui de la capitalisation
boursière, c'est-à-dire que nous avons choisi les institutions financières dont la capitalisation
boursière était la plus élevée au 16 mars 2012. Nous supposons que les grosses capitalisations
boursières sont celles qui auront le plus d’impact sur le système en général puisque si une
entreprise possède une grosse capitalisation boursière, cela signifie que les investisseurs y
mettent beaucoup d’argent. Dès lors, si une entreprise à très forte capitalisation boursière
connait un problème, nous pouvons aisément supposés qu’un plus grand nombre d’acteurs du
reste du système seront impactés que si une entreprise possèdent une faible capitalisation
boursière.
A partir de ces deux critères, nous avons décomposé le secteur financier au sens large
en trois secteurs particuliers : le secteur bancaire, des assurances et des services financiers.
Dès lors, chacun de nos trois secteurs sera composé de deux entreprises financières ayant la
plus grosse capitalisation boursière afin de rendre les comparaisons géographiques effectives.
Pour la zone euro, notre secteur bancaire est composé de la banque espagnole Banco
Santander ainsi que de la banque française BNP Paribas. Les compagnies d’assurances
Allianz (Allemagne) et AXA (France) sont les deux entreprises à avoir la plus grosse
capitalisation boursière dans leur secteur. En ce qui concerne le secteur des services
financiers, la Deutsche Boerse et le Groupe Bruxelles Lambert seront étudiés dans le chapitre
suivant. Le choix des données s’est basé grâce à l’indice EURO STOXX Financial dans
lequel se retrouvent les 63 entreprises financières ayant la plus grosse capitalisation boursière
de la zone euro.2 Aux Etats-Unis, les banques JP Morgan et Wells Fargo composent notre
secteur bancaire. Celui des assurances est représenté par Berkshire Hathaway et par American
International Group (dénommé AIG plus tard). Le secteur des services financiers prend en
compte Goldman Sachs et American Express. Ces titres financiers ont été choisis sur base de
l’indice Dow Jones U.S. Financial3.
2
3
63
Sous-section 7.2.2 : Indices sectoriels
Après avoir analysé l’impact d’une institution financière individuelle sur le risque
systémique, nous étudierons l’impact d’un indice sectoriel. Pour la zone euro, les trois indices
sectoriels que nous utiliserons sont les suivants : l’Euro Stoxx Banks, l’Euro Stoxx Financial
Services et l’Euro Stoxx Insurance1. Aux Etats-Unis, le DJ US Banks Index, le DJ US
Financial Services Index ainsi que le DJ US Insurance Index sont les trois indices sectoriels
repris dans cette étude2. Le choix de ces six indices a été facile à effectuer puisque ces
derniers sont le plus généralement repris dans les journaux économiques et financiers comme
l’Echo ou le Financial Times.
Section 7.3 : Analyse descriptive
Sous-section 7.3.1 : Variables explicatives de contrôle
Cette sous-section a comme objectif d’effectuer une analyse de l’évolution des variables
explicatives du modèle qui nous intéresse (pour rappel, chapitre 6, équation 33) afin de
pouvoir calculer la ∆CoVaR, étant la mesure de notre risque systémique. Au chapitre 6, nous
avons vu que notre modèle dépend des variables d’état, que nous appellerons variables
explicatives de contrôle. Il dépend également d’une variable représentant les rendements
d’une institution financière individuelle, ou d’un indice financier sectoriel puisque nous
voulons mesurer la contribution d’une institution (ou d’un indice financier) au risque de notre
système. Toutes les données de nos variables de contrôle ainsi que les rendements boursiers
de nos institutions financières individuelles, de nos indices financiers sectoriels et de nos
indices système ont pu être trouvées et extraites de la plateforme Bloomberg.
En ce qui concerne nos variables explicatives de contrôle, le tableau 1, qui se trouve à la
page suivante, en fait la synthèse. Pour plus de détails et d’explications sur chacune d’entre
elles, vous pouvez vous référer à l’annexe 3. Toutes nos variables de contrôle sont les mêmes
que celles utilisées dans l’article de référence « CoVaR » d’ADRIAN et BRUNNERMEIER
(2011).
64
Tableau 1 : Synthèse de nos variables de contrôle
Variables de contrôle Articles de référence Ce qui est mesuré

« Volatility Index » (VIX) Adrian et Brunnermeier (2011) La volatilité des marchés d’actions
« Liquidity Spread » Adrian et Brunnermeier (2011) Le risque de liquidité
Variation du taux d’intérêt d’une L’intervention des banques
Adrian et Brunnermeier (2011)
obligation à 3 mois centrales sur les taux directeurs
Variation de la « Yield Curve » Adrian et Brunnermeier (2011) Indicateur de l’économie future
Variation du « Credit Spread » Adrian et Brunnermeier (2011) Le risque de crédit
Rendement du marché de référence Adrian et Brunnermeier (2011) Indicateur de l’économie actuelle
Rendement d’un indice immobilier Adrian et Brunnermeier (2011) Indicateur de l’économie actuelle
Sous-section 7.3.2 : Variables explicatives représentant des rendements boursiers américains
Après avoir présenté nos variables explicatives de contrôle pour les Etats-Unis ainsi que
pour la zone euro, nous allons faire une analyse descriptive des rendements de nos institutions
individuelles, de nos indices sectoriels ainsi que de l’indice de référence (variable expliquée
qui, pour rappel, ne comprend pas de valeurs financières) pour le marché américain et
européen. Pour avoir plus de détails sur les graphiques et tableaux utilisés, ces derniers se
trouvent à l’annexe 4 pour les rendements boursiers aux Etats-Unis.
En ce qui concerne les banques JP Morgan et Wells Fargo, nous pouvons observer
(figure A) qu’au début de notre échantillon, l’action JP Morgan est nettement plus volatile
que l’action Wells Fargo. A partir du milieu de l’année 2007, la volatilité commence à
s’accroitre jusqu’à l’apparition des problèmes de Lehman Brothers où les rendements peuvent
être fortement négatifs un jour et être fortement positifs le jour d’après. Par exemple, le 23
mars 2009, JP Morgan a pris plus de 22% et Wells Fargo plus de 21% alors que le lendemain,
ces dernières ont perdu respectivement 8.9% et 11.16%. Après le déclenchement de la crise en
2008, la volatilité de ces deux actions n’a pu retrouver son niveau d’avant crise où la volatilité
était moins prononcée. De plus, nous pouvons observer que la volatilité de l’action de Wells
Fargo est devenue plus importante que celle de JP Morgan à la suite du déclenchement de la
crise. Récemment, la volatilité s’est accrue à cause de la crise de la dette souveraine dans la
zone euro durant l’été 2011.
Les secteurs financiers étant particulièrement liés entre eux, nous remarquons que les
observations qui sont reprises ci-dessus sont les mêmes pour les deux institutions de notre
secteur des assurances (figure B). Néanmoins, il est nécessaire de souligner que l’action AIG
a connu une plus forte volatilité que Berkshire Hathaway puisqu’elle a été une des premières
65
entreprises à avoir des problèmes aux Etats-Unis. Déjà, dès la fin du mois de juillet ainsi
qu’en août de l’année 2008, l’action AIG a dévissé à plusieurs reprises de plus de 10%. Début
septembre 2008, elle a perdu plus de 50% en deux séances. Pire, le 15 septembre 2008, elle
perdait 93 % de sa valeur en une seule séance suite à la faillite de Lehman Brothers. Par la
suite, elle a été renflouée par la banque centrale américaine (la Fed) et a pu s’en sortir.
Néanmoins, ces deux actions sont nettement plus volatiles qu’avant le début de la crise.
Les cours des actions American Express et Goldman Sachs (du secteur des services
financiers) n’échappent pas non plus à la règle (figure C). Une volatilité faible caractérise la
période allant de mai 2003 à juin 2007. Puis celle-ci augmente petit à petit pour atteindre des
niveaux importants dès le mois de septembre 2008. A partir de ce moment, la volatilité n’est
pas redescendue à son niveau d’avant crise. A titre d’information, l’action Goldman Sachs
présente une volatilité un peu plus importante (écart-type de 2.591%) que l’action American
Express (écart-type de 2.573%).
A la figure D, se trouve une comparaison des rendements journaliers des trois indices
financiers américains. Premièrement, nous pouvons remarquer graphiquement que la volatilité
de l’indice bancaire américain est plus importante que celle des deux autres indices financiers
américains, surtout en période de crise. Statistiquement, si nous choisissons l’écart-type
comme mesure de la volatilité, nous obtenons un écart-type de 2.634% pour l’indice bancaire,
de 2.173% pour l’indice des services financiers et de 1.891% pour l’indice des assurances
(tableau 1). De plus, ceci peut être illustré à la figure E où l’action Wells Fargo est plus
volatile que l’action Berkshire Hathaway. Cette même action est également plus volatile que
l’action Goldman Sachs, sauf durant l’été 2011. Ensuite, le secteur des assurances présente
une volatilité plus faible que celui des services financiers (figure F et tableau 1). A titre
illustratif, l’action Berkshire Hathaway est nettement moins volatile que les actions American
Express et Goldman Sachs (figure G). D’après les résultats des tests de corrélation entre les
rendements boursiers de nos indices sectoriels (tableau 1), nous en concluons qu’aux Etats-
Unis, les rendements de notre indice bancaire sont moins corrélés (0.7196) que ceux de nos
deux autres indices financiers sectoriels (pour l’indice des assurances, nous obtenons un
coefficient de corrélation égal à 0.8437 et celui des services financiers est égal à 0.8546) avec
les rendements de notre indice système, le S&P 500 Ex Financial.
Enfin, en ce qui concerne notre indice de référence américain représentant l’ensemble
du système, le S&P500 Ex Financial, il comporte une période plus volatile à la fin de l’année
2002 et début de l’année 2003 (figure H). Sa volatilité reste faible entre le milieu de l’année
2003 et le milieu de l’année 2007. Comme les trois indices financiers et les six actions
66
individuelles, sa volatilité va augmenter progressivement dès juillet 2007 pour exploser à la
fin de l’année 2008, suite aux problèmes de Lehman Brothers. D’après la figure H, nous
pouvons remarquer que la volatilité de l’indice S&P500 Ex Financial et celle de l’indice
S&P500 sont fortement semblables et il est donc difficile de savoir lequel est le plus volatile.
Sous-section 7.3.3 : Variables explicatives représentant des rendements boursiers européens
Après avoir effectué une première analyse descriptive des valeurs américaines, nous
allons faire de même pour les actions, les indices financiers sectoriels ainsi que pour notre
indice système dans la zone euro. Vu que les périodes principales qui présentent une forte ou
une faible volatilité sont les mêmes que celles évoquées précédemment, il ne sert à rien de se
répéter. Pour la zone euro, les graphiques et les tableaux utilisés se trouvent à l’annexe 5.
Pour notre secteur bancaire, l’action BNP Paribas est généralement plus volatile que
l’action Banco Santander (figure A). La figure B nous permet également de constater que,
parmi les deux actions qui composent notre secteur des assurances, AXA est la plus volatile
(par rapport à Allianz). L’action belge, GBL, présente une volatilité plus faible que l’action
du groupe allemand Deutsche Boerse (figure C). D’après ces trois graphiques, nous pouvons
remarquer que les actions de notre secteur des services financiers (Deutsche Bourse et GBL)
sont, en général, moins volatiles que BNP Paribas et Banco Santander, qui elles-mêmes sont,
en général, moins volatiles que celles qui composent notre secteur des assurances (Allianz et
AXA). Par contre, dès le début des problèmes concernant la dette souveraine, BNP Paribas a
montré une volatilité plus importante que les cinq autres actions, vu son exposition importante
aux dettes grecques.
La figure D nous permet de comparer la volatilité des différents indices financiers
sectoriels. L’indice le moins volatile est celui composé d’entreprises financières effectuant
des services financiers, c'est-à-dire l’Euro Stoxx Financial Services. Globalement, l’indice
bancaire européen présente une volatilité similaire à l’indice des assurances, aussi bien
graphiquement que statistiquement (écart-type moyen étant respectivement égal à 2.056% et
2.099%, tableau1), même si ce dernier, durant quelques mois après septembre 2008, a été
quelques fois plus volatile que l’Euro Stoxx Banks. De plus, d’après les tests de corrélation
(tableau 1), ces trois indices européens sont en général corrélés de la même façon à l’indice
système puisque les coefficients de corrélation sont très proches (allant de 0.8761 à 0.8995).
Enfin, grâce à la figure E, nous remarquons que notre indice système, le MSCI Daily TR Net
Europe Ex Financial, est nettement moins volatile que l’Euro Stoxx 50 et ceci est valable pour
toute la période allant du 01 octobre 2002 au 16 mars 2012.
67
Sous-section 7.3.4 : Première comparaison entre les Etats-Unis et la zone euro
Dans cette sous-section 7.3.4, une première comparaison graphique entre les USA et la
zone euro va être effectuée (annexe 6).
Au niveau sectoriel, aux Etats-Unis, nous sommes arrivés à la conclusion selon laquelle
les actions bancaires sont plus volatiles que les actions de compagnies d’assurances et celles
de services financiers. Dans la zone euro, l’indice le moins volatile est celui représentant les
services financiers alors que les deux autres indices ont une volatilité similaire. Selon la figure
A, la volatilité de l’indice bancaire est plus importante dans la zone euro qu’aux Etats Unis
durant deux périodes : entre le mois d’octobre 2002 et mai 2003 et à partir de juin 2011
jusqu’à aujourd’hui. La période durant laquelle la volatilité de l’indice bancaire américain est
plus élevée est le reste de la période, et donc l’indice bancaire américain est en moyenne plus
volatile que celui européen (écart-type moyen de 2.634% pour l’indice américain et 2.056%
pour l’européen). Par contre, la figure B montre que l’indice des assurances européen est plus
volatile que celui américain (écart-type moyen de 2.099% contre 1.890%).
Ensuite, les compagnies financières offrant des services financiers (autres que bancaires
et actuariels) présentent une volatilité plus élevée aux Etats-Unis que dans la zone euro et ceci
est confirmé par la figure C (écart-type moyen de 2.173% contre 1.582%). De plus, en ce qui
concerne les indices représentant le reste de l’économie, il est difficile à vue d’œil de
déterminer si l’indice américain est plus volatile que celui européen même si nous pouvons
remarquer que, fin 2008 et début 2009, l’indice américain était plus volatile que celui
européen (figure D). Il semblerait que l’indice européen soit un peu plus volatile dès le mois
de juillet 2011. En moyenne, l’indice européen est très légèrement plus volatile que celui
américain pour toute la période (écart-type moyen de 1.282% contre 1.258%).
Après l’analyse des graphiques des indices financiers sectoriels européens et
américains, nous pouvons conclure que les indices des trois secteurs financiers sont beaucoup
plus volatiles que nos deux indices « système ».
Toute cette approche concernant l’analyse descriptive est intéressante afin de pouvoir
déjà avoir quelques intuitions. Néanmoins, il est nécessaire d’aller plus loin dans le but de
déterminer de manière parcimonieuse laquelle de nos actions et lequel de nos indices
financiers sectoriels ont le plus d’influence sur le système et apportent la contribution
marginale la plus importante au risque systémique.
68
Le chapitre suivant est consacré à l’interprétation des estimations de la ∆CoVaR, notre
mesure du risque systémique. Le but de ce chapitre sera donc de comparer les résultats de nos
estimations en fonction des entreprises financières individuelles mais également des indices
financiers sectoriels et de déterminer leur influence sur le reste de l’économie. Si vous désirez
avoir plus de détails concernant l’implémentation dans Stata, le do-file détaillé de la méthode
d’estimation ainsi que des explications détaillées se trouvent à l’annexe 7. L’annexe 8, quant à
lui, présente toutes les estimations des régressions de quantiles qui ont été nécessaires afin
d’estimer les différentes ∆CoVaR.
69
Chapitre 8 : Résultats
Section 8.1 : Etats-Unis
Sous-section 8.1.1 : Période 2002-2012
Avant d’analyser les données américaines puis européennes, faisons un petit rappel au
niveau de la ∆CoVaR de notre système (représenté aux Etats-Unis par le S&P500 Ex
Financial et dans la zone euro par le MSCI Daily TR Net Europe Ex Financial). Elle est
définie comme la différence entre la CoVaR du système lorsqu’une institution ou un indice
sectoriel est à son niveau de VaR de 1% (c'est-à-dire lorsqu’elle ou il se trouve en situation de
stress) et celle conditionnelle au fait cette institution ou cet indice sectoriel se trouve à son état
médian. Elle représente donc la Value-at-Risk additionnelle du système imposée par une
institution financière en particulier (ou par un indice financier sectoriel) lorsque cette dernière
se trouve en situation de stress par rapport à une situation normale. Elle a pour objectif de
capturer la contribution marginale d’une institution financière (ou d’un indice financier) à
l’ensemble du risque systémique. Pour cette section, toutes les annexes utilisées se trouvent à
l’annexe 9.
Analysons maintenant la ∆CoVaR relative à nos six entreprises financières américaines.
L’interprétation des données se fait en pourcentage puisque toutes nos données sur les
rendements boursiers sont également en pourcentage. A la figure A, nous pouvons remarquer
que la ∆CoVaR relative à l’action JP Morgan est plus importante (en valeur absolue) que celle
relative à l’action Wells Fargo. Cela signifie tout simplement que l’institution financière JP
Morgan présente un risque plus élevé que Wells Fargo pour l’ensemble de l’économie
américaine sur la période étudiée. D’un point de vue de la mesure du risque, la Value-at-Risk
du système, représenté par l’indice S&P500 Ex Financial, est plus importante en moyenne
lorsqu’elle dépend de l’action JP Morgan que lorsqu’elle dépend de l’action Wells Fargo. En
d’autres termes, le reste de l’économie sera affecté négativement de façon plus importante si
JP Morgan a des problèmes que si c’est Wells Fargo qui en a. Au tableau 1, nous pouvons
remarquer que durant toute la période d’étude, la ∆CoVaR conditionnelle à JP Morgan est
égale à -1.875%, ce qui signifie que si JP Morgan est dans une situation de stress, elle
influencera négativement la Value-at-Risk du S&P500 Ex Financial de -1.875% en moyenne.
Dès lors, si la mesure du risque de marché de l’indice S&P500 Ex Financial est plus
importante, cela signifie tout simplement que cet indice doit faire face à un risque plus
important et par conséquent, le reste de l’économie également.
70
Le deuxième graphique de la figure A nous montre qu’AIG contribue en moyenne
moins au risque systémique que Berkshire Hathaway. En effet, sa moyenne sur l’ensemble de
la période 2002-2012 est égale à -1.769% alors que celle de Berkshire Hathaway vaut -
1.967% (tableau 1). Cela signifie que si Berkshire Hathaway se trouve à son niveau de VaR
de 1% par rapport à son niveau médian, la mesure du risque de marché du S&P500 Ex
Financial subira une augmentation moyenne étant égale à 1.967%, ce qui signifie que le reste
de l’économie sera plus impacté par l’entreprise Berkshire Hathaway que par l’entreprise
AIG. A titre de comparaison, l’entreprise d’assurances dirigée par Warren Buffet a un impact
plus important sur la VaR de l’indice « système » que JP Morgan et que Wells Fargo puisque
la moyenne de sa ∆ CoVaR est plus grande que celle de nos deux entreprises bancaires (-
1.875% pour JP Morgan et -1.614% pour Wells Fargo). Cela a pour signification que
Berkshire Hathaway a une contribution marginale plus importante au risque systémique que
JP Morgan et Wells Fargo.
Sur base du troisième graphique, nous remarquons clairement que la ∆CoVaR
conditionnelle à l’action Goldman Sachs est en générale plus importante (en terme absolu)
que celle relative à l’action American Express durant la période de dix années. En effet, la
moyenne de la ∆CoVaR conditionnelle à Goldman Sachs est égale à -2.352% alors que celle
relative à American Express est plus petite en valeur absolue (-2.067%). Si Goldman Sachs
éprouve des difficultés et se trouve à un niveau de VaR de 1% plutôt qu’à son état médian,
alors l’indice S&P500 Ex Financial aura une VaR qui augmente en moyenne (et en valeur
absolue) de 2.352%. Ceci signifie un risque plus important pour cet indice et par conséquent,
pour le reste de l’économie également. Sur l’ensemble de nos six entreprises américaines,
c’est la banque d’affaires Goldman Sachs qui, en moyenne, a une contribution marginale plus
importante au risque systémique. Au contraire, la banque Wells Fargo est celle qui influence
le moins la mesure du risque de l’indice S&P500 Ex Financial.
Après avoir regardé l’impact individuel de nos six institutions sur le risque systémique,
intéressons nous de plus près à nos trois indices financiers afin de savoir lequel est le plus
risqué pour le reste de l’économie. Ces indices financiers ont le grand avantage qu’ils
représentent leur secteur tout entier et nous pouvons dès lors tirer des conclusions beaucoup
plus générales en ce qui concerne leur impact sur le reste de l’économie que si nous ne
prenions que des entreprises financières individuelles. Les deux graphiques de la figure B
montrent clairement que l’indice DJ US Financial Services présente une ∆CoVaR inférieure
en terme absolu à celle de nos deux autres indices. Dès lors, l’économie américaine sera
moins affectée si un problème survient pour toutes les entreprises qui offrent des services
71
financiers (autres que bancaires et actuariels) que si c’était un autre indice financier sectoriel
qui présente des problèmes. Le troisième graphique de la figure B montre, qu’en général,
l’indice des compagnies d’assurances a une ∆CoVaR plus grande en valeur absolue que celle
de l’indice bancaire. Ceci est confirmé par le tableau 4 qui montre qu’en moyenne, l’indice
bancaire américain contribue moins au risque systémique que l’indice américain représentatif
du secteur des assurances. En effet, le fait que l’indice des assurances se trouve à son niveau
de VaR de 1% au lieu de son état médian va avoir comme conséquence une augmentation (en
valeur absolue) moyenne de la mesure du risque de marché pour notre indice système de
2.314% (si c’était l’indice bancaire, l’augmentation ne serait « que » de 1.982%). En
conséquence, vu que la mesure du risque de marché de notre système sera plus importante en
valeur absolue, l’économie américaine toute entière sera en moyenne beaucoup plus impactée
par un problème sous-jacent au secteur des assurances que par un problème présent dans les
deux autres secteurs.
Sous-section 8.1.2 : Comparaison entre la période 2002-2007 et la période 2008-2012
Après avoir analysé nos résultats sur l’ensemble de la période 2002-2012, nous allons
faire une comparaison entre la période comprise entre 2002 et 2007 et celle comprise entre
2008 et 2012. Premièrement, nous remarquons que les ∆CoVaR, qu’elles soient
conditionnelles à une de nos six institutions financières ou à un de nos trois indices financiers,
ont une moyenne plus petite en terme absolu sur la période 2002-2007 (tableaux 2 et 5) que
sur la période 2008-2012 (tableaux 3 et 6). Ceci signifie que si une institution financière ou un
secteur financier en particulier a un problème, le risque était nettement moins élevé pour le
reste de l’économie (en d’autres termes, un risque systémique moins important) durant cette
période que durant la période 2008-2012. A partir du déclenchement de la crise début de
l’année 2008, toutes les institutions financières ont vu leur contribution marginale au risque
systémique augmenter fortement. En effet, la ∆CoVaR moyenne de l’indice S&P500 Ex
Financial conditionnelle à nos six entreprises financières varie entre -1.287% lorsqu’elle est
conditionnelle à Wells Fargo et -1.936% lorsqu’elle dépend de Goldman Sachs (tableau 2)
durant la première partie de l’étude alors qu’elle varie entre -1.945% (pour AIG) et -2.866%
(pour Goldman Sachs) durant la période allant du 02 janvier 2008 au 16 mars 2012. Ceci peut
s’expliquer par la présence d’une volatilité plus importante (et donc d’un risque plus
important) qui a caractérisé les marchés financiers dès 2008.
Ensuite, à partir de cette même année, toutes nos ∆CoVaR ont commencé à devenir plus
négatives et ont atteint certains pics négatifs à la fin de l’année 2008. De plus, alors que les
72
∆CoVaR évoluaient dans une fourchette relativement stable entre 2002 et 2007, elles ont
commencé à varier de plus en plus durant la deuxième partie de notre étude et elles sont
devenues beaucoup plus négatives. Leur écarts-type a également augmenté, signifiant une
volatilité plus importante des ∆CoVaR et donc des ∆CoVaR potentiellement beaucoup plus
négatives. Ceci signifie tout simplement que le climat économique s’est dégradé et qu’un
problème impactant un secteur financier pouvait entrainer plus facilement le reste de
l’économie dans sa chute.
Troisièmement, une période plus calme ou plus mouvementée sur les marchés
financiers américains ne semble pas influencer le fait que tel secteur financier deviendra plus
risqué qu’un autre en cas de crise. En effet, durant la période 2002-2007, la Value-at-Risk
additionnelle du système imposée par un de nos trois secteurs financiers lorsqu’ils sont en
détresse était égale à -1.383% (pour l’indice DJ US Financial Services), à -1.880% (pour
l’indice des assurances) et à -1.556% pour l’indice bancaire alors qu’elle était respectivement
égale à -2.262%, -2.852% et -2.510% durant la période 2008-2012.
En conclusion, aux Etats-Unis, l’impact des assurances sur le reste de l’économie est
non négligeable dans le sens que les résultats ont clairement montré que c’est ce secteur
financier qui influence le plus le reste de l’économie par rapport aux deux autres secteurs
(bancaire et des services financiers). Le risque systémique sera, en général, plus important si
une entreprise d’assurances éprouve des difficultés et cela est valable aussi bien durant une
période prospère que durant une période présentant une plus grande volatilité.
Section 8.2 : Zone euro
Sous-section 8.2.1 : Période 2002-2012
En ce qui concerne les ∆CoVaR européennes, toutes les annexes qui font référence à
cette section 8.2 se trouvent à l’annexe 10.
Le premier graphique de la figure A montre que la ∆CoVaR de l’indice de référence
européen conditionnelle à l’action BNP Paribas est en général plus grande en valeur absolue
que celle relative à l’action Banco Santander sur la période 2002-2012. Ceci est confirmé par
le tableau 1 où nous pouvons remarquer que la ∆CoVaR moyenne de l’indice MSCI Daily TR
Net Europe Ex Financial conditionnelle à la banque française est égale à -2.391% alors que
celle conditionnelle à la banque espagnole est égale à -2.064%. Ceci signifie que si la banque
française doit faire face à des problèmes sur les marchés boursiers, alors la VaR de l’indice de
référence (qui, pour rappel, représente le reste de l’économie) sera plus impactée
73
négativement que si c’était la banque espagnole qui éprouvait des difficultés. La contribution
marginale de BNP Paribas au risque systémique est donc plus importante que celle de Banco
Santander.
D’après le deuxième graphique de la figure A, l’action Allianz a nettement plus
d’influence négative sur le reste de l’économie que l’action AXA. En effet, la Value-at-Risk
additionnelle moyenne du système imposée par l’action allemande lorsque cette dernière se
trouve en situation de stress par rapport à une situation normale est plus grande en valeur
absolue (-2.818%) que celle imposée par l’action française dans une même situation (-
1.949%, tableau 1). Cela signifie tout simplement que le reste de l’économie verra sa situation
se détériorer de façon plus importante si Allianz éprouve des difficultés que si c’est AXA qui
en éprouve.
Ensuite, la ∆CoVaR conditionnelle à l’action Deutsche Boerse est en moyenne plus
importante (-2.461% en terme absolu, tableau 1) que celle relative au Groupe Bruxelles
Lambert (GBL) où elle est en moyenne égale à -2.369% durant la période de dix années.
L’entreprise allemande est donc plus risquée pour le reste de l’économie que l’entreprise
belge GBL. Sur l’ensemble de nos six entreprises européennes, Allianz présente, en moyenne,
une contribution marginale plus importante au risque systémique. Au contraire, la compagnie
d’assurances AXA est celle qui influence le moins négativement la Value-at-Risk de notre
indice système.
En ce qui concerne les ∆CoVaR relatives à nos indices financiers européens, la figure B
ainsi que le tableau 4 nous permettent de dire que la ∆CoVaR qui dépend de l’indice sectoriel
composé d’entreprises offrant des services financiers est en moyenne plus grande en valeur
absolue que les ∆CoVaR relatives aux deux autres indices financiers. Ceci signifie que dans la
zone euro, le secteur des services financiers a un impact marginal plus important sur le reste
de l’économie que les deux autres secteurs et est, à ce moment-là, porteur d’une contribution
plus grande pour le risque systémique. Dès lors, l’économie européenne sera beaucoup plus
sensible aux problèmes des entreprises dites « Financial Services » qu’aux problèmes des
entreprises bancaires et des assurances. Par comparaison avec les Etats-Unis sur la même
période 2002-2012, les assurances, alors qu’elles représentaient l’indice ayant le plus
d’influence sur le reste de l’économie aux Etats-Unis (devant respectivement l’indice bancaire
et celui des services financiers), ont en moyenne un impact marginal (-1.899%) sur
l’économie dans son ensemble qui est plus petit (en valeur absolue) que les entreprises
bancaires (-2.066%) et que celles qui offrent des services financiers (-2.317%).
74
Sous-section 8.2.2 : Comparaison entre la période 2002-2007 et la période 2008-2012
Après avoir analysé nos résultats sur l’ensemble de la période 2002-2012, nous allons
faire une comparaison entre nos deux périodes d’étude. Premièrement, toutes nos ∆CoVaR
présentent une moyenne plus petite sur la première période que sur la deuxième période
(tableaux 2, 3, 5 et 6). Nous pouvons donc dire que les entreprises financières européennes
ainsi que les trois indices financiers européens que nous avons choisis contribuent moins au
risque systémique avant le déclenchement de la crise en 2008 que durant la période suivante.
Pour la période 2008-2012, nos ∆CoVaR ont commencé à devenir plus négatives et ont
atteint certains pics négatifs à la fin de l’année 2008. En effet, leur moyenne est nettement
plus importante (en valeur absolue) durant cette période que durant la première période,
signifiant que, durant des périodes de plus forte volatilité et de crise, les institutions
financières, quelles qu’elles soient, impactent beaucoup plus négativement le reste de
l’économie que durant des périodes plus calmes.
Ensuite, contrairement aux Etats-Unis, une période plus calme ou plus mouvementée
sur les marchés financiers européens semble influencer le fait que tel secteur financier est plus
risqué qu’un autre en cas de crise. En effet, avant la crise, les institutions offrant des services
financiers provoquaient un risque systémique plus important (en valeur absolue, -1.978% au
tableau 5) que les assurances (-1.484%), qui elles-mêmes impactaient le reste de l’économie
plus négativement que les banques (-1.455%). Par contre, pour la période 2008-2012, les
banques européennes sont les institutions qui impactent le plus le reste de l’économie. Elles
sont donc plus risquées pour le système et dès lors, contribuent de manière plus importante au
risque systémique dans son ensemble (tableau 6).
Enfin, pour rappel, nos deux indices de référence ne sont pas composés d’actions
financières. Néanmoins, ils sont impactés négativement selon les entreprises financières ou
les indices financiers, ce qui signifie très clairement que le reste de l’économie est impacté par
des problèmes que peuvent subir des entreprises financières. Ceci montre bien que malgré
l’absence de liens causals entre un indice de référence et des entreprises ou indices financiers,
le phénomène de contagion est bien présent et ne peut être négligé.
Maintenant, il est nécessaire d’apporter des éléments de réponse qui peuvent expliquer
les résultats obtenus dans ce chapitre. Le chapitre suivant poursuit cette finalité puisque
différents facteurs sont pertinents dans la compréhension des résultats obtenus.
75
Chapitre 9 : Explications des résultats
Le chapitre précédent a montré qu’un problème au niveau des entreprises d’assurances

américaines provoquerait un risque systémique plus important que si c’était un des deux
autres secteurs financiers qui était touché. A la suite des compagnies d’assurances, c’est le
secteur bancaire américain qui a la contribution marginale la plus importante au risque
systémique et il est suivi par le secteur des services financiers. Dans la zone euro, les résultats
sont totalement différents. En effet, le secteur des services financiers est celui qui a en
moyenne l’impact le plus grand sur le risque systémique. Il est suivi respectivement par le
secteur bancaire et enfin, le secteur des assurances.
Cet avant-dernier chapitre poursuit deux objectifs : premièrement, l’explication des
résultats obtenus pour nos trois secteurs financiers aussi bien dans la zone euro (section 9.2)
qu’aux Etats-Unis (section 9.3) et deuxièmement, l’explication de ces mêmes résultats mais
en faisant une comparaison géographique pour chaque secteur financier (section 9.4).
Section 9.2 : Zone euro
Sous-section 9.2.1 : Les banques et les assurances
Dans la zone euro, lorsque le secteur bancaire se trouve en situation de stress, il impacte
négativement et de manière plus importante l’économie que le secteur des assurances.
Pourtant, ces deux secteurs présentent des similitudes comme la rétention d’une marge sur
l’argent qu’ils reçoivent (soit au niveau des dépôts ou des primes d’assurances), la prise en
compte des risques financiers auxquels ils font face ou encore la complexité de ces risques.
Néanmoins, des différences majeures au niveau de leur « business model » peuvent, dans un
premier temps, expliquer pourquoi le secteur bancaire est plus risqué que celui des assurances
dans la zone de la monnaie unique (CEA, 2010). Expliquons brièvement ces différences.
Premièrement, les assureurs ont un rôle essentiel de transformation et de répartition du
risque auquel font face les souscripteurs d’assurances. Ils ont des montants importants
d’investissement mais ces derniers sont souvent effectués à long terme puisque les
compagnies d’assurances ont un horizon d’investissement beaucoup plus long que les
banquiers. Dès lors, les revenus d’assurances et les sorties d’argent sont relativement stables.
Ils opèrent également la plupart du temps dans trois domaines : l’assurance-vie, l’assurance
non-vie et la réassurance, ce qui permet de limiter la multiplication des opérations. Quant au
76
secteur bancaire, au début, son activité principale consistait à collecter de l’argent de clients
privés, institutionnels ou d’entreprises et de prêter cet argent à d’autres clients qui en ont
besoin, ce qui présente un risque de crédit très élevé. Les banques présentent en moyenne un
risque de crédit d’environ 75% sur l’ensemble de leur capital économique alors que pour les
assurances, il n’est égal qu’à 15%. En effet, les banques proposent des prêts importants à
l’ensemble des agents économiques mais si elles éprouvent des difficultés, alors ces prêts à
l’économie entière seront l’une des principales chaînes de transmission d’une crise financière
à l’ensemble de l’économie réelle (The Geneva Association, 2010). En ce qui concerne les
opérations effectuées par les banques, elles sont non seulement plus nombreuses par rapport à
celles effectuées par les compagnies d’assurances, ce qui a pour conséquence une plus grande
volatilité des résultats mais elles sont également plus risquées.
Ensuite, les compagnies d’assurances sont financées principalement par ceux qui
détiennent des polices d’assurances (et donc sur du long terme) et par une part beaucoup
moins importante d’actionnaires et de dettes. Les banques, quant à elles, présentent une
variété plus importante des structures de financement (dépôts des clients, marchés
interbancaires, obligations, transactions repo …) et elles se financent sur une période
beaucoup plus courte que les assurances. Par conséquent, cette situation entraîne un risque de
liquidité plus important pour les banques que pour les assurances.
Une troisième différence concerne la structure du bilan d’une compagnie d’assurances.
Celle-ci est nettement plus liée que celle d’une banque dans le sens que lorsque des polices
d’assurances sont annulées, les actifs et passifs s’annulent en même temps. De plus, tous les
actifs ont une durée beaucoup plus importante que ceux des banques. Contrairement aux
assurances, les banques ne présentent pas la même structure puisque si un prêt bancaire est
repayé ou si un actif est vendu, alors cela n’aura pas nécessairement un impact sur les deux
parties du bilan. La plupart des faillites bancaires sont souvent dues au fait que la valeur de
leur actif est très exposée aux cycles économiques. Dès lors, si la valeur de l’actif diminue
fortement et que les dettes restent à un niveau comparable, une banque se retrouvera dans une
situation beaucoup plus délicate qu’une compagnie d’assurances.
De plus, les compagnies d’assurances présentent une inter-connectivité moins
importante que dans l’industrie bancaire. En effet, elles se prêtent beaucoup moins d’argent
entre elles de sorte qu’un problème dans une compagnie d’assurances n’aura qu’un impact
très limité sur les autres compagnies alors qu’un problème au niveau d’une banque
particulière aura potentiellement un impact plus important sur les autres acteurs du secteur
bancaire.
77
Enfin, la contagion et le risque systémique sont également aggravés dans le secteur
bancaire à cause d’un manque de transparence des produits dérivés et d’une opacité des
positions conclues de gré à gré (et non sur les marchés réglementés). Par conséquent,
l’évaluation des risques d’une institution bancaire est effectivement plus difficile à réaliser
étant donné que les compagnies d’assurances présentent, en général, un degré plus important
de transparence par rapport aux compagnies bancaires (The Geneva Association, 2010).
Deuxièmement, l’intégration plus importante du secteur bancaire par rapport au secteur
des assurances explique que les banques soient plus risquées que les compagnies d’assurances
(DE LIMA, 2005). Avec l’introduction de l’euro, le secteur bancaire est effectivement entré
dans un processus d’intégration dans lequel les banques ont eu la possibilité de développer
leurs activités de manière plus importante et de mettre en place un système financier plus
grand et plus intégré. Néanmoins, le rapport de la Commission Européenne (2010) souligne
que, pour les assurances, « l’accès à un marché unique aide les assureurs à diversifier leurs
risques tout en offrant une importante source d’épargne à long terme pour l’économie réelle ».
Ce manque d’intégration du secteur actuariel par rapport au système bancaire est, je pense,
une bonne chose puisque il y a moins de compagnies d’assurances qui sont liées entre elles,
ce qui rend le risque systémique beaucoup moins important au niveau de ce secteur.
Une troisième raison (qui découle de la deuxième ci-dessus) du risque plus élevé dans
les banques que dans les assurances est la taille importante du secteur bancaire par rapport au
secteur des assurances en Europe. Même au niveau mondial, la valeur du total des actifs des
banques a atteint, en 2008, près de 80 000 milliards de dollars alors que pour les assureurs, ce
chiffre atteignait à peine 16 000 milliards de dollars. Si nous prenons les chiffres au niveau
européen, l’actif total de toutes les banques européennes était équivalent à 23 301 milliards de
dollars alors que celui des assurances dépassait à peine 7 000 milliards de dollars. Dès lors, si
un problème intervient dans le secteur bancaire, cela aura des répercussions plus importantes
sur le reste de l’économie que si un problème apparait au niveau du secteur des assurances
(The Geneva Association, 2010).
En définitive, même si le risque systémique est moins élevé du côté des assureurs que
du côté des banquiers, il ne faut pas oublier qu’il a également augmenté ces dernières années
pour le secteur des assurances. Ceci est dû en grande partie aux liens de plus en plus étroits
qui apparaissent entre ces deux secteurs ainsi qu’à une augmentation des activités non liées à
l’assurance traditionnelle comme, par exemple, l’investissement dans des produits financiers
dits complexes (CE, 2010).
78
Sous-section 9.2.2 : Les services financiers
Les résultats du chapitre précédent ont montré que, sur la période 2002-2012, les
entreprises européennes qui offrent des services financiers (autres que bancaires et actuariels)
ont une contribution plus importante au risque systémique que les deux autres secteurs
financiers étudiés. Différentes explications peuvent être apportées malgré le fait qu’il soit
difficile, de manière intuitive, de comprendre pourquoi les entreprises offrant des services
financiers représentent un risque plus important pour le reste de l’économie.
Une première explication trouve son origine dans la régulation. Nous avons pu
remarquer que pour les entreprises n’offrant que des services financiers, elles font face à une
régulation nettement moins contraignante et surtout beaucoup plus floue. Deux interprétations
peuvent être faites sur cet aspect réglementaire. Premièrement, vu que ce type d’entreprise est
nettement moins régulé, des dérives au sein de ce secteur peuvent se dérouler plus facilement
de sorte que le risque est plus important pour le reste de l’économie. Une deuxième
interprétation suggère que si les secteurs bancaires et des assurances sont plus régulés que
celui des services financiers, alors les investisseurs peuvent considérer que, grâce à la mise en
place d’une régulation importante, le risque systémique relatif à ces deux secteurs est plus
petit par comparaison avec le secteur financier le moins régulé.
La deuxième explication est relative aux entreprises dites « too big to fail ». Ce concept
fait référence à une situation dans laquelle les autorités gouvernementales sauveraient une
entreprise (financière ou non) de la faillite afin d’éviter toutes les répercussions possibles sur
le reste de l’économie et par conséquent, sur les citoyens. La tradition européenne veut que
chaque pays de la zone euro possède plusieurs banques importantes puisque les Etats
européens sont fortement liés entre eux (GOLDSTEIN et VERON, 2011). Dès lors, les
gouvernements qui sont présents dans la zone euro ont encouragé la mise en place de secteurs
financiers forts et autonomes qui peuvent entrer en concurrence directement avec ceux des
autres pays voisins. Cette concurrence entre pays, qui a pour objectif de posséder le plus
grand secteur financier, a amené les gouvernements européens à protéger les entreprises
financières mais également à les développer. En effet, si une d’entre elles éprouve des
difficultés, alors les gouvernements feront tout pour éviter sa disparition ou la prise de
contrôle par un concurrent étranger en effectuant, par exemple, une nationalisation. Vu que le
secteur des services financiers est composé d’entreprises nettement plus petites que celles qui
composent les deux autres secteurs financiers, les investisseurs sont conscients que l’Etat sera
(presque) toujours là en cas de problèmes dans le secteur bancaire (ou actuariel). Ils
79
considèrent donc le secteur des services financiers comme étant le plus risqué pour le reste de
l’économie par rapport aux deux autres secteurs financiers vu qu’il ne pourra pas être sauvé
par un Etat.
Section 9.3 : Etats-Unis
Sous-section 9.3.1 : Les banques et les assurances
D’après la section 9.2, nous avons pu comprendre pourquoi les banques, en général,
présentent un risque plus important pour le reste de l’économie que les assurances.
Néanmoins, d’après nos résultats obtenus au chapitre précédent, le secteur des assurances aux
Etats-Unis a une contribution plus grande au risque systémique que le secteur bancaire. Deux
points peuvent être développés afin d’en comprendre la raison.
Premièrement, de nombreuses études ont prouvé que les activités liées à l’assurance
étaient plus profitables mais aussi plus risquées que celles liées aux activités bancaires aux
Etats-Unis (KWAN et LADERMAN, 1999). Intuitivement, si les assurances sont plus
rentables, ceci s’explique généralement par une prise de risques plus importante.
Ensuite, la banque centrale américaine (la Fed) ainsi que le gouvernement n’hésitent pas
à privilégier le financement et le sauvetage des banques plutôt que des assurances. A titre
d’exemple, les assureurs ont reçu des montants nettement plus petits que ceux des banques
américaines qui auraient reçu plus de 2000 milliards de dollars de la part de l’Etat américain.
De plus, plus de 90% du soutien de l’Etat au secteur des assurances a été donné aux assureurs
qui effectuaient également, de manière significative, des services comme ceux que font les
banques (The Geneva Association, 2010). Dès lors, vu que les compagnies d’assurances ont
tendance à recevoir beaucoup moins d’aide de la part de l’Etat Américain, leur potentiel
d’entrainer toute l’économie dans leur chute est plus important que celui des banques puisque
ces dernières ont pris l’habitude d’être sauvées.
Sous-section 9.3.2 : Les services financiers
Pour rappel, le secteur des services financiers est celui qui a la plus petite contribution
au risque systémique aux Etats-Unis. L’explication valable pour la zone euro, selon laquelle
les services financiers ne sont pas des entreprises « too big to fail » et qui, dès lors,
contribueraient plus au risque systémique, n’est pas valable dans ce cas-ci. En effet, les Etats-
Unis ont toujours eu une suspicion et des inquiétudes envers les banques et les secteurs
financiers importants que ce soit par la mise en place du « Glass Steagall Act » (séparation
des banques de dépôt et des banques d’investissement en 1933), ou encore du « Riegle-Neal
80
Act » qui a pris effet en 1997 (afin de restreindre les banques américaines de devenir trop
importantes en acquérant des banques étrangères).
Beaucoup d’entreprises qui offrent des services financiers sont des compagnies de carte
de crédit, de courtage mais également de gestion de fonds d’investissement ou encore de
gestion de fortune. Ce genre d’entreprise est moins risqué pour le reste de l’économie que les
banques et les assurances. Ceci peut s’expliquer par différentes raisons, malgré le fait que la
littérature à ce sujet ne soit pas particulièrement dense.
Premièrement, les services financiers sont par nature beaucoup moins risqués pour le
reste de l’économie puisque leur « business model » est nettement différent. Normalement, ils
ne possèdent aucun dépôt de la part de leurs clients. Dans le cas d’entreprises qui gèrent des
grosses fortunes, la faillite d’une d’entre elles n’aurait pas un impact important puisque leurs
clients sont des gens riches qui peuvent s’en sortir aisément malgré des pertes financières.
Deuxièmement, ce genre d’entreprises possède un bilan nettement moins important que
les autres entreprises. Par exemple, les montants des actifs totaux pour Goldman Sachs (923
milliards de dollars), American Express (155), Visa(34) et Mastercard (11) sont nettement
plus petits que ceux des banques (1313 milliards de dollars pour Wells Fargo et 2265 pour JP
Morgan). Vu que les services financiers ont un bilan plus petit (dû au type d’activités ainsi
qu’à l’absence de crédit aux clients), la contribution marginale des services financiers au
risque systémique sera plus faible que dans les deux autres secteurs financiers étudiés.
Enfin, en ayant une taille plus petite, les dirigeants savent qu’ils ne seront pas sauvés
par le gouvernement ou la banque centrale s’ils ont des difficultés. Dès lors, ils ont tout intérêt
à avoir une approche plus responsable dans la gestion des risques afin d’éviter de se retrouver
dans une situation inconfortable où ils risqueraient de perdre de l’argent de leurs propres
poches.
Section 9.4 : Comparaison sectorielle entre les Etats-Unis et la zone euro
Sous-section 9.4.1 : Le secteur des assurances
En ce qui concerne les activités d’assurances, ces dernières seraient plus risquées aux
Etats-Unis que dans la zone euro et impacteraient donc beaucoup plus le reste de l’économie.
Différentes pistes vont être analysées afin de comprendre cela.
Premièrement, les activités d’assurances aux Etats-Unis sont beaucoup plus importantes
qu’en Europe. Plusieurs chiffres peuvent prouver cela. Par exemple, le ratio américain des
primes d’assurances est supérieur à 10% du Produit Intérieur Brut alors que pour la zone euro,
81
ce ratio n’atteint que 8.5% (CEA, 2006). Ensuite, les pertes actées par les entreprises
américaines d’assurances entre 2008 et 2010 atteignaient 189 milliards de dollars alors qu’en
Europe, ce montant atteignait 69 milliards (OECD, 2011). En définitive, au plus un secteur
particulier possède une taille importante par rapport à l’ensemble de l’économie, au plus son
impact potentiel sur le reste de l’économie est important.
Deuxièmement, les systèmes de sécurité sociale sont nettement différents entre ces deux
régions. En effet, les américains ont tendance à mettre beaucoup plus d’argent dans les
programmes d’assurances et dans les fonds de pension par rapport aux ménages européens.
Les investisseurs institutionnels, comme les assureurs, ont un rôle beaucoup plus important de
l’autre côté de l’Atlantique que dans la zone euro (DE LIMA, 2005).
Enfin, le nombre de compagnies d’assurances est nettement plus élevé dans la zone
euro, ce qui signifie qu’il y a une meilleure répartition des risques dans cette zone par
comparaison avec les Etats-Unis (CE, 2010). Ces trois éléments prouvent que les assurances
européennes contribuent moins au risque systémique que leurs consœurs américaines.
Sous-section 9.4.2 : Le secteur bancaire
En ce qui concerne les banques, nous avons pu remarquer que les banques européennes
sont plus risquées que les banques américaines. En effet, entre 2007 et la première moitié de
l’année 2009, les banques américaines ont dû acter des dépréciations d’actifs pour 1 000
milliards de dollars alors que le montant pour les banques européennes atteignait plus de 1
600 milliards de dollars (IFSL, 2010). Ceci peut s’expliquer par différentes raisons.
Tout d’abord, le système financier est différent d’une zone géographique à l’autre
(ALLEN, CHUI et MADDALONI, 2004). De manière théorique, les agents économiques
peuvent prêter ou emprunter des fonds de deux manières différentes. Soit ils utilisent les
marchés financiers (les marchés monétaires, obligataires ou d’actions), soit ils font appel à
des intermédiaires financiers (banques, compagnies d’assurances ou fond de pension, ou
d’autres intermédiaires financiers). Aux Etats-Unis, la structure financière est plutôt basée sur
les marchés financiers alors qu’en Europe, elle est basée sur les banques. En d’autres termes,
le financement de l’économie européenne repose principalement sur le crédit bancaire alors
qu’aux Etats-Unis, c’est plutôt sur l’émission de titres financiers (DE LIMA, 2005). En effet,
le montant des prêts bancaires dans la zone euro atteignait 145% du PIB à la fin de l’année
2007 alors qu’aux Etats-Unis, il atteignait à peine 63% (ECB, 2009). Dès lors, les marchés
financiers européens sont nettement plus petits que leurs homologues américains. Un autre
chiffre significatif peut être également donné pour l’année 2010. Le ratio « prêts/dépôts » était
82
égal à 121% en Europe et aux Etats-Unis, à 100%, ce qui signifie que les banques américaines
étaient dans une meilleure situation que les banques européennes, qui prêtent plus que ce
qu’elles reçoivent (IFSL, 2010). De plus, les banques américaines ne comptent que pour 24%
de l’ensemble des crédits alors que dans la zone euro, ce chiffre monte jusqu’à 74%. Tous ces
chiffres ainsi que la structure financière assez différente entre les deux zones géographiques
montrent que, si une banque européenne fait faillite, les agents économiques européens seront
nettement plus impactés que si une situation similaire se passe aux Etats-Unis.
Deuxièmement, le secteur bancaire européen a une taille nettement plus importante que
celui américain et dès lors, son impact potentiel sur le reste de l’économie sera plus grand que
le secteur bancaire américain. En effet, les actifs détenus par les banques européennes sont
plus importants que ceux détenus par les banques américaines. La taille du secteur bancaire
européen est égal à 46 000 milliards d’euros, près de quatre fois le secteur bancaire américain4
alors que le nombre d’institutions bancaires est beaucoup moins élevé en Europe qu’aux
Etats-Unis (The Geneva Association, 2010). Parmi les 1000 banques au monde ayant l’actif le
plus important, 56% d’entre elles sont européennes alors qu’il n’y en a que 13% qui sont
américaines, ce qui prouve une fois de plus que les banques européennes sont plus grandes et
donc plus risquées que les banques américaines (IFSL, 2010).
Une troisième raison pouvant expliquer cela est le fait qu’il y a beaucoup plus de liens
entre les grandes banques américaines et l’Etat Américain qu’au niveau européen, ce qui
réduit le risque systémique d’une faillite bancaire aux Etats-Unis. En effet, certains ministres
des finances américains (comme Robert Rubin, sous l’ère Clinton, ou Timothy Geithner
actuellement) ont un lien étroit avec les banques américaines, ce qui met en avant la présence
d’un certain aléa moral puisque celles-ci ont tendance à prendre des risques tout en sachant
qu’elles seront sauvées en cas de problèmes. En effet, un vice-président d’une grande banque
d’investissement n’hésite pas à dire ceci (LAURENT, 2009) : « L’industrie financière s’en est
très bien sortie [de la débâcle financière], mais il ne pouvait en être autrement parce que la
stabilité du secteur financier, des firmes comme des marchés d’actions, constitue pour le
gouvernement américain une priorité de sécurité nationale… Nous savons qu’en cas de crise,
la Fed et Washington voleront à notre secours. En y mettant le prix ».
Quatrièmement, les banques européennes apparaissent également nettement plus
ouvertes aux autres continents et effectuent de nombreuses opérations hors de leur continent,
contrairement aux banques américaines qui ont tendance à rester dans leur région
4
http://www.lecho.be
83
géographique (DE LIMA, 2005). Ce phénomène montre que les banques européennes ont un
degré plus important d'internationalisation. Ceci a pour signification qu’elles ont de
nombreuses activités en dehors de leur pays initial (plus de la moitie) alors que les banques
américaines effectuent les trois-quart de leurs opérations sur le territoire américain
(GOLDSTEIN et VERON, 2011). Dès lors, si elles ont un problème, elles affecteront un plus
grand nombre d’acteurs potentiels étant donné leur degré important d’internationalisation.
Enfin, les systèmes politiques jouent également un rôle important. En effet, aux Etats-
Unis, il y a un consensus sur la régulation financière au niveau fédéral alors qu’en Europe, les
compétences sont partagées avec d’une part, les Etats individuels et d’autre part, l’Union
Européenne.
Sous-section 9.4.3 : Le secteur des services financiers
D’après les conclusions du chapitre précédent, le secteur européen des services

financiers contribue de manière plus importante au risque systémique que celui américain.
Néanmoins, il est difficile de trouver une explication cohérente étant donné que, dans
toute la littérature, des comparaisons géographiques entre les secteurs bancaires et des
assurances ont été effectuées, mais pas, à ma connaissance, entre le secteur des services
financiers autres que bancaires et actuariels.
Il serait donc intéressant, dans un travail futur, d’analyser ce secteur aussi bien aux
Etats-Unis qu’en Europe afin de comprendre les différentes causes qui peuvent expliquer
pourquoi les entreprises européennes qui offrent des services financiers sont nettement plus
risquées pour le reste de l’économie que celles américaines.
84
Chapitre 10 : Régulation financière
Des niveaux de fonds propres faibles, des problèmes dans la gestion du risque, une
transparence insuffisante des marchés financiers, une communication trop faible envers les
autorités régulatrices, un manque de surveillance des établissements financiers mais aussi
l’absence de cadres stricts permettant de réguler les activités des institutions financières sont
des problèmes auxquels les régulateurs ont voulu répondre suite à la crise financière. Après
avoir présenté les différents secteurs financiers porteurs de risque systémique au chapitre 8
ainsi que les différents facteurs qui peuvent expliquer les résultats obtenus (chapitre 9), il est
nécessaire d’aborder un dernier point étant sujet à de nombreuses discussions, la régulation
financière. Seul le respect d’une régulation efficace pourra préserver l’économie toute entière
des dérives de l’ensemble du secteur financier.
Ce chapitre 10 a comme objectif de faire un point sur l’évolution de la régulation du
secteur bancaire et des assurances afin de comprendre les changements qui s’y opèrent et de
déterminer les efforts qu’il faudra mettre en place afin de limiter le risque systémique lié à un
des secteurs financiers. La régulation sur le secteur des services financiers ne sera pas reprise
ci-dessous pour deux raisons principales. Premièrement, certaines entreprises offrant des
services financiers offrent également des services bancaires et sont donc assimilées à la
régulation du secteur bancaire. Deuxièmement, il existe beaucoup de sortes d’entreprises
n’offrant que des services financiers mais il apparaitrait un manque de régulation important
pour ce genre d’entreprise. Après avoir présenté ce qui est fait en termes de régulation, la
dernière section de ce chapitre reprendra différentes recommandations qui peuvent être faites
sur la régulation à mettre en place afin de lutter contre les faiblesses relatives aux secteurs
financiers.
Section 10.2 : Régulation bancaire
Le comité de Bâle sur la supervision bancaire a été créé en 1974 par les gouverneurs des
banques centrales des pays du G10. Au départ, il ne disposait d’aucune force légale en ce sens
qu’il avait uniquement pour mission de formuler des standards, des lignes directrices ainsi que
des recommandations sur la supervision bancaire, en espérant que les autorités nationales
prennent des décisions en suivant ses conseils. Dès le début, le sujet sur lequel le comité de
Bâle a fortement travaillé concerne le niveau de capital que les banques doivent posséder.
Remarquant que les ratios sur les capitaux des banques internationales se détérioraient au
85
début des années 80, il a travaillé afin d’arriver à une convergence plus grande sur une mesure
des fonds propres qui serait plus appropriée (BASEL COMMITTEE, 2009).
Le premier accord, Bâle I, a été conclu en 1988 par les gouverneurs des banques
centrales du G10. A la suite de cet accord, les banques étaient obligées d’avoir un ratio
(appelé le ratio « Cooke ») minimum de fonds propres égal à 8% pour la fin de l’année 1992.
Ce ratio de 8% était calculé par rapport à l’ensemble des crédits accordés par les banques. Cet
accord n’était pas seulement valable pour les pays du G10 mais également pour tous les pays
dans lesquels se trouvaient des banques internationales. L’objectif de cet accord était double.
Il visait à renforcer la solidité et la stabilité du système bancaire international mais également
à promouvoir une concurrence égale entre des banques internationales (BASEL
COMMITTEE, 2009). Néanmoins, cet accord s’est révélé insuffisant pour différentes raisons
(VERBOOMEN et DE BEL, 2006). Premièrement, il ne prenait pas en compte tous les
risques provenant des instruments financiers dérivés qui se développaient rapidement. Par
exemple, le risque de crédit pour les banques a fortement augmenté à cause de l’apparition
d’instruments financiers comme les produits dérivés et il est représenté en général dans les
activités hors bilan qui n’étaient pas reprises pour le calcul des fonds propres. Ce risque
encourageait donc les opérations hors bilan. Deuxièmement, le ratio de fonds propres ne
prenait également pas en compte tous les risques auxquels les banques étaient confrontées,
comme le risque de crédit, le risque opérationnel ni le risque de liquidité. Enfin, il est
nécessaire d’ajouter que dans les années 80 et 90, il pouvait y avoir un problème
d’harmonisation puisqu’il arrivait que la définition des fonds propres soit différente d’un pays
à l’autre étant donné que certains pays étaient plus laxistes que d’autres (MASERA, 2010).
Dès 1999, afin de lutter contre les manquements du premier accord, le comité a décidé
de développer une nouvelle réglementation afin d’offrir un cadre plus complet dans
l’appréciation des risques bancaires. Cette réglementation repose sur trois piliers essentiels
(VERBOOMEN et DE BEL, 2006). Le premier concerne les exigences minimales en matière
de fonds propres. Ces derniers sont calculés en fonction de trois risques importants : le risque
de crédit, le risque de marché et le risque opérationnel. Les processus de surveillance
prudentielle et d’évaluation interne composent le deuxième pilier dont l’objectif est de
s’assurer que les banques mettent en place des procédures internes efficaces afin d’évaluer
l’adéquation de leurs fonds propres en prenant en compte les risques réels encourus. Le
troisième pilier consiste en l’adoption d’une discipline de marché signifiant que les banques
doivent être beaucoup plus transparentes dans leur communication (concernant les risques que
la banque prend) et avoir des pratiques bancaires plus sécurisées. Il a fallu du temps pour
86
mettre sur pied cette nouvelle réglementation mais en juin 2004, elle a vu le jour sous l’accord
de Bâle II. Malgré la mise en place de cet accord, la crise est arrivée et les banques ainsi que
tout le système dans son ensemble se sont retrouvés en difficulté.
Ceci souligne que cet accord n’était pas encore suffisant. Plusieurs raisons expliquent
cela. Premièrement, comme Bâle I, il n’est pas applicable partout puisqu’aux Etats-Unis par
exemple, cette régulation ne s’appliquait pas aux banques d’investissement (MASERA,
2010). Deuxièmement, Bâle II a sous-estimé certains risques auxquels pouvaient faire face les
banques et surestimé l’habilité des banques à les gérer. La méthodologie Bâle II a, en effet,
souvent été critiquée pour son approche trop focalisée sur les données économiques récentes
(dans le calcul de la Value-at-Risk) et les suppositions de bonnes conditions de liquidité
puisqu’elle ne traitait pas d’une mise en place d’indicateurs financiers mesurant la liquidité,
ce qui aurait permis de mesurer la bonne santé d’une banque (VERBOMMEN et DE BEL,
2006). De plus, les risques au niveau microéconomique (rémunération importante des traders)
et macroéconomique (aléa moral dû au problème du « too big to fail ») n’ont pas été assez
pris en compte dans le calcul des fonds propres.
En novembre 2010, pour lutter contre les manquements de Bâle II, un nouvel accord,
nommé Bâle III, a été pris lors du sommet du G20 à Séoul (KPMG, 2011). Cet accord repose
également sur trois piliers. Le premier pilier repose toujours sur le niveau de capital dont
doivent disposer les banques. Ce capital doit être d’une meilleure qualité afin d’absorber plus
facilement les éventuelles pertes. Ceci signifie que le « core Tier One » (représentant les
capitaux durs) ne doit être composé que d’actions et d’actions privilégiées perpétuelles alors
que sous Bâle II, certains produits hybrides (comme les mi-actions et les mi-obligations)
étaient retenus comme capitaux durs. Le capital doit également être plus élevé. Le niveau des
fonds propres dits durs devra atteindre 7% (Core Tier One de 4.5% ainsi qu’un matelas de
sécurité de 2.5%) d’ici 2019 alors qu’auparavant, il était égal à 4%. En ce qui concerne le
ratio des fonds propres totaux (Tier One plus Tier Two plus le matelas de sécurité), il devra
atteindre 10.5% (auparavant, il était égal à 8%) toujours pour le même horizon. Le comité de
Bâle suggère également de mettre en place un matelas contra-cyclique pouvant être égal à
2.5%, ce qui porterait un niveau de fonds propres égal à 13%. De plus, le montant total des
expositions (dans le bilan et hors bilan) ne pourra pas dépasser 33 fois le montant des fonds
propres durs pour 2018 (BASEL COMMITTEE, 2010).
La mise en place de mesures permettant d’évaluer la bonne liquidité bancaire grâce à
deux ratios de liquidité (un de court terme et l’autre de long terme) constitue le deuxième
pilier. Selon le premier ratio de liquidité, les banques devront disposer de suffisamment
87
d’actifs liquides de très bonne qualité, d’ici le 01 janvier 2015, afin d’être capable de faire
face à des sorties de trésorerie pendant 30 jours, en supposant que l’économie soit fortement
sous tension. Le deuxième ratio devra également inciter les établissements bancaires à mettre
en place des sources de financement plus stables (BASEL COMMITTEE, 2010).
Le troisième pilier prend en compte l’évaluation du risque systémique. En effet, il vise à
renforcer les exigences en fonds propres pour les expositions entre institutions financières
mais également pour les institutions qui seraient dites « systémiques » afin d’éviter de se
retrouver face au problème du « too big to fail ».
Section 10.3 : Régulation des assurances
Comme le définit la Commission Européenne, la marge de solvabilité est « le montant

de capitaux réglementaires qu'une entreprise d’assurances est tenue de détenir pour faire face
aux événements imprévus »5. Ces exigences de marge de solvabilité sont en place depuis les
années 1970 mais dans les années 1990, l’Union Européenne s’est rendue compte que ses
règles de solvabilité devaient être révisées. Au niveau européen, la première régulation date
de l’année 1994 (The Independent Institute, 2009). A cette époque, tous les membres de
l’Union Européenne étaient obligés de respecter la régulation en matière de prix, de produits
d’assurances et de protection des consommateurs. Ensuite, tout cela a été formalisé grâce à la
première directive qui fut mise en place, dénommée Solvabilité I (en 2002). Néanmoins, cette
directive n’était pas assez poussée pour effectuer une estimation de la situation financière
globale d’un assureur. Pour palier à ce manque, la directive Solvabilité II a été adoptée en
2009 et doit être effective à la fin de l’année 2012.
Cette nouvelle directive est basée sur une approche dite de principes et non de règles et
sa structure s’est inspirée de Bâle II puisqu’elle repose sur trois piliers (The Independent
Institute, 2009). Le premier pilier définit les exigences quantitatives comme le calcul des
provisions et celui des fonds propres pour lesquels les exigences en termes de capital à risque
devront être calculées sur base d’une évaluation cohérente (basée sur le marché) de tous les
éléments du bilan. Avec ce nouveau cadre réglementaire, les assureurs se verront obligés de
posséder des fonds propres afin de se protéger contre les risques de marché, les risques de
crédit mais également les risques opérationnels. Chaque assureur doit posséder un capital
minimum (celui-ci constitue le premier niveau de ce premier pilier) sinon le régulateur
européen ne le laissera pas effectuer ses activités. Le deuxième niveau est dénommé le
5
http://ec.europa.eu
88
« capital cible », c'est-à-dire le capital économique que les compagnies d’assurances se
doivent d’avoir afin d’effectuer leurs activités de manière sécurisée. Il peut être calculé grâce
à la VaR à un intervalle de confiance de 99.5% et sur un horizon d’une année. Les régulateurs
prévoient que ces deux niveaux de capital soient calculés de trois manières différentes : grâce
à un modèle standard défini par la directive Solvabilité II, à un modèle interne développé par
l’entreprise ou encore à un modèle hybride comprenant des éléments internes et des éléments
de la directive.
Le deuxième pilier consiste à mettre en place des activités de contrôles internes et
externes afin de mieux gérer les risques. L’introduction d’un groupe de superviseurs, qui a
pour but de vérifier si les compagnies d’assurances respectent la nouvelle réglementation et
d’identifier les risques non pris en compte dans le premier pilier, ainsi que la mise en place
d’une gouvernance interne dans la gestion du risque constituent ce deuxième pilier. Ce pilier
est basé sur l’aspect qualitatif des mesures de supervision. Si le groupe de superviseurs juge
que l’entreprise d’assurances ne respecte pas ce deuxième pilier, alors ils ont le pouvoir de
réclamer des exigences plus importantes en termes de fonds propres.
Enfin, la directive Solvabilité II exige une plus grande transparence dans l’évaluation
des risques et des positions que la compagnie d’assurances doit effectuer. Il leur est demandé
d’augmenter tout ce qui est relatif au « reporting » et à la publication des résultats dans un
souci de transparence (troisième pilier).
Aux Etats-Unis, la régulation des compagnies d’assurances est différente vu qu’elle est
mise en place par les différents états alors que pour les autres institutions financières, cette
régulation se fait au niveau fédéral et est la même pour chaque état (The Independent
Institute, 2009). Celle-ci est basée sur les règles (et non sur les principes) et chaque état est
donc responsable de la mise en place d’une régulation efficace pour les compagnies
d’assurances. Chaque état possède son propre commissaire afin de déterminer quelle
compagnie d’assurances est autorisée à faire des affaires sur son territoire et sous quelles
règles (VAUGHAN, 2009). Les activités de régulation de chaque état sont définies par le
NAIC (« National Association of Insurance Commissioners »), le régulateur des compagnies
d’assurances américaines qui coordonne le tout, mais ces dernières ne sont pas obligées de
suivre ses recommandations. A titre illustratif, pour les standards des fonds propres basés sur
le risque, tous les états ont adopté le modèle défini par le NAIC. Mais au niveau de la
régulation du marché des assurances, il y a une plus petite uniformité. En effet, les états ne
sont pas obligés de prendre en compte les modèles et suggestions du NAIC mais peuvent
développer les leurs. Ce mode de fonctionnement était tout à fait pertinent lorsque les
89
marchés financiers n’étaient pas aussi développés qu’à l’heure actuelle (The Independent
Institute, 2009). En effet, la régulation américaine a évolué beaucoup moins rapidement que
celle européenne puisqu’elle se base sur des règles (qui sont moins flexibles que des
principes) alors que l’environnement économique et financier est par nature changeant.
Aux Etats-Unis, la question de la transparence des compagnies d’assurances est un sujet
sensible. En effet, certains états financiers et rapports sont disponibles au public alors que les
évaluations des autorités régulatrices sur les conditions financières d’un assureur sont
confidentielles. C’est à ce moment-là que les agences de notations jouent un rôle important
puisqu’elles ont accès, à priori, à toute l’information confidentielle pour établir une note (The
Independent Institute, 2009).
De nombreuses différences entre la régulation européenne et américaine existent
(VAUGHAN, 2009). Les plus pertinentes sont reprises ci-dessous. Premièrement, les
superviseurs européens autorisent l’utilisation des modèles internes (pour le calcul des
capitaux propres) que s’ils ont eu la possibilité de les revoir. Aux Etats-Unis, ce n’est pas le
cas même si, actuellement, ils envisagent de créer un bureau qui s’occuperait de la révision
des modèles internes. Ensuite, il arrive souvent que les compagnies d’assurances américaines
doivent mettre au point un modèle interne afin de capturer les risques que la formule standard
ne prendrait pas en compte. A l’opposé, selon la directive Solvabilité II, les entreprises sont
encouragées à développer leur propre modèle mais elles ne sont pas obligées vu que le
modèle standard européen est meilleur que celui américain. Troisièmement, alors que la
directive européenne favorise l’utilisation d’un modèle basé directement sur la Value-at-Risk
(approche « marché »), celle américaine calcule la plus grande valeur actuelle du déficit selon
différents scénarios, et puis elle applique la « Tail VaR » pour déterminer les réserves
nécessaires. Ensuite, les compagnies d’assurances européennes doivent prendre en compte
une charge pour prévenir les risques de catastrophes pour leurs activités d’assurances-vie et
non-vie mais également pour prévenir le risque opérationnel. Au contraire, leurs consœurs
américaines ne doivent pas prendre ces risques en compte dans le calcul de leurs capitaux
propres. Enfin, la supervision américaine n’impose en aucun cas qu’une compagnie
d’assurances donne, au commissaire responsable de l’état, des informations relatives à des
évaluations internes des risques et à la mise en place d’une bonne gouvernance pour évaluer et
gérer les risques.
Tout ce qui précède apporte la preuve que la directive Solvabilité II est bien organisée
alors qu’aux Etats-Unis, on ne semble pas encore prêt à un large consensus sur les standards
de solvabilité ainsi qu’à la mise en place d’une régulation plus efficace et plus précise.
90
Section 10.4 : Réformes importantes suite à la crise
Une partie des réformes qui ont eu lieu après le début de la crise et qui ont encore lieu
actuellement se sont basées sur le rapport de Larosière. Ce dernier est un rapport qui a été
effectué par un groupe de travail ayant pour but d’identifier les causes de la crise, d’étudier les
systèmes de réglementation et de surveillance sur les marchés financiers et de proposer de
nouvelles réglementations et mesures afin de mieux gérer les crises (GROUPE DE
LAROSIERE, 2009).
Au départ, les autorités financières de chaque pays européen étaient surveillées par trois
comités de surveillance européens (PAULO, 2011). Plusieurs problèmes comme le
maniement difficile de ces comités, le manque de cohérence internationale au niveau des
règles, l’insuffisance des échanges d’informations ainsi que la mauvaise coordination des
autorités nationales en cas de problèmes ont mis en avant la nécessité d’une réforme. La
nouvelle surveillance européenne se base sur la mise en place d’un Comité Européen du
Risque Systémique (CERS) et de trois Autorités de Surveillance Européennes.
Premièrement, le CERS est devenu opérationnel en janvier 2011 afin d’assurer la
supervision à un niveau macroprudentiel. Son rôle est de surveiller et d’évaluer les menaces
potentielles qui pèsent sur la stabilité du système financier et qui représentent un risque
systémique en émettant des alertes sur les risques encourus ainsi qu’en formulant des
recommandations concernant les mesures macroprudentielles à prendre (CE, 2010).
Ensuite, les autorités européennes ont mis en place une structure de supervision
financière pour l’Europe composée de trois nouvelles autorités de supervision européennes
(approche microprudentielle). La première est l’Autorité Bancaire Européenne (ABE) qui a
pour but d’assurer la stabilité et l’efficacité du système bancaire européen en se focalisant
fortement sur les établissements financiers qui pourraient représenter un risque systémique
important6. L’Autorité Européenne des Marchés Financiers (AEMF) a pour objectif d’assurer
le fonctionnement correct des marchés financiers, d’assurer leur transparence vis-à-vis des
régulateurs, des superviseurs et également des consommateurs. La troisième autorité est
l’Autorité Européenne des Assurances et des Pensions Professionnelles (AEAPP) dont un des
objectifs est de garantir la stabilité et l’efficacité des entreprises qui offrent des assurances.
Ces autorités sont entrées en fonction en janvier 2011 (MASERA, 2011).
6
http://europa.eu/legislation_summaries/internal_market/single_market_services/financial_services_general_fra
mework/mi0069_fr.htm
91
Aux Etats-Unis, le nouveau cadre des institutions financières se base également sur le
même rapport de Larosière (MASERA, 2010) et a conduit au vote d’une loi, appelée la loi
Dodd-Frank, qui a été promulguée le 21 juillet 2010 (CHOULET, 2011). Cette loi est
présentée comme la plus grande réforme financière depuis le « Glass Steagall Act », établi en
1933 et aboli par le Président Clinton en 1999 (LAURENT, 2009). Plusieurs points
importants sont abordés dans cette loi (MASERA, 2010).
Premièrement, le « Financial Stability Oversight Council » (FSOC, l’équivalent
américain du CERS) a été créé avec cette loi dans le but d’identifier les risques qui peuvent
gêner la stabilité financière des Etats-Unis et d’instaurer une discipline de marché selon
laquelle toutes les informations relatives à une entreprise, financière ou non, devront être
dévoilées suffisamment tôt afin de ne pas mettre en péril toute la stabilité financière (niveau
macroprudentiel).
Au niveau de la supervision microprudentielle, il existe de nombreuses institutions aux
Etats-Unis mais nous ne reprendrons que celles qui nous intéressent. La Fed (ou « Federal
Reserve ») a pour objectif de superviser et de réguler toutes les banques, les holdings et les
institutions financières non-bancaires qui ont des actifs au-dessus de 50 milliards de dollars
mais également toutes les activités qui entourent les marchés financiers (comme le clearing,
settlement …). La FDIC (« Federal Deposit Insurance Corporation ») est elle responsable des
banques et entreprises de l’Etat ayant un bilan inférieur à 50 milliards de dollars. La « Federal
Insurance Office » (FIO) a été crée en 2009 par l’administration Obama afin de gérer tous les
aspects du secteur des assurances (à l’exception des assurances santé) et elle coopère avec le
FSOC et le régulateur américain en vue d’évaluer le risque systémique.
Troisièmement, la loi Volcker a été implémentée dans le « Dodd-Frank Act ». Elle a
pour objectif de limiter l’activité de trading des banques dépositaires avec l’argent des
épargnants, de limiter la prise de positions (en actions, obligations ou produits dérivés) trop
grandes afin d’éviter que le marché ne s’écroule directement sans aucune raison fondamentale
et de réglementer les fonds spéculatifs. En effet, le but est d’en terminer avec le « shadow
banking » en obligeant les fonds spéculatifs ainsi que les fonds de « private equity » à
s’enregistrer auprès de la SEC et de donner des informations à propos de leurs stratégies et
portefeuilles dans le but d’évaluer le risque systémique. Cette loi dit également que le
montant du capital d’une entreprise doit augmenter lorsque l’économie est en expansion et
diminuer en temps de contraction économique. Néanmoins, le rapport de Larosière (2009)
critique ceci puisqu’en temps de crise, les marchés n’accepteront pas nécessairement que les
banques réduisent leur capital si bien que c’est à ce moment là qu’il doit être le plus élevé.
92
Section 10.5 : Recommandations
Après avoir présenté de manière globale ce qui est fait par les autorités régulatrices pour
les organismes bancaires et les compagnies d’assurances ainsi que les points importants qui
ont été mis en place après le déclenchement de la crise, quelques recommandations vont être
effectuées afin que les régulateurs s’attaquent aux faiblesses des acteurs financiers. La liste est
non exhaustive mais reprend les points importants à traiter en priorité étant donné qu’il n’est
pas possible de s’attaquer à tous les problèmes en une seule fois. Il est donc nécessaire de
savoir mettre des priorités afin d’éviter que des entreprises financières n’entrainent à nouveau
l’économie réelle dans des problèmes importants. Ceci ne peut être fait que grâce à un énorme
travail de réflexion autour d’une réforme du système financier et grâce à une régulation
appropriée mais surtout respectée.
La régulation est très importante et ce, pour différentes raisons. Premièrement, les
marchés financiers ne se régulent pas eux-mêmes vu qu’ils ont tendance à former
régulièrement des bulles spéculatives. De plus, l’efficience des marchés financiers ainsi que le
comportement rationnel des investisseurs sont deux faits qui sont de plus en plus remis en
question et qui ont entrainé la grande dérégulation financière des années 90 et du début des
années 2000. Enfin, seule une régulation permettra de faire comprendre aux acteurs des
secteurs financiers qu’ils ne peuvent plus faire ce qu’ils veulent et qu’ils doivent avoir une
approche beaucoup plus responsable, morale mais surtout éthique de leur métier.
Avant toute chose, il est nécessaire que les réglementations européennes et américaines
(mais également les autres) soient basées sur un consensus universel. Ce dernier, présent au
niveau bancaire grâce au comité de Bâle, commence à se voir mais est loin d’être visible pour
le secteur des assurances. L’économie mondialisée, la financiarisation de celle-ci ainsi que
l’intégration des marchés financiers sont des éléments qui mettent en avant la nécessité d’un
consensus de sorte à éviter un arbitrage réglementaire (c'est-à-dire que les banques se
tourneraient vers une réglementation moins complète afin de satisfaire les exigences légales).
Néanmoins, un consensus sur la réglementation financière, quel que soit le secteur financier,
est très difficile à mettre en œuvre étant donné que les règles nationales sont différentes d’un
pays à un autre, ce qui rend très difficile la coordination pour trouver un accord commun.
Si le secteur bancaire était organisé correctement et efficacement, toutes les dérives
financières ne se seraient pas produites ou, du moins, auraient eu un impact nettement plus
faible sur l’économie réelle. Il est donc nécessaire que les régulateurs se fixent des priorités.
Premièrement, la taille des banques doit être réduite de manière importante. A titre
93
d’exemple, Wells Fargo possède un bilan supérieur à 1 300 milliards de dollars alors que
d’autres entreprises comme Exxon Mobil (331), Pfizer (188), Boeing (79) ou encore Apple
(116) présentent un bilan nettement moins important. Réduire la taille des banques
permettrait, dans un premier temps, d’éviter qu’un problème au niveau d’une banque impacte
de manière trop importante d’autres agents économiques. Une réduction de la taille des
banques devrait même être effectuée de manière plus importante en Europe puisque les
banques européennes présentent des bilans plus importants que les banques américaines.
Deuxièmement, suite à la réduction des bilans des banques, il faut qu’elles ne puissent
plus opérer dans plusieurs métiers à la fois. Les banques, surtout les banques européennes,
possèdent trop d’activités tellement différentes des unes des autres. C’est cette multiplication
des activités qui fait qu’une banque peut se retrouver en situation délicate à cause d’une
activité mineure qui a été mal gérée. Les banques doivent opérer dans une ou deux activités
principales mais ne peuvent multiplier leurs domaines d’activités. A titre illustratif, il faut
donc que certaines banques redeviennent des banques de dépôt à proprement parler où elles
collecteraient des fonds des agents économiques afin de les prêter à d’autres agents
économiques et ne se détourneraient pas de leur mission première. Ces banques pourraient
également jouer le rôle de banques d’investissement pour de petits clients. Un autre exemple
concerne les banques d’affaires. Elles ne feraient que donner des services et des conseils aux
entreprises qui le désirent mais elles ne pourraient plus faire des opérations de spéculation. En
résumé, il faudrait donc une réduction du nombre d’activités exercées par les banques et une
séparation encore plus importante entre les différents métiers bancaires (et financiers).
Troisièmement, depuis le début du déclenchement de la crise en 2008, les régulateurs
mais également les responsables politiques disent qu’il faut plus de réglementations pour le
secteur financier. Quatre années plus tard, nous sommes presque toujours au point de départ à
cause de tout le lobbying financier qui entoure le monde politique et réglementaire. A titre
d’exemple7, de nombreux banquiers américains ont fait pression sur le président de la Fed,
Ben Bernanke, qui a déclaré que la loi Volcker ne serait pas prête pour rentrer en vigueur le
21 juillet 2012 comme cela était prévu initialement. Ils évoquent l’argument selon lequel les
marchés seraient moins liquides et cela engendrerait des coûts supplémentaires. Néanmoins, il
n’y a aucune preuve tangible selon laquelle les marchés seraient moins liquides et les coûts
supplémentaires pourraient être absorbés facilement par les profits gigantesques que font les
institutions financières. Cette loi, qui interdit le trading pour compte propre, est rejetée par
7
http://www.bloomberg.com/news/2012-03-26/bank-lobby-s-onslaught-shifts-debate-on-volcker-rule.html
94
plusieurs grandes banques d’affaires, dont JP Morgan (qui, récemment, a d’ailleurs fait une
perte de plus de 3 milliards de dollars). Il est donc nécessaire que les politiciens et les
régulateurs mettent en pratique ce qui a été décidé, peu importe la pression du secteur
financier, et s’assurent du bon respect des règles, quitte à prendre des sanctions importantes si
cela est nécessaire. Il est important que les pouvoirs politiques, que cela soit aux Etats-Unis
ou en Europe, prennent leurs responsabilités.
Pour le secteur des assurances, l’approche Solvabilité II est une approche beaucoup plus
flexible qu’une approche basée sur des règles. Cela permet d’un côté de pouvoir s’adapter
plus rapidement à l’environnement économique et au marché qui changent constamment.
D’un autre côté, cela favorise l’interprétation de la part des compagnies d’assurances qui n’est
pas toujours la plus optimale. Il est donc nécessaire que les régulateurs définissent un
consensus selon lequel, pour des sujets plus liés au risque systémique, les règles devraient être
plus sévères alors que pour des activités moins risquées, des principes seraient définis par les
régulateurs mais cela serait de la responsabilité des entreprises de les mettre en place. Les
régulateurs, actuellement, sont surtout préoccupés par le sort des banques et la régulation
bancaire mais ils ne peuvent pas se permettre d’oublier que les compagnies d’assurances
représentent un risque systémique non négligeable.
Comme pour les banques, les compagnies d’assurances devraient également réduire leur
taille afin de réduire l’impact potentiel pour le reste de l’économie. Les plus grandes sont
encore trop grandes par rapport aux compagnies de secteurs différents. Vu qu’elles présentent
également un risque important pour le reste de l’économie, limiter leurs activités en fonction
des assurances qu’elles proposent est également une bonne solution afin qu’elles ne puissent
pas opérer dans de nombreuses activités, chose qui les éloignerait de leur « core business »s et
pourrait représenter un risque supplémentaire. Tout ce qui est investissement dans des
produits dérivés, spéculation, trading pour compte propre sont toutes des activités qui ne sont
pas demandées par les clients et qui devraient être interdites pour ce genre d’entreprise.
Les entreprises offrant des services financiers pourraient, à première vue, ne pas être
trop risquées pour le reste de l’économie mais, comme nous l’avons vu précédemment, les
services financiers représentent un risque important pour le reste de l’économie. Il est donc
nécessaire de développer une régulation supplémentaire qui ne serait pas basée sur les
banques ni les assurances mais sur l’ensemble des entreprises offrant des services financiers.
Il faut donc que les régulateurs étudient et analysent chaque type d’entreprise de ce secteur-là
afin de développer des lignes régulatrices semblables et d’en adapter d’autres en fonction du
type de service financier offert. Ce genre de travail nécessite beaucoup de temps et de
95
connaissances et les régulateurs semblent, à l’heure actuelle, se focaliser sur les banques
principalement mais très peu sur les entreprises offrant des services financiers autres que
bancaires et actuariels.
Des efforts peuvent être également faits pour chacun des trois secteurs financiers.
Premièrement, il est nécessaire de repenser la gestion du risque. En effet, les dérives
précédentes nous ont montré que les acteurs des différents secteurs financiers passaient une
bonne partie de leur temps à transférer les risques auxquels ils font face à d’autres acteurs qui
eux-mêmes transféraient leur risque. Néanmoins, transférer le risque ne signifie en aucun cas
le supprimer mais en faisant cela, ils peuvent faire apparaitre un bilan de meilleure qualité qui
leur permet deux choses : se financer à des taux faibles et avoir des capitaux propres plus
faibles. Nombreux produits dérivés financiers, dont les célèbres CDS, sont utilisés à tout va
pour donner l’apparence de se protéger (en d’autres termes, pour spéculer). De tels produits
n’ont fait qu’amplifier la crise mais sont toujours disponibles sur les marchés. Ils devraient
être supprimés et la gestion du risque devrait être repensée de telle sorte qu’il ne serait plus
permis, dans certains cas, de se protéger en achetant des produits dérivés. Dès lors, les acteurs
financiers devraient poser le pour et le contre avant d’effectuer une opération. Une réflexion
efficace et posée de la part d’une entreprise (grâce à un nombre limité d’activités) permet en
général de mieux se protéger que des modèles mathématiques qui reposent sur de trop
nombreuses hypothèses et qui ne tiennent pas compte des spécificités de la situation.
Deuxièmement, afin de lutter contre les problèmes de liquidité qui peuvent, sur le long
terme, se transformer en problème de solvabilité, il est nécessaire que les régulateurs se
penchent sur les moyens de financement mis à disposition des différents secteurs financiers.
En effet, même si les assurances et les services financiers utilisent moins de systèmes de
financement complexes, elles en utilisent plus que par le passé. Néanmoins, ce genre de
financement n’est pas durable si l’économie et les conditions de marchés se détériorent. Dès
lors, il faudrait imposer des systèmes de financement qui reposent sur un horizon plus long
qu’il n’est actuellement. A titre illustratif, il est bien connu que de nombreux acteurs du
monde financier (surtout les banques d’investissements américaines) empruntent des milliards
de dollars quotidiennement sur le marché Repo, marché totalement dérégulé et non supervisé.
Ce genre de marché ne devrait plus exister et il faudrait imposer que la majorité des
financements soit effectuée par des accords de long terme.
Troisièmement, pour lutter contre le problème du « too big to fail », il est nécessaire de
favoriser l’expansion du nombre d’établissements financiers mais de plus petite taille et qui
sont focalisés sur un nombre limité d’activités (comme évoqué précédemment). Ceci aura
96
plusieurs conséquences qui ne peuvent être que bénéfiques pour les contribuables.
Premièrement, il y aura plus de concurrence entre les institutions financières, ce qui permettra
de diminuer certains coûts. Ensuite, plus d’institutions favorise une meilleure répartition des
risques étant donné qu’il y aura moins de liens entre elles. Un troisième avantage suppose que
si les institutions financières ont une taille plus raisonnable, alors elles auront tendance à
prendre moins de risques. En effet, elles savent qu’elles ne pourraient pas être sauvées vu que
l’économie absorberait facilement un problème dans une institution particulière.
Enfin, comme déjà évoqué précédemment pour les banques, il est nécessaire que chaque
entreprise financière, quelle qu’elle soit, se focalise uniquement sur son métier premier et ne
se disperse pas dans les activités qu’elle mène. En effet, au plus elle sera focalisée sur son
métier, au plus elle l’effectuera efficacement, ce qui évitera la dissipation de l’entreprise vers
d’autres activités pour lesquelles elle ne dispose pas forcément de connaissances suffisantes.
Après avoir présenté les grandes lignes sur ce qu’il faudrait faire afin de réduire le
risque systémique lié aux différents secteurs financiers, de nombreuses autres
recommandations peuvent être faites afin de limiter les risques liés aux marchés financiers.
Dans un premier temps, comme l’évoque Roman Frydman, un professeur d’économie de la
New York University8, il est nécessaire de lutter contre les mouvements excessifs des
marchés financiers puisque ce genre de mouvement peut être déclencheur d’une crise pour
l’économie dans son ensemble. Pour les devises, par exemple, la remise en place de bandes de
fluctuation pourrait empêcher les agents économiques de trop spéculer. Les marchés, quels
qu’ils soient, doivent suivre les fondamentaux de l’économie et ne peuvent pas être influencés
par des agents économiques désireux de provoquer des mouvements excessifs.
Ensuite, il faut protéger les consommateurs contre les pratiques abusives que pourraient
mettre en place les entreprises financières. C’est pour cette raison que la loi Dodd-Frank met
en avant le besoin plus d’une transparence beaucoup plus importante aussi bien pour les
marchés financiers que pour les entreprises financières. En ce qui concerne les agences de
notation, elle requiert une augmentation des contrôles internes et une plus grande transparence
dans les processus de notation ainsi que dans les méthodologies utilisées.
De plus, certains produits dérivés sont également devenus tellement complexes qu’ils
devraient être interdits. Habituellement, lorsque des consommateurs achètent des biens, il y a
un mode d’emploi qui permet de comprendre le produit acheté et les risques qu’il comporte.
Pour les produits financiers, il y a toujours les mêmes risques qui sont évoqués la plupart du
8
http://www.lecho.be/nieuws/archief/L_homme_qui_veut_revolutionner_l_economie.9162018-
1802.art?highlight=dodd%20frank
97
temps mais aucun mode d’emploi n’est fourni avec. Dès lors, une question se pose : pourquoi
les régulateurs autorisent la vente de produits ultra complexes dont il n’y a que les
concepteurs (qui sont également des ordinateurs) qui les comprennent ?
Toutes les propositions (et la liste est non-exhaustive) ont pour objectif que les dérives
du secteur financier présentent, dans un premier temps, moins de répercussions sur
l’économie réelle mais elles permettent également d’accroitre la transparence du système
financier. Il est certain qu’une réforme du secteur financier ne peut être que bénéfique à
l’économie réelle afin que chacun retrouve sa place dans celle-ci et ne soit plus dicté par les
acteurs du monde financier. Pour ceux qui décident de se lancer dans cette voie-là, il faudra
être courageux et oser prendre des décisions qui vont à l’encontre de tous ceux qui
appauvrissent la plupart de la population à cause de leurs dérives dictées par l’appât du gain.
Néanmoins, il sera difficile de lutter contre les lobbyings financiers déjà en place depuis
de nombreuses décennies. De plus, la mise en place d’une plus grande régulation ou du moins
le respect de celle-ci peut avoir comme des conséquences fâcheuses comme, par exemple, le
développement du « shadow banking ». En effet, en imposant de plus en plus de régulation,
les institutions financières auront un incitant important à développer de plus en plus de
transactions dans un système financier non régulé, à l’abri des regards du régulateur.
98
Conclusion
Dans ce mémoire, nous nous sommes focalisés sur la mesure du risque systémique
qu’est la ∆CoVaR afin d’évaluer l’impact des différents secteurs financiers (mais aussi des
différentes institutions individuelles) sur le reste de l’économie. Par conséquent, nous
voulions déterminer la contribution marginale d’un secteur financier particulier au risque
systémique. Néanmoins, la CoVaR peut également être utilisée afin de mesurer le risque de
marché mais elle n’a pas été reprise dans ce mémoire. Il serait intéressant, dans une recherche
future, d’évaluer si le fait de prendre en compte la Value-at-Risk d’une autre institution (ou
d’un autre système) permet de bien mesurer le risque de marché d’une institution particulière
(ou d’un système).
Les résultats qui sont ressortis de notre modèle d’estimation pour la période 2002-2012
sont différents suivant l’économie en question. En ce qui concerne la zone euro, nous avons
remarqué que le secteur des services financiers présente une contribution marginale plus
importante au risque systémique que, respectivement, le secteur bancaire et le secteur des
entreprises d’assurances. Par conséquent, le reste de l’économie sera nettement plus impacté
si ce type d’entreprise a des problèmes que si ce sont les deux autres secteurs qui en
présentent. Aux Etats-Unis, nous avons observé que l’économie toute entière serait beaucoup
plus impactée si un problème survient dans le secteur des assurances que, respectivement,
dans le secteur bancaire et celui des entreprises qui offrent des services financiers.
Si nous prenons un secteur financier et que nous comparons les résultats pour les Etats-
Unis et pour la zone euro, les conclusions sont les suivantes. Le secteur des assurances est
plus risqué pour l’économie américaine que pour l’économie de la zone euro. Au contraire, ce
sont les banques européennes qui, cette fois, présentent un risque systémique plus important
que leurs consœurs américaines. Enfin, le secteur européen des services financiers contribue
de manière plus importante au risque systémique que celui américain. Néanmoins, pour cette
dernière conclusion sur le secteur des services financiers, une limite subsiste. En effet, il n’a
pas été possible de trouver une explication cohérente étant donné que toute la littérature au
sujet de ce genre d’entreprise est relativement faible.
D’autres limites ont également pu être observées. Premièrement, afin de représenter
l’économie dans son ensemble (hors secteurs financiers), deux indices financiers qui ne
contiennent aucune valeur financière ont été choisis. Ce choix peut être critiqué étant donné
qu’il suppose que les bourses soient efficientes et représentent l’économie, ce qui peut être
99
discutable. En effet, l’évolution du niveau des bourses n’est pas toujours la plus représentative
de la santé de l’économie dans son ensemble. A titre illustratif, alors que la plupart des
bourses ont nettement chuté suite au début de la crise souveraine à la fin du mois de juillet et
durant le mois d’août 2011, elles ont connu une nette reprise entre la mi-décembre 2011 et la
mi-mars 2012 alors que, fondamentalement, le problème de la dette souveraine était loin
d’être résolu et que les chiffres liés à l’économie réelle ne suscitaient pas une telle
augmentation. De plus, un indice ne représente pas parfaitement le système tout entier vu que
certains secteurs sont plus pondérés que d’autres alors qu’ils n’ont pas un impact
nécessairement plus grand sur le Produit Intérieur Brut par exemple.
Deuxièmement, la répartition de nos trois secteurs financiers peut être critiquée. En
effet, de grandes entreprises bancaires offrent des services que des compagnies d’assurances
peuvent offrir par exemple, ce qui rend la limite entre les deux métiers de plus en plus floue et
leur séparation de plus en plus compliquée. Dès lors, il est essentiel de ne pas oublier ce détail
important dans l’interprétation des résultats obtenus au cours de l’analyse empirique.
Troisièmement, une limite méthodologique peut être invoquée. Pour la zone euro, nous
avons dû utiliser le VIX et le rendement des obligations d’Etat notées BAA des Etats-Unis
étant donné que l’information n’était pas disponible sur Bloomberg pour la zone euro. Dès
lors, ceci pourrait entrainer un petit biais vu que, par exemple, cet indice de volatilité
représente la volatilité du marché américain qui est connu pour sa réputation de marché plus
volatile que le marché européen.
Une autre limite méthodologique concerne notre méthode d’estimation qu’est la
régression de quantiles. En effet, elle n’a pas été autant étudiée que la méthode des moindres
carrés ordinaires et peu d’auteurs l’utilisent réellement. La variance dans ce type de régression
n’est pas facilement calculable et doit être estimée grâce à d’autres méthodes (comme le
« boostrap ») étant donné que la régression quantile est basée sur la minimisation d'une
fonction continue mais non dérivable, qui fait que la matrice hessienne ne peut pas être
calculée.
Néanmoins, malgré ces limites, il serait intéressant de développer les mêmes outils afin
d’estimer cette même mesure du risque systémique qu’est la ∆CoVaR dans un autre cadre,
celui de la viabilité des comptes publics dans la zone euro. Ce sujet est tout à fait d’actualité
et une recherche future permettrait d’évaluer l’impact de problèmes présents dans les
économies sensibles de la zone euro (la Grèce, l’Espagne, l’Irlande, le Portugal ou encore
l’Italie) sur les économies en meilleure santé comme l’Allemagne, la Belgique ou encore le
France.
100
En conclusion, malgré les différentes limites soulevées, les résultats obtenus doivent
être pris en compte pour une réglementation future. Néanmoins, il ne suffit pas uniquement
que les secteurs financiers soient plus réglementés mais il faut surtout qu’ils respectent les
règles qui sont en vigueur. En effet, le monde financier a toujours été connu pour les
compromis qu’il effectue avec le monde politique et les régulateurs mais, après les scandales
à répétition dus à une mauvaise gestion du risque, il est temps que le monde politique et que
les autorités régulatrices prennent leurs responsabilités et encadrent de manière plus efficace
et plus importante l’ensemble des secteurs financiers, quels qu’ils soient.
101
Bibliographie
ADRIAN, T., et BRUNNERMEIER, M.K., (2011), « CoVaR », Federal Reserve Bank of

New York Staff Reports, N° 348
ALLEN, F., et GALE, D., (2000), « Financial Contagion », Journal of Political Economy,
108(N°1), pp. 1-33
ALLEN, F, CHUI, M.K.F., et MADDALONI, A., (2004), « Financial Systems in Europe, The
USA and Asia », Oxford Review of Economic Policy, 20 (N°4), pp. 490-508
BANQUE DE France, (2005), « Portée et limites des VaR publiées par les institutions
financières », Revue de la stabilité financière, N°7
BASEL COMMITTEE, (2009), « History of the Basel Committee and its Membership »,
Bank for International Settlements Reports, Bank for International Settlements
BASEL COMMITTEE, (2010), « Réponse du Comité de Bâle à la crise financière : Rapport
au Groupe des Vingt », Bank for International Settlements Reports, Bank for International
Settlements
BEN JELLOUL, M., (2011), « Réforme financière de Bâle III : chemin parcouru et enjeux
futurs », Centre d’Analyse Stratégique, N°209
BRANA, S., et LAHET, D., (2005), « La propagation des crises financières dans les pays
émergents : la contagion est-elle discriminante ? », La Doc.Française : Economie
Internationale, pp. 73-96
BOLLERSLEV, T., (1986), « Generalized Autoregressive Conditional Heteroskedasticity »,
Journal of Econometrics, N°31, pp. 307-327
BUCHINSKY, M., (1995), « Estimating the asymptotic Covariance Matrix for Quantile
Regression Models, a Monte Carlo Study », Journal of Econometrics, N°68, pp.303-338
CEA (European Insurance and Reinsurance Association), (2006), « The contribution of the
Insurance Sector to Economic Growth and Employment in the EU », CEA AISBL
CEA (European Insurance and Reinsurance Association), (2010), « Insurance : A unique
sector. Why Insurers differ from banks », CEA AISBL
CHAKRABARTY, B., et ZHANG, G., (2010), « Financial contagion channels : Market
microstructure evidence from Lehman Brothers’ Bankruptcy », Working Paper
CHEN, C.L., (2010), « An Introduction to Quantile Regression and the QUANTREG
Procedure », SAS Institute, Cary (Etats-Unis)
CHOULET, C., (2011), « Le Dodd-Frank Act : une vision américaine de la régulation
financière », Etudes Economiques- BNP Paribas
CLAESSENS, S., et FORBES, K, (2001), International Financial Contagion, Kluwer
Academic Publisher, United-States of America
102
CLAESSENS, S., et FORBES, K., (2004), « International Financial Contagion : The Theory,
Evidence and Policy implications », Working Paper pour la conférence : « The IMF’s Role in
Emerging Market Economies : Reassessing the Adequacy of its resources »
COMMISSION EUROPEENNE (ou CE en abrégé), (2010), « Rapport sur la stabilité et
l’intégration financière européenne », Document interne
CORONEO, L., et VERADAS, D., (2011), « A simple two-component model for the
distribution of intraday returns », Working Paper
D’HAULTFOEUILLE, X., et GIVORD, P., (2011), « La régression quantile en pratique »,
Working Paper
DE BANDT, O., et HARTMANN, P., (2000), « Systemic risk : a survey », ECB Working
Paper N°35
DE LIMA, P., (2005), « L’intégration du système financier en Europe », Revue de l’OFCE
DOWD, K., (2005), Measuring Market Risk, John Wiley & Sons Ltd, Chichester (Angleterre)
DRAZEN, A., (1998), « Political Contagion in Currency Crisis », University of Maryland
Mimeo
ECB (2009), « The external financing of households and non-financial corporations: A
comparison between the euro area and the United States », ECB Monthly Bulletin
ENGLE, R.F., (1982), « Autoregressive Conditional Heteroskedasticity with Estimates of the
Variance of U.K. Inflation », Econometrica, N°50, pp. 987-1008
ESTRELLA, A., et TRUBIN, M.R., (2006), « The Yield Curve as a Leading Indicator : Some
practical Issues », Current Issues in Economics and Finance, Federal Reserve of New-York
GERLACH, F., et SMETS, F., (1995), « Contagious speculative attacks », European Journal
of Political Economy, N°11
GOLDSTEIN, M., et VERON, N., (2011), « Too Big to Fail : The transatlantic Debate »,
Peterson Institute for International Economics, N°11-2
FAMA, E.F., (1965), « The behavior of Stoc Market Prices », Journal Of Business, N°38, pp.
34-105
FAMA, E.F., et FRENCH, K.R., (1992), « The cross-section of expected returns », Journal of
Finance, N°47(2), pp. 427-465
FORBES, K., et RIGOBON, R., (2001), « Measuring Contagion : Conceptual and empirical
issues », in CLAESSENS, S., et FORBES,K., International financial contagion, Boston,
Kluwer Academic Publishers, pp. 43-66
FORBES, K., et RIGOBON, R., (2002), « No Contagion, Only Interdependance : Measuring
Stock Market Comovements », Journal of Finance, N°57
GROPP, R., LO DUCA, M., et VESELA, J., (2006), « Cross-Border Bank Contagion in
Europe», ECB Working Paper N°662
103
GROSSMAN, R., (1993), « The Macroeconomic Consequence of Bank Failures under the
National Banking Système », Explorations in Economic History, N°30, pp. 294-320
GROUPE DE LAROSIERE, (2009), « The High-Level Group on financial supervision in the
EU », Rapport de travail
HENDRICKS, D., KAMBHU, J., et MOSSER, P., (2006), « Systemic Risk and Financial
System : Background paper », Federal Reserve Bank of New York
HURLIN, C., (2006), Master Econometrie et Statistique Appliquée (ESA), Université
d’Orléans, année universitaire 2006-2007
INTERNATIONAL FINANCIAL SERVICES LONDON (IFSL), « IFSL Research : Banking
2010 », Document interne
IYER, R., et PEYDRO, J-L., (2010), « Interbank Contagion at Work : Evidence from a
natural experiment », ECB Working Paper N°1147
JORION, P., (2007), Value at Risk : The New Benchmark for Managing Financial Risk,
McGraw Hill, New-York
JU, X., et PEARSON, N. D., (1999) « Using value-at-risk to control risk taking: how wrong
can you be? », Journal of Risk, N°1 (2), pp. 5–36
KAMINSKY, G.L., et REINHART, C., (2000), « On Crises, Contagion and Confusion »,
Journal of International Economics, N° 51, pp. 145-168
KAUFMAN, G., (1992), « Bank Contagion : Theory and Evidence », Federal Reserve Bank
of Chicago, N° 92-13
KIHOON, J.H., (2011), « Analytical CoVaR », Working Paper
KOENKER, R., et BASSET, G., (1978), « Regression Quantiles », Econometrica, N°46, pp.
33-50
KOENKER, R., et HALLOCK, K.F., (2001), « Quantile regression », Journal of Economic
Perspectives, N°15, pp. 143-156
KNIGHT, F., (1921), Risk, uncertainty and profit, Hart, Schaffner, and Marx Prize Essays, N°
31, Boston and New York
KPMG, (2011), « Bâle III: les impacts à anticiper », Revue interne
KWAN, S.H., et LADERMAN, E.S., (1999), « On the Portfolio Effects of Financial
Cnvergence. A Review of the Literature »
LAURENT, E., (2009), La face cache des banques: Scandales et Révélations sur les milieu
financiers, Plon, Paris
LEHAR, A., (2005), « Measuring Systemic Risk : A Risk Management Approach», Journal
of Banking and Finance, N°29(10), pp. 2577-2603
MA, L., et POHLMAN, L., (2005), « Return forecasts and optimal portfolio construction: a
quantile regression approach », Working Paper
104
MACHADO, J.A.F., et SANTOS SILVA, J.M.C., (2011), « Quantile regression and
heteroskedasticity », Working Paper
MALLABY, S., (2010), More Money Than God: hedge funds and the making of a new elite,
Bloomsburry Publishing, Londres
MANDELBROT, B., (1963), « The Variations of Certain Speculative Prices », Journal of
Business, N°36, pp. 394-419
MANGANELLI, S., et ENGLE, R.F., (2001), « Value at Risk models in finance », ECB
Working Paper N°75
MARAIS, E., et BATES, S., (2004), « La contagion financière : une étude empirique sur les
causalités lors de la crise asiatique », Working Paper
MARKOWITZ, H., (1952), « Portfolio Selection », The Journal of Finance, N°7, pp. 77-91
MASERA, R., (2010), « Reforming financial systems after the crisis : a comparison of EU
and USA », PSL Quartely Review, 63 (N°225), pp. 297-360
MASSON, P., (1998), « Contagion : Monsoonal effects, Spillovers, and JUmps Between
Multiple Equilibria », IMF Working Paper N° 98/142
MULLAINATHAN, S., (1998), « A Memory Based Model of Bounded Rationality », Mimeo
NAWROCKI, D., (1999), « A Brief History of Downside Risk Measures », Working Paper
NOLAIN, G., SALHI, Y., et WERLE, S., (2007), « Optimisation de portefeuille selon le
critère de la Value at Risk », Working Paper
OECD, (2011), « The impact of the financial crisis on the insurance sector and policy
responses », OECD Publishing
PAULO, S., (2011), « L’Europe et la crise Economique mondiale : Réponse- Bilan »,
Fondation Robert Schuman
PRITSKER, M., (2000), « The channels for financial contagion », in CLAESSENS, S., et
FORBES,K., International financial contagion, Boston, Kluwer Academic Publishers
RACICKAS, E., et VASILIAUSKAITE, A., (2011), « Channels of financial risk contagion in
the global financial markets », ECONOMICS AND MANAGEMENT, N°16, pp.1174-1184
RACICOT, F-E., et THEORET, R., (2006), « La Value-at-Risk, Modèles de la VaR,
simulations en Visual Basic (Excel) et autres mesures récentes du risque de marché »,
Université du Québec
RIGOBON, R., (2002), « Contagion : How to Measure It ? », University of Chicago Press
ROSS, S., (1976), « The aribitrage theory of capital asset pricing », Journal of Economic
theory, 13(N°3), pp.341-360
SHARPE, W., (1964). « Capital asset prices: A theory of market equilibrium under conditions
of risk », Journal of Finance, 19 (N°3), pp.425-442
105
SCHWAAB, B., KOOPMAN, S.J., et LUCAS, A., (2011), « Systemic risk diagnostics :
coincident indicators and early warnings signals », WP N° 1327, ECB
THE Geneva Association, (2010), « Systemic Risk in Insurance : An analysis of insurance
and financial stability », The Geneva Association
THE INDEPENDENT INSTITUTE, (2009), « Insurance Regulation in the United States and
the EUropean Union : A Comparison », The Independent Institute
VALDES, R., (1996), « Emerging Market Contagion : Evidence and Theory », MIT Mimeo
VAN RIJCKEGHEM, C., et WEDER, B., (1999), « Source of Contagion : Finance or
Trade ? », IMF Working Paper
VAUGHAN, T.M., (2009), « The Implications of Solvency II for U.S. Insurance
Regulation », Networks Financial Institute
VERBOOMEN, A., et DE BEL, L., (2006), « Bâle II et le risque de crédit : les règles
actuelles et leur évolution sous Bâle III », Larcier
XU, B., (2008), « Co-mouvements extrêmes, interdépendance ou contagion ? Une analyse
d’après la théorie des valeurs extrêmes », Working Paper
Sites Internet utilisés :

http://ec.europa.eu/internal_market/insurance/solvency/background_fr.htm#sol2
http://monargent.lecho.be/epargner_et_investir/investir/Attention_les_marches_restent_plutot
_calmes.9025332-2222.art
http://www.bloomberg.com/news/2012-03-26/bank-lobby-s-onslaught-shifts-debate-on-
volcker-rule.html
http://www.fimarkets.com/pages/var_value_at_risk.php#bale2
http://www.gespriv.com/apt-arbitrage-pricing-theory.html
http://www.lecho.be/nieuws/archief/L_homme_qui_veut_revolutionner_l_economie.9162018
-1802.art?highlight=dodd%20frank
http://www.lecho.be/nieuws/archief/Les_Mayas_du_cataclysme_economique.9200640-
1802.art?highlight=46.000
http://www.lesechos.fr/formations/risques/articles/article_7_3.html
106
Annexes
Annexe 1 : Graphes théoriques
Figure A. Frontière efficiente de Markowitz
Source : http://centrale-portefeuille.e-monsite.com/rubrique,-,353702,1.html
Figure B. Fonction de distribution F et inverse de cette fonction de distribution, F-1
Source : Koenker (2011), Quantile Regression (Cours donné à la London School of Economics)
Figure C. Fonction de densité de probabilité f
Source : Koenker (2011), Quantile Regression (Cours donné à la London School of Economics)
107
Annexe 2 : Evolution des indices de référence américains et européens
Figure A : Evolution du S&P 500 et de l’Euro Stoxx 50
Note : Ces graphes représentent l’évolution du S&P500 (premier graphique) et de l’Euro Stoxx 50 (deuxième graphique)
entre le 05 février 1996 et le 16 mars 2012. L’ellipse entoure la période représentant le début de notre échantillon (01 octobre
2002).Ce graphe a été généré par le logiciel OxMetrics (version 6.01).
Figure B : Evolution du MSCI Daily TR Net Europe Ex Financial et du S&P500 Ex Financial
Note : La période utilisée sur ces deux graphiques commence le 01 octobre 2002 et se termine le 16 mars 2012. L’ellipse
présente sur les deux graphiques montre une cassure sur les marchés boursiers. Ce graphe a été généré par le logiciel
OxMetrics (version 6.01).
108
Annexe 3 : Analyse descriptive des variables explicatives de contrôle
Les graphiques à partir desquels nous allons expliquer nos variables explicatives de
contrôle se retrouvent à la suite de cette annexe 3 (figure A à figure J) et ont pu être effectués
grâce au logiciel OxMetrics.
La première variable d’état est le VIX (Volatility Index), un indice qui permet d’estimer
la volatilité des marchés d’actions durant les 30 prochains jours. Il se construit sur base de la
volatilité des options (call et put) sur l’indice américain de référence, le S&P500. En général,
le VIX affiche un cours entre 15 et 25 (en points de pourcentage) pendant des périodes
calmes9. Ceci se vérifie sur la figure A puisque le VIX fluctue entre 10 et 20 durant la période
allant de mai 2003 à juillet 2007. Entre août 2007 et août 2008, il commence à se relever,
fluctuant entre 20 et 30, signe que les marchés commençaient à devenir plus volatiles. Puis
dès septembre 2008, il va connaitre plusieurs pics à plus de 70 et se retrouver à des niveaux
supérieurs à 40 durant 7 mois. En mai 2010 et juillet 2011, il connaitra encore des pics,
périodes durant laquelle les bourses ont également connu des troubles.
Ensuite, le « liquidity spread » de court terme est défini comme la différence entre le
taux repo à 3 mois et le taux d’une obligation d’Etat à 3 mois. Il représente le phénomène de
« flight-to-liquidity ». Le taux repo est le taux auquel une banque centrale est d’accord de
prêter des fonds aux banques en échange de garanties (titres) afin de se protéger d’un défaut
de paiement. Si le « liquidity spread » est élevé, cela signifie que le taux auquel une banque
centrale prête sera élevé par rapport au taux d’une obligation d’Etat. Ce « liquidity spread »
mesure donc le risque de liquidité puisque s’il est élevé, les entreprises financières ne
pourront plus se financer aussi facilement qu’elles le veulent (vu que le coût de financement
est plus élevé) et elles devraient faire face à de sérieux problèmes de liquidités. L’écart de
liquidité américain a fortement augmenté dès la fin de l’année 2007 jusque fin de l’année
2008 (figure B) et ensuite a évolué aux alentours de 0, la politique monétaire de la Fed étant
de maintenir des taux bas (en injectant des liquidités) afin de permettre une augmentation des
investissements pour relancer l’économie américaine. Au niveau européen, il a également
augmenté durant la même période mais aussi durant l’été 2011 contrairement au « liquidity
spread » américain. En effet, cette période fut marquée par une grande incertitude provoquée
par la crise de la dette souveraine en Europe.
La variation du taux d’intérêt d’une obligation d’Etat à 3 mois représente notre
troisième variable explicative de contrôle. Le premier graphe de la figure C montre que les
9
http://monargent.lecho.be/epargner_et_investir/investir/Attention_les_marches_restent_plutot_calmes.9025332-
2222.art
109
variations des taux d’intérêt d’Etat à 3 mois américains sont restées très stables entre la fin
2002 et la deuxième moitié de l’année 2007. A partir de ce moment, les taux d’intérêt
américains ont fortement diminué (figure D) jusqu’à atteindre un niveau proche de zéro à
partir de l’année 2009, ces taux étant toujours valables aujourd’hui. Quant aux obligations
allemandes, leur volatilité a augmenté en septembre 2008. Dès lors, le taux allemand a
fortement baissé (figure D) puisque les investisseurs ont retiré leur argent des marchés des
actions pour le placer dans des obligations allemandes, considérées comme les obligations
européennes les plus sûres. Ces mêmes obligations allemandes ont même eu un rendement
négatif en novembre et décembre 2011, ce qui signifie que les investisseurs étaient prêts à
payer lorsqu’ils prêtaient de l’argent à l’Allemagne, en échange de l’assurance de recevoir en
retour ce qu’ils avaient prêté.
La quatrième variable d’état est la variation de la pente de la « yield curve », cette
dernière étant mesurée par la différence de rendement (en anglais appelé « yield spread »)
entre une obligation d’Etat à maturité de 10 ans et celle avec une maturité de trois mois.
Depuis les années 80, les économistes estiment que l’écart entre une obligation de long terme
et de court terme est un bon indicateur de l’économie future (ESTRELLA et TRUBIN, 2006).
Intuitivement, lorsque les taux d’intérêt de court terme dépassent ceux de long terme, cela
signifie tout simplement que les investisseurs éprouvent moins de confiance à l’égard de
l’institution à qui ils prêtent de l’argent sur le court terme que sur le long terme, ce qui
n’augure jamais rien de bon à court terme. Les politiques monétaires jouent un rôle sur cette
« yield curve » parce ce que si la banque centrale décide de lutter contre l’inflation en
augmentant les taux directeurs, les taux d’intérêt de court terme ont tendance à augmenter
plus rapidement que ceux de long terme puisque ces derniers ont tendance à refléter des
attentes de long terme. Les investisseurs s’attendent donc à ce que les pressions inflationnistes
à court terme soient réglées sur le long terme grâce à l’action de la banque centrale. À la
figure E, les deux « yield curve » (américaine et allemande) présentent une forme similaire.
Celle américaine a connu une période négative entre le milieu de l’année 2006 et mi 2007,
alors que celle européenne s’est retrouvée négative et proche de zéro durant une bonne partie
de l’année 2008.
La variation du « credit spread », qui est l’écart entre des obligations notées BAA et des
obligations d’Etats pour une même maturité, représente une autre variable explicative de
contrôle. Nous pouvons supposer que lorsque l’économie en général se porte bien, ce « credit
spread » (indicateur du crédit) est moins élevé que lorsque l’économie va mal. En effet,
lorsque l’économie est en phase de croissance significative, les entreprises et les Etats se
110
portent au mieux, et donc les investisseurs ne jugent pas nécessaires de demander des taux
d’intérêts élevés aux entreprises lorsque celles-ci se financent en émettant des obligations. Par
contre, dans un environnement économique incertain, les entreprises doivent faire face à des
difficultés (problèmes de croissance, de dettes importantes ou encore de liquidité par
exemple) et les investisseurs se montreront plus réticents à leur prêter des fonds et les
obligeront à se financer à un coût plus important. Ceci se confirme à la figure F où durant les
cinq premières années, ce « credit spread » a tendance à diminuer mais va commencer à
augmenter à la fin de l’année 2007. Leur niveau au jour du 16 mars 2012 est encore élevé,
reflétant toujours les incertitudes sur l’économie mondiale. De plus, nous pouvons remarquer
que sa volatilité, que ce soit aux Etats-Unis ou en Europe, a augmenté durant quelques mois
après la faillite de la banque d’affaires Lehman Brothers (figure G).
Notre sixième variable d’état est le rendement d’un marché de référence. Ces
rendements sont présentés à la figure H, où nous pouvons remarquer que la volatilité de ces
deux indices augmente à partir de la fin de l’année 2007. Cette volatilité reste même plus
élevée après 2007 que durant la période allant de fin 2002 à fin 2007. D’après les deux
graphiques, nous pouvons conclure que l’indice Euro Stoxx 50 semble plus volatile que
l’indice S&P500.
Enfin, la dernière variable d’état prend en compte les rendements d’un indice
représentant l’immobilier. Le marché de l’immobilier constitue un bon indicateur de
l’économie en général. En effet, si les conditions de marché sont bonnes (par exemple grâce à
la croissance, à une hausse des revenus ou encore grâce à du chômage faible) et présentent
peu d’incertitudes, alors les citoyens auront plus tendance à acheter des biens immobiliers
qu’en période d’incertitude complète. Suivant les deux indices américain et européen (figure
I), nous pouvons remarquer que le secteur de l’immobilier a atteint un plus haut au début de
l’année 2007, pour ensuite connaitre une chute vertigineuse pendant plus de deux années. Ce
marché présente des difficultés à s’en remettre puisque le marché est beaucoup plus volatile à
partir de ce crash immobilier que durant la période fin 2002 à fin 2006 (figure J).
111
Figure A : Evolution du VIX entre le 01 octobre 2002 et le 16 mars 2012
Note : Ce graphique représente l’évolution du VIX entre le 01 octobre 2002 et le 16 mars 2012. Le VIX s’exprime en points
de pourcentage. Ce graphe a été généré par le logiciel OxMetrics (version 6.01).
112
Figure B : Evolution du « liquidity spread »
Note : Le premier graphique représente l’évolution du « liquidity spread » américain. Le deuxième graphique est le
« liquidity spread » européen. Le liquidity spread s’exprime en pourcentage. La période étudie se situe entre le 01 octobre
2002 et le 16 mars 2012. Ce graphe a été généré par le logiciel OxMetrics (version 6.01).
113
Figure C : Variation du taux d’intérêt journalier d’une obligation d’Etat à 3 mois
Note : Ces deux graphiques représentent la variation (en pourcentage) des rendements des obligations d’état à 3 mois
américaines (premier graphe) et allemandes (deuxième graphe) entre le 01 octobre 2002 et le 16 mars 2012. Ce graphe a été
généré par le logiciel OxMetrics (version 6.01).
114
Figure D : Taux d’intérêt journalier d’une obligation d’Etat à 3 mois
Note : Ces graphiques représentent les taux d’intérêt d’une obligation américaine (premier graphe) et allemande (deuxième
graphe) pour une maturité de trois mois. Ces graphiques s’expriment en pourcentage. La période de calcul se trouve entre le
01 octobre 2002 et le 16 mars 2012. Ce graphe a été généré par le logiciel OxMetrics (version 6.01).
115
Figure E : Evolution de la « Yield Curve »
Note : Ces deux graphiques représentent l’évolution (en pourcentage) de la « Yield Curve » américaine (premier graphe) et
allemande (deuxième graphe). Ce graphique a été effectué pour la période comprise entre le 01 octobre 2002 et le 16 mars
2012. Ce graphe a été généré par le logiciel OxMetrics (version 6.01).
116
Figure F : « Credit Spread » journalier entre une obligation BAA et une obligation d’Etat (maturité 10 ans)
Note : Ces deux graphiques représentent le « credit spread » américain (premier graphe) et allemand (deuxième graphe) entre
le 01 octobre 2002 et le 16 mars 2012. Les « credit spreads » s’expriment en pourcentage. Ce graphe a été généré par le
logiciel OxMetrics (version 6.01).
117
Figure G : Variation journalière du « Credit Spread »
Note : Ces deux graphiques représentent la variation (en pourcentage) du « credit spread » (étant lui-même également en
pourcentage) américain (premier graphe) et allemand (deuxième graphe) entre le 01 octobre 2002 et le 16 mars 2012. Ce
graphe a été généré par le logiciel OxMetrics (version 6.01).
118
Figure H : Rendements journaliers du S&P500 et de l’Euro Stoxx 50
Note : Le premier graphique représente le rendement, en pourcentage, de l’indice S&P 500 et le deuxième graphique
représente le rendement (en pourcentage également) de l’indice Euro Stoxx 50. La période d’étude est comprise entre le 01
octobre 2002 et le 16 mars 2012. Ce graphe a été généré par le logiciel OxMetrics (version 6.01).
119
Figure I : Evolution du DJ US Real Estate Index et du Bloomberg Europe Real Estate Index
Note : Ces deux graphiques représentent l’évolution des deux indices représentant le marché immobilier américain (premier
graphe) et européen (deuxième graphe). La période d’étude se situe entre le 01 octobre 2002 et le 16 mars 2012. Ce graphe a
été généré par le logiciel OxMetrics (version 6.01).
120
Figure J : Rendements journaliers du DJ US Real Estate Index et du Bloomberg Europe Real Estate Index
Note : Ces deux graphiques représentent la variation, en pourcentage, des rendements des deux indices représentant le
marché immobilier américain (premier graphe) et européen (deuxième graphe). La période d’étude se situe entre le 01
121
Annexe 4 : Analyse descriptive des rendements boursiers américains
Figure A : Evolution des rendements journaliers de JP Morgan et de Wells Fargo
Note : Ce graphique représente l’évolution des rendements journaliers de l’action JP Morgan (rouge) et de l’action Wells
Fargo (bleu). La période se situe entre le 01 octobre 2002 et le 16 mars 2012. Ce graphe a été généré par le logiciel
122
Figure B : Evolution des rendements journaliers de Berkshire Hathaway et d’AIG
Note : Ces deux graphiques représentent l’évolution des rendements journaliers de l’action Berkshire Hathaway (premier
graphique) et de l’action AIG (deuxième graphique). La période choisie se situe entre le 01 octobre 2002 et le 16 mars 2012.
Ce graphe a été généré par le logiciel OxMetrics (version 6.01).
123
Figure C : Evolution des rendements journaliers d’American Express et de Goldman Sachs
Note : Ces deux graphiques représentent l’évolution des rendements journaliers de l’action American Express (premier
graphique) et de l’action Goldman Sachs (deuxième graphique). La période représentée débute le 01 octobre 2002 et se
termine le 16 mars 2012. Ce graphe a été généré par le logiciel OxMetrics (version 6.01).
124
Figure D : Comparaisons des rendements journaliers des trois indices sectoriels américains
Note : Le premier graphique compare les rendements journaliers de l’indice DJ US Banks (rouge) et de l’indice DJ US
Financial Services (bleu). Le deuxième graphique est composé du même indice bancaire (rouge) et de l’indice DJ US
Insurance (bleu). La période étudiée se situe entre le 01 octobre 2002 et le 16 mars 2012. Ce graphe a été généré par le
125
Figure E : Comparaisons des rendements journaliers de Wells Fargo
Note : Le premier graphique fait une comparaison des rendements de l’action Wells Fargo (rouge) avec ceux de l’action
Berkshire Hathaway (bleu) et le deuxième graphique avec l’action Goldman Sachs (bleu). La période étudiée se situe entre le
01 octobre 2002 et le 16 mars 2012. Ce graphe a été généré par le logiciel OxMetrics (version 6.01).
126
Figure F : Comparaison des rendements journaliers des indices DJ US Insurance et DJ US Financial Services
Note : Le graphique compare les rendements de l’indice DJ US Insurance (bleu) avec ceux de l’indice DJ US Financial
Services (rouge). La période étudiée se situe entre le 01 octobre 2002 et le 16 mars 2012. Ce graphe a été généré par le
127
Figure G : Comparaisons des rendements journaliers de Berkshire Hathaway
Note : Le premier graphique représente une comparaison des rendements de l’action Berkshire Hathaway (bleu) et de l’action
American Express (rouge) et le deuxième graphique avec l’action Goldman Sachs (rouge). La période étudiée se situe entre
le 01 octobre 2002 et le 16 mars 2012. Ce graphe a été généré par le logiciel OxMetrics (version 6.01).
128
Figure H : Evolution des rendements journaliers du S&P500 et du S&P500 Ex Financial
Note : Ces deux graphiques représentent l’évolution des rendements journaliers de deux indices importants aux Etats-Unis :
l’indice S&P500 (premier graphique) et l’indice S&P500 Ex Financial (deuxième graphique). La période représentée débute
le 01 octobre 2002 et se termine le 16 mars 2012. Ce graphe a été généré par le logiciel OxMetrics (version 6.01).
129
Tableau 1 : Synthèse sur les rendements boursiers des trois indices sectoriels américains
Variable | Obs Mean Std. Dev. Min Max

-------------+--------------------------------------------------------
rdtsp500ex~n | 2382 .0294114 1.258556 -9.452 11.172
rdtdjusbk | 2399 -.0194589 2.633615 -22.169 19.795
rdtdjusfi | 2399 .0054639 2.172682 -17.638 15.798
rdtdjusir | 2399 -.000213 1.890536 -14.051 15.336
| rdtsp5~n rdtdju~k rdtdju~i rdtdju~r

-------------+--------------------------------------------------------
rdtsp500ex~n (système) | 1.0000
rdtdjusbk (banques) | 0.7196 1.0000
rdtdjusfi (services financiers)| 0.8546 0.8992 1.0000
rdtdjusir (assurances) | 0.8437 0.8414 0.8971 1.0000
Note : Le premier tableau montre la synthèse des rendements des indices sectoriels et de l’indice système aux Etats-Unis. Le
deuxième tableau offre une comparaison des coefficients de corrélations des rendements des indices sectoriels par rapport au
rendement de l’indice système aux Etats-Unis. La période étudiée se situe entre le 01 octobre 2002 et le 16 mars 2012. Ce
tableau a été généré par le logiciel Stata (version 9.1).
130
Annexe 5 : Analyse descriptive des rendements boursiers dans la zone euro
Figure A : Evolution des rendements journaliers de BNP Paribas et de Banco Santander
Note : Ce graphique représente l’évolution des rendements journaliers de l’action BNP Paribas (rouge) et de l’action Banco
Santander (bleu). La période se situe entre le 01 octobre 2002 et le 16 mars 2012. Ce graphe a été généré par le logiciel
131
Figure B : Evolution des rendements journaliers d’Allianz et de AXA
Note : Ces deux graphiques représentent l’évolution des rendements journaliers de l’action Allianz (premier graphique) et de
l’action AXA (deuxième graphique). La période choisie se situe entre le 01 octobre 2002 et le 16 mars 2012. Ce graphe a été
généré par le logiciel OxMetrics (version 6.01).
132
Figure C : Evolution des rendements journaliers de Deutsche Boerse et de GBL
Note : Ces deux graphiques représentent l’évolution des rendements journaliers de l’action Deutsche Boerse (premier
graphique) et de l’action GBL (deuxième graphique). La période représentée débute le 01 octobre 2002 et se termine le 16
mars 2012. Ce graphe a été généré par le logiciel OxMetrics (version 6.01).
133
Figure D : Comparaisons des rendements journaliers des trois indices sectoriels dans la zone euro
Note : Ces graphiques font une comparaison des rendements journaliers des trois indices financiers sectoriels européens. Le
premier graphique compare les rendements de l’indice Euro Stoxx Insurance (rouge) avec ceux de l’indice Euro Stoxx
Financial Services (bleu). Le deuxième graphique fait une comparaison entre l’indice Euro Stoxx Banks (rouge) et l’Euro
Stoxx Financial Services (bleu). Le troisième compare l’Euro Stoxx Insurance (rouge) et l’Euro Stoxx Banks (bleu). La
période étudiée se situe entre le 01 octobre 2002 et le 16 mars 2012. Ces graphes ont été générés grâce au logiciel OxMetrics
(version 6.01).
134
Figure E : Rendements journaliers de l’Euro Stoxx 50 et du MSCI Daily TR Net Europe Ex Financial
Note : Ce graphique fait une comparaison des rendements journaliers de deux indices européens : l’indice Euro Stoxx50
(rouge) et l’indice MSCI Daily TR Net Europe Ex Financial (bleu). La période représentée débute le 01 octobre 2002 et se
termine le 16 mars 2012. Ce graphe a été généré par le logiciel OxMetrics (version 6.01).
Tableau 1 : Synthèse sur les rendements boursiers des trois indices sectoriels européens

-------------+--------------------------------------------------------
rdtmscieue~n | 2420 .0270781 1.281933 -8.113 9.296
rdtsx7e | 2388 -.0105888 2.055683 -10.827 17.763
rdtsxfe | 2388 .0197085 1.582359 -10.39 12.247
rdtsxie | 2388 .0068798 2.099713 -11.134 13.582
| rdtmsc~n rdtsx7e rdtsxfe rdtsxie

-------------+--------------------------------------------------------
rdtmscieue~n (indice système) | 1.0000
rdtsx7e (banques) | 0.8780 1.0000
rdtsxfe (services financiers) | 0.8761 0.8199 1.0000
rdtsxie (assurances) | 0.8995 0.8982 0.8209 1.0000
Note : Le premier tableau montre la synthèse des rendements des indices sectoriels et de l’indice système européen. Le
deuxième tableau offre une comparaison des coefficients de corrélations des rendements des indices sectoriels par rapport au
rendement de l’indice système en Europe. La période étudiée se situe entre le 01 octobre 2002 et le 16 mars 2012. Ce tableau
a été généré par le logiciel Stata (version 9.1).
135
Annexe 6 : Première comparaison (analyse descriptive) entre les Etats-Unis et la zone euro
Figure A : Comparaison des rendements des indices bancaires aux Etats-Unis et dans la zone euro
Note : Ce graphique fait une comparaison des rendements des indices bancaires aux Etats-Unis (rouge) et dans la zone euro
(bleu). La période étudiée se situe entre le 01 octobre 2002 et le 16 mars 2012. Ce graphe a été généré par le logiciel
Figure B : Comparaison des rendements des indices des assurances aux Etats-Unis et dans la zone euro
Note : Ce graphique offre une comparaison des rendements des indices composés d’assurances aux Etats-Unis (rouge) et
dans la zone euro (bleu). La période étudiée se situe entre le 01 octobre 2002 et le 16 mars 2012. Ce graphe a été généré par
le logiciel OxMetrics (version 6.01).
136
Figure C : Comparaison des rendements des indices du secteur Services Financiers (USA et zone euro)
Note : Ce graphique fait une comparaison des rendements des indices du secteur Services Financiers aux Etats-Unis (rouge)
et dans la zone euro (bleu). La période étudiée se situe entre le 01 octobre 2002 et le 16 mars 2012. Ce graphe a été généré
par le logiciel OxMetrics (version 6.01).
Figure D : Comparaison des rendements des indices représentants le reste de l’économie aux Etats-Unis et en
Europe
Note : Ce graphique compare les rendements des indices représentant le reste de l’économie aux Etats-Unis (S&P500 Ex
Financial en rouge) et dans la zone euro (le MSCI Daily TR Net Europe Ex Financial, en bleu). La période étudiée se situe
entre le 01 octobre 2002 et le 16 mars 2012. Ce graphe a été généré par le logiciel OxMetrics (version 6.01).
137
Annexe 7 : Do-file pour l’estimation de nos modèles et de la ∆CoVaR
Dans notre modèle, afin de calculer la Value-at-Risk d’une institution financière ou

d’un indice financier, nous n’utilisons pas la commande « predict » après l’estimation par
régression de quantiles des rendements de cette institution financière ou de cet indice
financier. En effet, vu que nous allons inférer les résultats, il est important de rester cohérent
et de ne prendre que les variables significatives (ayant donc une p-value inférieure à 0.05) lors
de l’estimation par régression de quantiles du rendement d’une institution individuelle et d’un
indice financier. Pour calculer la CoVaR à un certain quantile (1% et 50% dans ces cas-ci),
nous prenons en compte uniquement les variables significatives (ayant donc une p-value
inférieure à 0.05) lors de l’estimation par régression de quantiles du rendement de notre indice
« système » (équation 33 au chapitre 6). L’annexe suivant (annexe 8) permet de savoir quelles
sont les variables significatives pour nos modèles.
ADRIAN et BRUNNERMEIER utilisent la commande « qreg » pour faire l’estimation
par régression de quantiles. Dans notre mémoire, nous utiliserons la commande « bsqreg ».
En effet, la commande « qreg » estime les écarts-type en supposant que les termes d’erreur
sont distribués identiquement, ce qui n’est pas très intéressant d’après MACHADO et
SANTOS SILVA (2011). Les coefficients sont les mêmes que si nous utilisions la commande
« qreg » mais les termes d’erreur sont estimés en utilisant la méthode bootstrap, procédure
recommandée par BUCHINSKY (1995). Le nombre de réplications de « bootstrap » par
défaut est de 20 sous Stata mais nous en effectuerons à chaque fois 100.
La question de la variance de l'estimateur n'est pas simple dans le cas de régressions
quantiles. En effet, les régressions quantiles sont basées sur la minimisation d'une fonction
continue mais non dérivable. Ceci implique un certain nombre de discontinuités qui font que
la matrice hessienne ne peut pas être calculée et donc la variance n'est pas facilement
calculable (elle n'a pas de forme analytique). C'est pour cette raison que la variance est la
plupart du temps calculée au moyen de méthodes de rééchantillonnage comme le
« bootstrap ». Il est donc assez difficile de dériver les propriétés asymptotiques de la variance.
Dans notre échantillon initial de 2420 observations, il arrive quelques fois où nous
avons des valeurs manquantes pour les ∆CoVaR. Ceci s’explique par le fait qu’à chaque fois
que nous générons une CoVaR du système à 1% et à 50% (pour rappel, la ∆CoVaR se calcule
comme la différence entre la CoVaR à 1% et celle à 50%), elles ne seront pas calculées si une
ou plusieurs des variables explicatives significatives ne présentent pas de données. Voici le
tableau des valeurs manquantes :
138
Tableau 1 : Valeurs manquantes
Nombre
Nombre de Pourcentage
∆CoVaR relative d’observations
Echantillon initial valeurs de valeurs
à finales de la
manquantes manquantes
∆CoVaR
JP Morgan 2420 134 2286 5.86%
Wells Fargo 2420 115 2305 4.99%
Berkshire
2420 137 2283
Hathaway 6.00%
AIG 2420 115 2305 4.99%
American Express 2420 131 2289 5.72%
Goldman Sachs 2420 115 2305 4.99%
DJ US Banks 2420 130 2290 5.68%
DJ US Insurance 2420 124 2296 5.40%
DJ US Financial
2420 130 2290
Services 5.68%
BNP Paribas 2420 143 2277 6.28%

Banco Santander 2420 191 2229 8.57%
Allianz 2420 232 2188 10.60%
Axa 2420 175 2245 7.80%
Deutsche Boerse 2420 191 2229 8.57%
GBL 2420 191 2229 8.57%
Euro Stoxx Banks 2420 130 2290 5.68%
Euro Stoxx
2420 175 2245
Insurance 7.80%
Euro Stox
2420 143 2277
Financial Services 6.28%
Note : Ce tableau reprend, pour chacune de nos estimations de ∆CoVaR, l’échantillon initial, le nombre de valeurs
manquantes (et son pourcentage) ainsi que le nombre d’observations finales de la ∆CoVaR. Ce tableau a été réalisé sous
Excel (version 2007).
Comme la méthodologie est la même pour nos six actions individuelles américaines et
européennes, pour nos trois indices financiers sectoriels américains et européens, le do-file ne
sera repris qu’une seule fois pour une action individuelle et un indice sectoriel.
//JP Morgan //
*Institution individuelle 1% (Estimation pour un quantile égale à 1%)

bsqreg rdtjpmorgan vixindex usliqspd tbill usyldspd uscdtspd djusre
rdtsp500, quantile (0.01) reps(100)
gen varjp= -.1818428*vixindex + 1.047614*rdtsp500 (Nous ne prenons ici que
les variables explicatives qui sont significatives dans
l’estimation des rendements de JP Morgan)
*Indice "système" 1%
bsqreg rdtsp500exfin rdtjpmorgan vixindex usliqspd tbill usyldspd uscdtspd
djusre, quantile (0.01) reps(100)
gen covarjp= 0.1160981*varjp -0.0659969*vixindex +0.0025808*tbill -
0.2145145*uscdtspd +0.2152776*djusre (Une fois de plus, nous ne prenons que
les variables explicatives qui sont significatives dans
l’estimation des rendements de l’indice S&P500 Ex Financial)
139
*Institution individuelle 50% (Estimation pour un quantile de 50%)
bsqreg rdtjpmorgan vixindex usliqspd tbill usyldspd uscdtspd djusre
gen varjp50= .265273*djusre +1.17392*rdtsp500

bsqreg rdtsp500exfin rdtjpmorgan vixindex usliqspd tbill usyldspd uscdtspd
gen covarjp50= 0.19834*varjp50 -0.0061295*vixindex -0.0802171*uscdtspd
+0.2188922*djusre +0.1405456
gen deltajp= covarjp-covarjp50
// DJ US Banks //
*Indice sectoriel à 1% (Estimation pour un quantile égale à 1%)

bsqreg rdtdjusbk vixindex usliqspd tbill usyldspd uscdtspd djusre
gen varusbk= -.2016504*vixindex + .3896124*djusre + 1.032061*rdtsp500
+1.091492
bsqreg rdtsp500exfin rdtdjusbk vixindex usliqspd tbill usyldspd uscdtspd
gen covarusbk= .1118961*varusbk -.0696157*vixindex -.1657113*uscdtspd +
.2208001*djusre
*Indice sectoriel à 50% (Estimation pour un quantile égale à 50%)

bsqreg rdtdjusbk vixindex usliqspd tbill usyldspd uscdtspd djusre
gen varusbk50= .0542055*uscdtspd + .3531288*djusre +0.9281332*rdtsp500

bsqreg rdtsp500exfin rdtdjusbk vixindex usliqspd tbill usyldspd uscdtspd
gen covarusbk50= .2321532*varusbk50 +0.0003435*usyldspd -.072761*uscdtspd
+.1927204*djusre + .1216741
gen deltausbk= covarusbk-covarusbk50
140
Annexe 8 : Régression de quantiles
Tableau 1 : Régression de quantiles de JP Morgan et du S&P500 Ex Financial
.01 Quantile regression, bootstrap(100) SEs Number of obs = 2282
Raw sum of deviations 527.8093 (about -7.7589998)
Min sum of deviations 196.5817 Pseudo R2 = 0.6276
------------------------------------------------------------------------------
rdtjpmorgan | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
vixindex | -.1818428 .0263623 -6.90 0.000 -.2335395 -.1301461
usliqspd | 1.342637 .7470506 1.80 0.072 -.122335 2.807609
tbill | -.0138897 .0147145 -0.94 0.345 -.042745 .0149656
usyldspd | .0007699 .0016421 0.47 0.639 -.0024503 .00399
uscdtspd | .1474566 .1134159 1.30 0.194 -.0749529 .369866
djusre | .33776 .2088318 1.62 0.106 -.0717608 .7472808
rdtsp500 | 1.047614 .3097815 3.38 0.001 .4401303 1.655098
_cons | .3788109 .3991334 0.95 0.343 -.4038928 1.161515
------------------------------------------------------------------------------

------------------------------------------------------------------------------
rdtsp500ex~n | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
rdtjpmorgan | .1160981 .0248477 4.67 0.000 .0673715 .1648247
vixindex | -.0659969 .0047799 -13.81 0.000 -.0753704 -.0566235
usliqspd | -.2613635 .4022136 -0.65 0.516 -1.050108 .5273805
tbill | .002508 .0012174 2.06 0.040 .0001206 .0048953
usyldspd | -.0005927 .0011209 -0.53 0.597 -.0027907 .0016053
uscdtspd | -.2145145 .0490808 -4.37 0.000 -.3107623 -.1182666
djusre | .2152776 .0340893 6.32 0.000 .1484282 .282127
_cons | -.2299872 .1296092 -1.77 0.076 -.484152 .0241775
------------------------------------------------------------------------------
Median regression, bootstrap(100) SEs Number of obs = 2282

Raw sum of deviations 3886.696 (about 0)
------------------------------------------------------------------------------
rdtjpmorgan | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
vixindex | .002429 .0050488 0.48 0.630 -.0074719 .0123298
usliqspd | .0648411 .2071568 0.31 0.754 -.341395 .4710772
tbill | .0012822 .0020507 0.63 0.532 -.0027393 .0053036
usyldspd | .0007926 .0005022 1.58 0.115 -.0001922 .0017775
uscdtspd | .0288824 .0227954 1.27 0.205 -.0158196 .0735843
djusre | .265273 .0273218 9.71 0.000 .2116948 .3188513
rdtsp500 | 1.17392 .0409161 28.69 0.000 1.093683 1.254156
_cons | -.1174692 .0966916 -1.21 0.225 -.3070821 .0721437
------------------------------------------------------------------------------

Raw sum of deviations 1855.976 (about .083)
------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
rdtjpmorgan | .19834 .0154545 12.83 0.000 .1680336 .2286465
vixindex | -.0061295 .0030161 -2.03 0.042 -.0120441 -.0002149
usliqspd | .0396556 .0870262 0.46 0.649 -.1310035 .2103146
tbill | -.0009046 .0015161 -0.60 0.551 -.0038777 .0020685
usyldspd | .0003482 .0002466 1.41 0.158 -.0001353 .0008318
uscdtspd | -.0802171 .0165517 -4.85 0.000 -.1126751 -.047759
djusre | .2188922 .0175202 12.49 0.000 .184535 .2532495
_cons | .1405456 .0526792 2.67 0.008 .0372413 .2438499
------------------------------------------------------------------------------
Note : Ces tableaux présentent l’estimation par régression de quantiles des rendements de JP Morgan et du S&P500 Ex
Financial, pour un quantile de régression à 1% (deux premiers tableaux) et à 50% (deux derniers tableaux) durant la période
se situant entre le 01 octobre 2002 et le 16 mars 2012. Ce tableau a été généré par le logiciel Stata (version 9.1).
141
Tableau 2 : Régression de quantiles de Wells Fargo et du S&P500 Ex Financial
------------------------------------------------------------------------------
rdtwf | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
vixindex | -.2414408 .0440623 -5.48 0.000 -.3278474 -.1550342
usliqspd | .4836864 1.213558 0.40 0.690 -1.89611 2.863483
tbill | .0112462 .0097313 1.16 0.248 -.007837 .0303293
usyldspd | -.0021623 .0019879 -1.09 0.277 -.0060607 .001736
uscdtspd | .1206044 .095291 1.27 0.206 -.066262 .3074708
djusre | .3839447 .1714714 2.24 0.025 .047688 .7202013
rdtsp500 | 1.065407 .3252902 3.28 0.001 .4275101 1.703303
_cons | 1.165224 .5860352 1.99 0.047 .0160039 2.314443
------------------------------------------------------------------------------

------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
rdtwf | .0485274 .0254287 1.91 0.056 -.0013384 .0983932
vixindex | -.0656346 .0082699 -7.94 0.000 -.0818519 -.0494172
usliqspd | -.3196707 .5078873 -0.63 0.529 -1.315642 .6763004
tbill | .0023677 .001416 1.67 0.095 -.000409 .0051445
usyldspd | -.0014656 .0012703 -1.15 0.249 -.0039567 .0010255
uscdtspd | -.1782295 .0527374 -3.38 0.001 -.2816478 -.0748111
djusre | .2910889 .0322997 9.01 0.000 .227749 .3544287
_cons | -.2832077 .1874918 -1.51 0.131 -.6508806 .0844651
------------------------------------------------------------------------------

------------------------------------------------------------------------------
rdtwf | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
vixindex | .0013374 .0052198 0.26 0.798 -.0088986 .0115734
usliqspd | .0172596 .2403764 0.07 0.943 -.4541204 .4886395
tbill | .0017701 .0027312 0.65 0.517 -.0035859 .007126
usyldspd | -.000382 .0010216 -0.37 0.708 -.0023853 .0016213
uscdtspd | .0442845 .030414 1.46 0.146 -.0153576 .1039267
djusre | .3643509 .0423525 8.60 0.000 .2812974 .4474045
rdtsp500 | .8590617 .0498234 17.24 0.000 .7613576 .9567658
_cons | -.0876753 .0958136 -0.92 0.360 -.2755665 .1002159
------------------------------------------------------------------------------

------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
rdtwf | .0933209 .0154002 6.06 0.000 .0631209 .1235209
vixindex | -.0074815 .0026541 -2.82 0.005 -.0126863 -.0022768
usliqspd | .0601818 .1303562 0.46 0.644 -.1954478 .3158114
tbill | -.0009299 .001547 -0.60 0.548 -.0039636 .0021038
usyldspd | .0004591 .0002471 1.86 0.063 -.0000255 .0009436
uscdtspd | -.0793229 .0190594 -4.16 0.000 -.1166986 -.0419473
djusre | .3004389 .0198847 15.11 0.000 .2614449 .339433
_cons | .1673756 .054077 3.10 0.002 .0613302 .273421
------------------------------------------------------------------------------
Note : Ces tableaux présentent l’estimation par régression de quantiles des rendements de Wells Fargo et du S&P500 Ex
142
Tableau 3 : Régression de quantiles de Berkshire Hathaway et du S&P500 Ex Financial
------------------------------------------------------------------------------
rdtbh | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
vixindex | -.1030315 .0108929 -9.46 0.000 -.1243927 -.0816704
usliqspd | -.3322936 .7435372 -0.45 0.655 -1.790376 1.125789
tbill | .0059274 .0023441 2.53 0.012 .0013305 .0105242
usyldspd | .0024189 .0010826 2.23 0.026 .0002959 .0045419
uscdtspd | .0742752 .1343215 0.55 0.580 -.1891303 .3376808
djusre | .0012321 .0703579 0.02 0.986 -.1367404 .1392046
rdtsp500 | .5713338 .0969702 5.89 0.000 .3811744 .7614932
_cons | -.4192245 .2028561 -2.07 0.039 -.8170269 -.0214221
------------------------------------------------------------------------------

------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
rdtbh | .1019471 .0503001 2.03 0.043 .0033083 .2005859
vixindex | -.0587905 .0083186 -7.07 0.000 -.0751035 -.0424776
usliqspd | .0762742 .7462926 0.10 0.919 -1.387211 1.53976
tbill | .0020106 .0021447 0.94 0.349 -.0021953 .0062164
usyldspd | -.0020464 .0014044 -1.46 0.145 -.0048005 .0007076
uscdtspd | -.2174154 .0438422 -4.96 0.000 -.3033904 -.1314404
djusre | .3031565 .0296961 10.21 0.000 .2449223 .3613907
_cons | -.4211153 .1699511 -2.48 0.013 -.7543907 -.0878399
------------------------------------------------------------------------------

Raw sum of deviations 2153.161 (about -.032)
------------------------------------------------------------------------------
rdtbh | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
vixindex | -.0070693 .0047891 -1.48 0.140 -.0164608 .0023221
usliqspd | .0462262 .1691158 0.27 0.785 -.2854113 .3778637
tbill | -.0007157 .0017092 -0.42 0.675 -.0040675 .0026361
usyldspd | -.0001127 .0004254 -0.26 0.791 -.0009468 .0007214
uscdtspd | .0164872 .0201145 0.82 0.412 -.0229575 .0559319
djusre | .075741 .0259383 2.92 0.004 .0248758 .1266063
rdtsp500 | .4125794 .04407 9.36 0.000 .3261577 .4990011
_cons | .0701113 .0907275 0.77 0.440 -.107806 .2480285
------------------------------------------------------------------------------

------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
rdtbh | .1628195 .0183954 8.85 0.000 .126746 .198893
vixindex | -.0088426 .0026829 -3.30 0.001 -.0141037 -.0035815
usliqspd | -.1748089 .1261035 -1.39 0.166 -.4220989 .0724811
tbill | -.0013496 .0012041 -1.12 0.262 -.0037109 .0010116
usyldspd | .0005189 .0003325 1.56 0.119 -.0001331 .0011709
uscdtspd | -.0805505 .0188207 -4.28 0.000 -.1174581 -.0436429
djusre | .3336449 .017391 19.18 0.000 .299541 .3677488
_cons | .2072509 .054654 3.79 0.000 .1000739 .3144279
------------------------------------------------------------------------------
Note : Ces tableaux présentent l’estimation par régression de quantiles des rendements de Berkshire Hathaway et du S&P500
Ex Financial, pour un quantile de régression à 1% (deux premiers tableaux) et à 50% (deux derniers tableaux) durant la
période se situant entre le 01 octobre 2002 et le 16 mars 2012. Ce tableau a été généré par le logiciel Stata (version 9.1).
143
Tableau 4 : Régression de quantiles d’AIG et du S&P500 Ex Financial
------------------------------------------------------------------------------
rdtaig | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
vixindex | -.7279613 .1154251 -6.31 0.000 -.9543107 -.5016119
usliqspd | -11.12021 9.56765 -1.16 0.245 -29.88245 7.642026
tbill | -.0393586 .0387121 -1.02 0.309 -.1152734 .0365561
usyldspd | .0016606 .003943 0.42 0.674 -.0060717 .0093929
uscdtspd | -.2020236 .4085595 -0.49 0.621 -1.003212 .5991648
djusre | -.1789676 .4501498 -0.40 0.691 -1.061715 .7037796
rdtsp500 | 1.84963 .9070036 2.04 0.042 .070989 3.628271
_cons | 6.297375 1.974295 3.19 0.001 2.425766 10.16898
------------------------------------------------------------------------------

------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
rdtaig | .0485456 .0361588 1.34 0.180 -.0223621 .1194532
vixindex | -.0599689 .0083516 -7.18 0.000 -.0763465 -.0435912
usliqspd | -.1980377 .4898838 -0.40 0.686 -1.158704 .7626283
tbill | .0010314 .001865 0.55 0.580 -.0026258 .0046885
usyldspd | -.0017933 .0012976 -1.38 0.167 -.0043378 .0007513
uscdtspd | -.2010557 .0608461 -3.30 0.001 -.3203754 -.081736
djusre | .2945822 .040932 7.20 0.000 .2143141 .3748502
_cons | -.359888 .1638006 -2.20 0.028 -.6811023 -.0386737
------------------------------------------------------------------------------

------------------------------------------------------------------------------
rdtaig | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
vixindex | -.0119304 .0054534 -2.19 0.029 -.0226246 -.0012361
usliqspd | .1230893 .2291454 0.54 0.591 -.3262667 .5724452
tbill | .0005174 .0025857 0.20 0.841 -.0045531 .005588
usyldspd | .0000794 .0008049 0.10 0.921 -.0014991 .0016578
uscdtspd | -.0317468 .042576 -0.75 0.456 -.1152387 .0517451
djusre | .1557598 .0418848 3.72 0.000 .0736233 .2378963
rdtsp500 | 1.243226 .0626849 19.83 0.000 1.120301 1.366152
_cons | .0343709 .0960343 0.36 0.720 -.1539531 .222695
------------------------------------------------------------------------------

------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
rdtaig | .0552377 .0085132 6.49 0.000 .0385432 .0719323
vixindex | -.0054121 .0032209 -1.68 0.093 -.0117283 .000904
usliqspd | .0126707 .1223947 0.10 0.918 -.2273463 .2526876
tbill | -.0014967 .0018808 -0.80 0.426 -.0051849 .0021914
usyldspd | .0005278 .0003854 1.37 0.171 -.000228 .0012835
uscdtspd | -.0783944 .0164414 -4.77 0.000 -.1106362 -.0461526
djusre | .346892 .0152669 22.72 0.000 .3169536 .3768305
_cons | .1322672 .0569199 2.32 0.020 .0206469 .2438876
------------------------------------------------------------------------------
Note : Ces tableaux présentent l’estimation par régression de quantiles des rendements d’AIG et du S&P500 Ex Financial,
pour un quantile de régression à 1% (deux premiers tableaux) et à 50% (deux derniers tableaux) durant la période se situant
entre le 01 octobre 2002 et le 16 mars 2012. Ce tableau a été généré par le logiciel Stata (version 9.1).
144
Tableau 5 : Régression de quantiles d’American Express et du S&P500 Ex Financial
------------------------------------------------------------------------------
rdtae | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
vixindex | -.1709115 .0233028 -7.33 0.000 -.2166085 -.1252145
usliqspd | .0738152 2.800729 0.03 0.979 -5.418436 5.566067
tbill | .0137035 .0143288 0.96 0.339 -.0143954 .0418024
usyldspd | .0014711 .0026594 0.55 0.580 -.0037441 .0066862
uscdtspd | .0706102 .160245 0.44 0.660 -.2436315 .384852
djusre | .2251446 .1375135 1.64 0.102 -.0445205 .4948096
rdtsp500 | 1.091817 .2917383 3.74 0.000 .5197157 1.663918
_cons | .2557289 .4771645 0.54 0.592 -.6799945 1.191452
------------------------------------------------------------------------------

------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
rdtae | .1409939 .0248019 5.68 0.000 .0923572 .1896306
vixindex | -.0684606 .0063192 -10.83 0.000 -.0808526 -.0560687
usliqspd | .5101414 .2567387 1.99 0.047 .0066748 1.013608
tbill | .0008423 .0019835 0.42 0.671 -.0030473 .0047319
usyldspd | -.0009491 .0014014 -0.68 0.498 -.0036973 .0017991
uscdtspd | -.1205395 .0599892 -2.01 0.045 -.2381787 -.0029002
djusre | .1925242 .0405222 4.75 0.000 .1130599 .2719885
_cons | -.1565943 .1510295 -1.04 0.300 -.4527644 .1395758
------------------------------------------------------------------------------

------------------------------------------------------------------------------
rdtae | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
vixindex | -.0022894 .0038676 -0.59 0.554 -.0098738 .005295
usliqspd | -.3633585 .164641 -2.21 0.027 -.6862208 -.0404962
tbill | .0015 .001821 0.82 0.410 -.0020711 .005071
usyldspd | -.000483 .0006563 -0.74 0.462 -.0017699 .0008039
uscdtspd | -.0257785 .0224561 -1.15 0.251 -.0698151 .0182582
djusre | .2660111 .0291942 9.11 0.000 .2087611 .3232611
rdtsp500 | 1.051615 .0398107 26.42 0.000 .9735458 1.129684
_cons | .0356087 .0706972 0.50 0.615 -.1030292 .1742465
------------------------------------------------------------------------------

------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
rdtae | .2103068 .016144 13.03 0.000 .1786484 .2419652
vixindex | -.0056964 .0033922 -1.68 0.093 -.0123484 .0009557
usliqspd | -.0051517 .1210492 -0.04 0.966 -.2425301 .2322267
tbill | -.0021586 .0018282 -1.18 0.238 -.0057437 .0014265
usyldspd | .0004429 .0001785 2.48 0.013 .0000929 .0007929
uscdtspd | -.0640726 .0190611 -3.36 0.001 -.1014516 -.0266937
djusre | .2226017 .0181645 12.25 0.000 .1869811 .2582224
_cons | .1285612 .0566842 2.27 0.023 .0174029 .2397194
------------------------------------------------------------------------------
Note : Ces tableaux présentent l’estimation par régression de quantiles des rendements d’American Express et du S&P500 Ex
145
Tableau 6 : Régression de quantiles de Goldman Sachs et du S&P500 Ex Financial
------------------------------------------------------------------------------
rdtgs | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
vixindex | -.2250266 .0332424 -6.77 0.000 -.2902151 -.1598381
usliqspd | -.331816 1.072972 -0.31 0.757 -2.435922 1.77229
tbill | -.0096711 .0115943 -0.83 0.404 -.0324077 .0130655
usyldspd | .0037607 .0039649 0.95 0.343 -.0040145 .0115359
uscdtspd | -.1743688 .1464828 -1.19 0.234 -.4616226 .112885
djusre | .2892867 .1701034 1.70 0.089 -.0442874 .6228608
rdtsp500 | .986824 .2839555 3.48 0.001 .4299852 1.543663
_cons | .7581018 .5007923 1.51 0.130 -.2239558 1.740159
------------------------------------------------------------------------------

------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
rdtgs | .1641084 .0239919 6.84 0.000 .1170601 .2111567
vixindex | -.0580781 .0053756 -10.80 0.000 -.0686196 -.0475366
usliqspd | .052358 .3127614 0.17 0.867 -.5609695 .6656856
tbill | .0013161 .0011162 1.18 0.238 -.0008727 .0035049
usyldspd | -.0005307 .0012679 -0.42 0.676 -.0030172 .0019557
uscdtspd | -.1555901 .0546361 -2.85 0.004 -.2627319 -.0484483
djusre | .2309416 .0220676 10.47 0.000 .1876669 .2742163
_cons | -.3013794 .1169433 -2.58 0.010 -.5307062 -.0720526
------------------------------------------------------------------------------

------------------------------------------------------------------------------
rdtgs | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
vixindex | -.0071649 .0053319 -1.34 0.179 -.0176209 .003291
usliqspd | .0397745 .2926224 0.14 0.892 -.5340604 .6136093
tbill | .003931 .0040818 0.96 0.336 -.0040735 .0119355
usyldspd | -.0003178 .0006407 -0.50 0.620 -.0015741 .0009386
uscdtspd | -.0299544 .0279598 -1.07 0.284 -.0847838 .024875
djusre | .1653843 .031975 5.17 0.000 .1026811 .2280876
rdtsp500 | 1.117605 .0426853 26.18 0.000 1.033899 1.201311
_cons | .0760301 .1018392 0.75 0.455 -.1236773 .2757375
------------------------------------------------------------------------------

------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
rdtgs | .175871 .016674 10.55 0.000 .1431732 .2085689
vixindex | -.006162 .0027104 -2.27 0.023 -.0114772 -.0008468
usliqspd | .0659325 .1126947 0.59 0.559 -.1550627 .2869277
tbill | .000148 .0018782 0.08 0.937 -.0035352 .0038312
usyldspd | .0004294 .0003563 1.21 0.228 -.0002693 .001128
uscdtspd | -.0372387 .0164476 -2.26 0.024 -.0694926 -.0049849
djusre | .2602998 .0179211 14.52 0.000 .2251564 .2954431
_cons | .1385185 .0507519 2.73 0.006 .0389937 .2380433
------------------------------------------------------------------------------
Note : Ces tableaux présentent l’estimation par régression de quantiles des rendements de Goldman Sachs et du S&P500 Ex
146
Tableau 7 : Régression de quantiles de l’indice DJ US Banks et du S&P500 Ex Financial
------------------------------------------------------------------------------
rdtdjusbk | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
vixindex | -.2016504 .0284507 -7.09 0.000 -.2574425 -.1458583
usliqspd | .650615 1.026546 0.63 0.526 -1.362449 2.663679
tbill | .0111693 .008639 1.29 0.196 -.0057719 .0281104
usyldspd | -.0013084 .0013529 -0.97 0.334 -.0039615 .0013447
uscdtspd | .0557043 .0900704 0.62 0.536 -.1209245 .232333
djusre | .3896124 .1410502 2.76 0.006 .1130118 .666213
rdtsp500 | 1.032061 .2113092 4.88 0.000 .6176825 1.446441
_cons | 1.091492 .4295649 2.54 0.011 .2491124 1.933872
------------------------------------------------------------------------------

------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
rdtdjusbk | .1118961 .0503849 2.22 0.026 .013091 .2107012
vixindex | -.0696157 .0074768 -9.31 0.000 -.0842777 -.0549537
usliqspd | -.0018784 .5116399 -0.00 0.997 -1.005208 1.001451
tbill | .0017932 .0018767 0.96 0.339 -.001887 .0054735
usyldspd | -.0010248 .0011879 -0.86 0.388 -.0033543 .0013046
uscdtspd | -.1657113 .0617174 -2.69 0.007 -.2867395 -.044683
djusre | .2208001 .0582719 3.79 0.000 .1065285 .3350717
_cons | -.1477243 .1731279 -0.85 0.394 -.4872294 .1917807
------------------------------------------------------------------------------

------------------------------------------------------------------------------
rdtdjusbk | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
vixindex | -.0064859 .0040992 -1.58 0.114 -.0145246 .0015527
usliqspd | -.1899595 .1733095 -1.10 0.273 -.5298208 .1499018
tbill | .0006164 .0027629 0.22 0.823 -.0048017 .0060345
usyldspd | .0000447 .0005715 0.08 0.938 -.001076 .0011655
uscdtspd | .0542055 .0211271 2.57 0.010 .0127751 .0956358
djusre | .3531288 .0280554 12.59 0.000 .298112 .4081456
rdtsp500 | .9281332 .0335656 27.65 0.000 .8623109 .9939556
_cons | .0609137 .0724401 0.84 0.401 -.0811418 .2029692
------------------------------------------------------------------------------

------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
rdtdjusbk | .2321532 .0236245 9.83 0.000 .1858253 .278481
vixindex | -.0053548 .0033172 -1.61 0.107 -.0118598 .0011502
usliqspd | .1108657 .1260894 0.88 0.379 -.1363966 .3581281
tbill | -.0003019 .0015984 -0.19 0.850 -.0034363 .0028325
usyldspd | .0003435 .0001466 2.34 0.019 .000056 .0006309
uscdtspd | -.072761 .0236831 -3.07 0.002 -.1192037 -.0263183
djusre | .1927204 .0242556 7.95 0.000 .1451549 .2402859
_cons | .1216741 .0571029 2.13 0.033 .0096948 .2336534
------------------------------------------------------------------------------
Note : Ces tableaux présentent l’estimation par régression de quantiles des rendements de l’indice DJ US Banks et du
S&P500 Ex Financial, pour un quantile de régression à 1% (deux premiers tableaux) et à 50% (deux derniers tableaux) durant
la période se situant entre le 01 octobre 2002 et le 16 mars 2012. Ce tableau a été généré par le logiciel Stata (version 9.1).
147
Tableau 8 : Régression de quantiles de l’indice DJ US Insurance et du S&P500 Ex Financial
------------------------------------------------------------------------------
rdtdjusir | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
vixindex | -.0972573 .0124593 -7.81 0.000 -.1216901 -.0728245
usliqspd | -2.119244 .9836091 -2.15 0.031 -4.048109 -.1903784
tbill | .0047431 .0069193 0.69 0.493 -.0088256 .0183119
usyldspd | -.0013929 .001042 -1.34 0.181 -.0034363 .0006506
uscdtspd | -.0554641 .0656928 -0.84 0.399 -.1842883 .07336
djusre | .2092468 .0871193 2.40 0.016 .0384052 .3800883
rdtsp500 | .923813 .1592371 5.80 0.000 .6115479 1.236078
_cons | .3305702 .2286095 1.45 0.148 -.1177348 .7788753
------------------------------------------------------------------------------

------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
rdtdjusir | .4689184 .0265762 17.64 0.000 .4168024 .5210345
vixindex | -.0523138 .0055949 -9.35 0.000 -.0632854 -.0413422
usliqspd | -.7739983 .4098193 -1.89 0.059 -1.577657 .0296605
tbill | .0016253 .0019964 0.81 0.416 -.0022897 .0055403
usyldspd | .0002644 .0009648 0.27 0.784 -.0016276 .0021563
uscdtspd | -.0382023 .0471873 -0.81 0.418 -.1307371 .0543324
djusre | .0281755 .0267684 1.05 0.293 -.0243175 .0806684
_cons | -.2054753 .1112095 -1.85 0.065 -.4235579 .0126073
------------------------------------------------------------------------------

------------------------------------------------------------------------------
rdtdjusir | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
vixindex | .0007674 .0027315 0.28 0.779 -.0045891 .0061239
usliqspd | -.0971467 .1144853 -0.85 0.396 -.3216532 .1273598
tbill | .0009029 .0011216 0.81 0.421 -.0012966 .0031025
usyldspd | -.0004179 .0005249 -0.80 0.426 -.0014472 .0006115
uscdtspd | -.0013712 .0164207 -0.08 0.933 -.0335724 .03083
djusre | .1549154 .0178889 8.66 0.000 .1198352 .1899956
rdtsp500 | .9502704 .024114 39.41 0.000 .9029828 .9975581
_cons | -.0320497 .0518291 -0.62 0.536 -.1336869 .0695875
------------------------------------------------------------------------------

------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
rdtdjusir | .5037229 .0216038 23.32 0.000 .4613576 .5460883
vixindex | -.004692 .0025284 -1.86 0.064 -.0096502 .0002661
usliqspd | .0339446 .0903623 0.38 0.707 -.1432566 .2111459
tbill | -.0010478 .0013257 -0.79 0.429 -.0036476 .0015519
usyldspd | .000196 .0002692 0.73 0.467 -.0003318 .0007239
uscdtspd | -.0458026 .0143137 -3.20 0.001 -.0738718 -.0177334
djusre | .0944743 .0173296 5.45 0.000 .0604908 .1284578
_cons | .1155353 .0483497 2.39 0.017 .0207211 .2103495
------------------------------------------------------------------------------
Note : Ces tableaux présentent l’estimation par régression de quantiles des rendements de l’indice DJ US Insurance et du
S&P500 Ex Financial, pour un quantile de régression à 1% (deux premiers tableaux) et à 50% (deux derniers tableaux) durant
148
Tableau 9 : Régression de quantiles de l’indice DJ US Financial Services et du S&P500 Ex Financial
------------------------------------------------------------------------------
rdtdjusfi | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
vixindex | -.0992872 .0105011 -9.45 0.000 -.1198801 -.0786944
usliqspd | -.7869756 .621334 -1.27 0.205 -2.005416 .4314652
tbill | .0012106 .0034671 0.35 0.727 -.0055885 .0080097
usyldspd | .0013829 .0012971 1.07 0.286 -.0011608 .0039266
uscdtspd | .0404671 .0544008 0.74 0.457 -.0662132 .1471475
djusre | .3697477 .0549357 6.73 0.000 .2620183 .477477
rdtsp500 | 1.036836 .1039778 9.97 0.000 .8329342 1.240737
_cons | .3711586 .1747928 2.12 0.034 .0283885 .7139287
------------------------------------------------------------------------------

------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
rdtdjusfi | .3817293 .0492797 7.75 0.000 .2850915 .4783672
vixindex | -.0471567 .0081444 -5.79 0.000 -.0631279 -.0311856
usliqspd | -.8689322 .6109427 -1.42 0.155 -2.066996 .3291312
tbill | .0016075 .0016334 0.98 0.325 -.0015956 .0048105
usyldspd | .0002423 .001303 0.19 0.853 -.0023128 .0027974
uscdtspd | -.1444808 .0538701 -2.68 0.007 -.2501204 -.0388412
djusre | .0168939 .0415855 0.41 0.685 -.0646556 .0984434
_cons | -.26243 .147577 -1.78 0.075 -.5518297 .0269697
------------------------------------------------------------------------------

------------------------------------------------------------------------------
rdtdjusfi | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
vixindex | -.0004678 .0023492 -0.20 0.842 -.0050746 .0041389
usliqspd | -.093765 .1284421 -0.73 0.465 -.345641 .1581109
tbill | 6.03e-06 .0019086 0.00 0.997 -.0037368 .0037489
usyldspd | -.0005079 .0002053 -2.47 0.013 -.0009105 -.0001053
uscdtspd | -.0144967 .0164256 -0.88 0.378 -.0467075 .0177141
djusre | .3286675 .0161075 20.40 0.000 .2970805 .3602545
rdtsp500 | .9492526 .0218336 43.48 0.000 .9064367 .9920685
_cons | -.0088661 .0440659 -0.20 0.841 -.0952797 .0775474
------------------------------------------------------------------------------

------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
rdtdjusfi | .5303481 .0250845 21.14 0.000 .4811572 .579539
vixindex | -.0037873 .0023517 -1.61 0.107 -.008399 .0008244
usliqspd | .1776902 .0946426 1.88 0.061 -.0079047 .363285
tbill | .0000834 .0012057 0.07 0.945 -.002281 .0024478
usyldspd | .0005216 .0002476 2.11 0.035 .0000361 .0010072
uscdtspd | -.0327287 .0146683 -2.23 0.026 -.0614933 -.0039641
djusre | -.0113458 .0212059 -0.54 0.593 -.0529306 .0302391
_cons | .0872958 .0427366 2.04 0.041 .0034891 .1711026
------------------------------------------------------------------------------
Note : Ces tableaux présentent l’estimation par régression de quantiles des rendements de l’indice DJ US Financial Services
et du S&P500 Ex Financial, pour un quantile de régression à 1% (deux premiers tableaux) et à 50% (deux derniers tableaux)
durant la période se situant entre le 01 octobre 2002 et le 16 mars 2012. Ce tableau a été généré par le logiciel Stata (version
9.1).
149
Tableau 10 : Régression de quantiles de BNP Paribas et du MSCI Daily TR Net Europe Ex Financial
------------------------------------------------------------------------------
rdtbnpp | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
vixindex | -.2066287 .0377525 -5.47 0.000 -.2806634 -.132594
euliqspd | -1.2165 .9882218 -1.23 0.218 -3.154457 .7214581
gerbill | -.003975 .0052001 -0.76 0.445 -.0141727 .0062227
euyldspd | .0038721 .0075858 0.51 0.610 -.0110041 .0187483
eucdtspd | -.1140592 .1397525 -0.82 0.415 -.3881215 .1600031
rdteurost~50 | 1.117506 .1789678 6.24 0.000 .7665407 1.468472
bereal | -.0256462 .1678071 -0.15 0.879 -.3547252 .3034327
_cons | 1.378012 .5654999 2.44 0.015 .2690359 2.486989
------------------------------------------------------------------------------

------------------------------------------------------------------------------
rdtmscieue~n | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
rdtbnpp | .2806345 .0217171 12.92 0.000 .2380461 .3232229
vixindex | -.072455 .0104165 -6.96 0.000 -.0928823 -.0520277
euliqspd | -.3133263 .2330237 -1.34 0.179 -.7702986 .143646
gerbill | -.0003022 .0017048 -0.18 0.859 -.0036454 .0030411
euyldspd | .0017513 .0015348 1.14 0.254 -.0012585 .004761
eucdtspd | -.0323904 .0286584 -1.13 0.259 -.0885911 .0238103
bereal | .23195 .0305638 7.59 0.000 .1720127 .2918873
_cons | .2455107 .1324111 1.85 0.064 -.0141549 .5051762
------------------------------------------------------------------------------

------------------------------------------------------------------------------
rdtbnpp | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
vixindex | .0069886 .005812 1.20 0.229 -.0044089 .0183862
euliqspd | -.1342941 .1124613 -1.19 0.233 -.3548369 .0862487
gerbill | -.0017555 .0014695 -1.19 0.232 -.0046371 .0011262
euyldspd | .0023682 .0029878 0.79 0.428 -.003491 .0082274
eucdtspd | .0075578 .0161166 0.47 0.639 -.0240479 .0391634
rdteurost~50 | 1.287107 .024568 52.39 0.000 1.238928 1.335287
bereal | .0516613 .0183162 2.82 0.005 .0157422 .0875805
_cons | -.1006045 .0777717 -1.29 0.196 -.2531192 .0519101
------------------------------------------------------------------------------

------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
rdtbnpp | .308897 .0098856 31.25 0.000 .2895107 .3282833
vixindex | -.008045 .0028413 -2.83 0.005 -.013617 -.0024729
euliqspd | .067519 .0510289 1.32 0.186 -.0325514 .1675895
gerbill | .0003008 .0005054 0.60 0.552 -.0006903 .0012919
euyldspd | .0012991 .0006785 1.91 0.056 -.0000314 .0026296
eucdtspd | -.0262737 .0081971 -3.21 0.001 -.0423486 -.0101988
bereal | .2239193 .0138648 16.15 0.000 .1967297 .251109
_cons | .1487514 .0417502 3.56 0.000 .0668769 .2306259
------------------------------------------------------------------------------
Note : Ces tableaux présentent l’estimation par régression de quantiles des rendements de BNP Paribas et du MSCI Daily TR
Net Europe Ex Financial, pour un quantile de régression à 1% (deux premiers tableaux) et à 50% (deux derniers tableaux)
9.1).
150
Tableau 11 : Régression de quantiles de Banco Santander et du MSCI Daily TR Net Europe Ex Financial
------------------------------------------------------------------------------
rdtbs | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
vixindex | -.1051989 .0345649 -3.04 0.002 -.1729828 -.037415
euliqspd | .3617321 .5438583 0.67 0.506 -.7048086 1.428273
gerbill | .0031484 .002638 1.19 0.233 -.0020249 .0083217
euyldspd | .0024008 .0043437 0.55 0.581 -.0061175 .0109191
eucdtspd | -.0108306 .0666221 -0.16 0.871 -.1414808 .1198195
rdteurost~50 | 1.1314 .1210573 9.35 0.000 .8939993 1.368801
bereal | .096548 .1502638 0.64 0.521 -.1981287 .3912248
_cons | -.6441125 .4545233 -1.42 0.157 -1.535461 .2472365
------------------------------------------------------------------------------

------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
rdtbs | .3641187 .025655 14.19 0.000 .3138075 .4144299
vixindex | -.0447595 .0085768 -5.22 0.000 -.0615792 -.0279399
euliqspd | -.4164091 .2180756 -1.91 0.056 -.8440692 .011251
gerbill | -.0012037 .0017196 -0.70 0.484 -.0045759 .0021685
euyldspd | -.0024404 .0028675 -0.85 0.395 -.0080637 .0031829
eucdtspd | -.008092 .0261529 -0.31 0.757 -.0593795 .0431955
bereal | .2245188 .0256785 8.74 0.000 .1741616 .274876
_cons | -.2796921 .1224693 -2.28 0.022 -.5198622 -.0395221
------------------------------------------------------------------------------

------------------------------------------------------------------------------
rdtbs | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
vixindex | -.0000409 .0059132 -0.01 0.994 -.011637 .0115552
euliqspd | .017311 .0958094 0.18 0.857 -.1705774 .2051993
gerbill | .0000443 .0009707 0.05 0.964 -.0018593 .001948
euyldspd | .0005523 .0016209 0.34 0.733 -.0026264 .003731
eucdtspd | -.0109399 .0099482 -1.10 0.272 -.0304489 .0085692
rdteurost~50 | 1.155157 .0282191 40.94 0.000 1.099817 1.210496
bereal | .0119268 .0217644 0.55 0.584 -.0307545 .0546081
_cons | -.000526 .0806845 -0.01 0.995 -.1587533 .1577014
------------------------------------------------------------------------------

------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
rdtbs | .3718642 .0138192 26.91 0.000 .3447637 .3989646
vixindex | -.0104708 .0026486 -3.95 0.000 -.0156648 -.0052768
euliqspd | .1184713 .0540123 2.19 0.028 .0125497 .2243929
gerbill | .0001186 .0003968 0.30 0.765 -.0006596 .0008968
euyldspd | .001341 .0010762 1.25 0.213 -.0007696 .0034516
eucdtspd | -.0195333 .0094804 -2.06 0.039 -.038125 -.0009417
bereal | .2360186 .021192 11.14 0.000 .1944597 .2775776
_cons | .1601026 .0388819 4.12 0.000 .0838527 .2363525
------------------------------------------------------------------------------
Note : Ces tableaux présentent l’estimation par régression de quantiles des rendements de Banco Santander et du MSCI Daily
TR Net Europe Ex Financial, pour un quantile de régression à 1% (deux premiers tableaux) et à 50% (deux derniers tableaux)
9.1).
151
Tableau 12 : Régression de quantiles d’Allianz et du MSCI Daily TR Net Europe Ex Financial
------------------------------------------------------------------------------
rdtallianz | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
vixindex | -.1690494 .03802 -4.45 0.000 -.2436087 -.0944901
euliqspd | -.0855849 .6504201 -0.13 0.895 -1.361097 1.189927
gerbill | -.0023643 .0038022 -0.62 0.534 -.0098207 .005092
euyldspd | -.0054266 .0050182 -1.08 0.280 -.0152676 .0044143
eucdtspd | .053469 .0882111 0.61 0.544 -.119518 .226456
rdteurost~50 | .9766506 .152192 6.42 0.000 .6781931 1.275108
bereal | .1028502 .1609911 0.64 0.523 -.2128627 .4185632
_cons | .3477799 .5557285 0.63 0.532 -.742036 1.437596
------------------------------------------------------------------------------

------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
rdtallianz | .2850941 .0237431 12.01 0.000 .2385325 .3316558
vixindex | -.0827715 .0115172 -7.19 0.000 -.1053574 -.0601855
euliqspd | .3009996 .2084256 1.44 0.149 -.107735 .7097343
gerbill | .0001158 .0013802 0.08 0.933 -.0025908 .0028225
euyldspd | .0032702 .0011283 2.90 0.004 .0010575 .005483
eucdtspd | -.0535431 .033203 -1.61 0.107 -.1186562 .0115699
bereal | .2399636 .0591928 4.05 0.000 .123883 .3560442
_cons | .182684 .1364638 1.34 0.181 -.0849293 .4502974
------------------------------------------------------------------------------

------------------------------------------------------------------------------
rdtallianz | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
vixindex | -.0071997 .0050293 -1.43 0.152 -.0170625 .0026631
euliqspd | .0957735 .0745456 1.28 0.199 -.0504148 .2419618
gerbill | -.0004266 .0005834 -0.73 0.465 -.0015707 .0007174
euyldspd | -.0005102 .0013357 -0.38 0.703 -.0031296 .0021092
eucdtspd | -.000941 .0163406 -0.06 0.954 -.0329858 .0311039
rdteurost~50 | 1.22177 .0270682 45.14 0.000 1.168688 1.274853
bereal | .030477 .0261979 1.16 0.245 -.0208986 .0818526
_cons | .0828746 .0787412 1.05 0.293 -.0715416 .2372907
------------------------------------------------------------------------------

------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
rdtallianz | .340306 .0089002 38.24 0.000 .3228521 .3577599
vixindex | -.0015636 .0027064 -0.58 0.564 -.0068709 .0037438
euliqspd | .0370205 .0444844 0.83 0.405 -.050216 .1242571
gerbill | .0002524 .0003009 0.84 0.402 -.0003377 .0008424
euyldspd | .0018587 .0008457 2.20 0.028 .0002003 .0035171
eucdtspd | -.0158755 .0075529 -2.10 0.036 -.0306873 -.0010637
bereal | .244243 .0158215 15.44 0.000 .2132162 .2752699
_cons | .0519165 .0430694 1.21 0.228 -.032545 .1363781
------------------------------------------------------------------------------
Note : Ces tableaux présentent l’estimation par régression de quantiles des rendements d’Allianz et du MSCI Daily TR Net
Europe Ex Financial, pour un quantile de régression à 1% (deux premiers tableaux) et à 50% (deux derniers tableaux) durant
152
Tableau 13 : Régression de quantiles d’AXA et du MSCI Daily TR Net Europe Ex Financial
------------------------------------------------------------------------------
rdtaxa | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
vixindex | -.1666874 .0279066 -5.97 0.000 -.2214138 -.111961
euliqspd | -.8770342 .576154 -1.52 0.128 -2.006904 .2528357
gerbill | -.0034747 .0043906 -0.79 0.429 -.0120849 .0051354
euyldspd | .0019152 .0067597 0.28 0.777 -.011341 .0151713
eucdtspd | .012531 .0779558 0.16 0.872 -.1403446 .1654065
rdteurost~50 | 1.348814 .1869556 7.21 0.000 .9821834 1.715444
bereal | .1577998 .1246214 1.27 0.206 -.0865897 .4021893
_cons | .7761856 .3660182 2.12 0.034 .0584037 1.493967
------------------------------------------------------------------------------

------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
rdtaxa | .2787172 .0221305 12.59 0.000 .2353181 .3221163
vixindex | -.0557804 .0105443 -5.29 0.000 -.0764584 -.0351023
euliqspd | -.0345002 .2314336 -0.15 0.882 -.4883544 .419354
gerbill | .0002099 .0014651 0.14 0.886 -.0026631 .003083
euyldspd | .0029052 .0012203 2.38 0.017 .000512 .0052983
eucdtspd | -.0254217 .0328999 -0.77 0.440 -.0899402 .0390968
bereal | .20685 .0419351 4.93 0.000 .1246129 .2890871
_cons | -.138134 .1765116 -0.78 0.434 -.4842829 .2080149
------------------------------------------------------------------------------

------------------------------------------------------------------------------
rdtaxa | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
vixindex | .0022582 .0075892 0.30 0.766 -.0126245 .017141
euliqspd | -.0754964 .1079348 -0.70 0.484 -.2871625 .1361697
gerbill | -.0010351 .0008954 -1.16 0.248 -.002791 .0007208
euyldspd | .000698 .0021447 0.33 0.745 -.0035078 .0049038
eucdtspd | -.0269084 .0175943 -1.53 0.126 -.0614118 .007595
rdteurost~50 | 1.48067 .0372676 39.73 0.000 1.407586 1.553754
bereal | .0343674 .029694 1.16 0.247 -.0238641 .0925989
_cons | -.0380877 .1131781 -0.34 0.737 -.2600363 .1838609
------------------------------------------------------------------------------

------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
rdtaxa | .3109666 .008973 34.66 0.000 .2933701 .3285631
vixindex | -.0087915 .0031717 -2.77 0.006 -.0150114 -.0025716
euliqspd | .083978 .0554133 1.52 0.130 -.0246906 .1926465
gerbill | .0005356 .0004815 1.11 0.266 -.0004087 .0014798
euyldspd | .0014705 .0009158 1.61 0.108 -.0003254 .0032664
eucdtspd | -.0120585 .008457 -1.43 0.154 -.0286432 .0045261
bereal | .2153531 .0171533 12.55 0.000 .1817146 .2489916
_cons | .1513749 .0485812 3.12 0.002 .0561045 .2466452
------------------------------------------------------------------------------
Note : Ces tableaux présentent l’estimation par régression de quantiles des rendements d’AXA et du MSCI Daily TR Net
153
Tableau 14 : Régression de quantiles de Deutsche Boerse et du MSCI Daily TR Net Europe Ex Financial
------------------------------------------------------------------------------
rdtdb | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
vixindex | -.1107097 .035262 -3.14 0.002 -.1798605 -.0415589
euliqspd | -.1796592 .6160245 -0.29 0.771 -1.387719 1.028401
gerbill | -.0028676 .0025574 -1.12 0.262 -.0078827 .0021476
euyldspd | -.00394 .0043397 -0.91 0.364 -.0124504 .0045704
eucdtspd | -.0139223 .2125954 -0.07 0.948 -.4308342 .4029896
rdteurost~50 | 1.038497 .1412478 7.35 0.000 .7615014 1.315492
bereal | -.0372787 .1754177 -0.21 0.832 -.3812831 .3067256
_cons | -1.932782 .6690184 -2.89 0.004 -3.244766 -.6207975
------------------------------------------------------------------------------

------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
rdtdb | .1715284 .0243231 7.05 0.000 .1238293 .2192275
vixindex | -.0835584 .0131612 -6.35 0.000 -.1093683 -.0577485
euliqspd | .2243813 .179893 1.25 0.212 -.1283994 .5771619
gerbill | -.0012165 .0019223 -0.63 0.527 -.0049863 .0025534
euyldspd | .0032476 .0023293 1.39 0.163 -.0013202 .0078154
eucdtspd | -.0554826 .036408 -1.52 0.128 -.1268808 .0159156
bereal | .3200288 .0338351 9.46 0.000 .2536762 .3863814
_cons | -.0722955 .2171013 -0.33 0.739 -.4980439 .3534528
------------------------------------------------------------------------------

------------------------------------------------------------------------------
rdtdb | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
vixindex | -.0106618 .0080895 -1.32 0.188 -.0265259 .0052022
euliqspd | .0003301 .1814886 0.00 0.999 -.3555795 .3562398
gerbill | -.0001318 .0013032 -0.10 0.919 -.0026874 .0024238
euyldspd | .0010724 .0022738 0.47 0.637 -.0033866 .0055314
eucdtspd | -.00499 .022424 -0.22 0.824 -.0489648 .0389848
rdteurost~50 | .721339 .0528109 13.66 0.000 .6177736 .8249043
bereal | .1078869 .0462922 2.33 0.020 .0171051 .1986686
_cons | .1734563 .1193655 1.45 0.146 -.0606264 .407539
------------------------------------------------------------------------------

------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
rdtdb | .204667 .0096238 21.27 0.000 .185794 .2235399
vixindex | -.0073136 .0035055 -2.09 0.037 -.0141881 -.0004391
euliqspd | .1531643 .0686121 2.23 0.026 .018612 .2877165
gerbill | .0000571 .0002447 0.23 0.815 -.0004228 .0005371
euyldspd | .0026555 .0015469 1.72 0.086 -.000378 .005689
eucdtspd | -.0375316 .0111755 -3.36 0.001 -.0594474 -.0156159
bereal | .3789068 .0225271 16.82 0.000 .3347298 .4230838
_cons | .0780248 .0549843 1.42 0.156 -.0298027 .1858522
------------------------------------------------------------------------------
Note : Ces tableaux présentent l’estimation par régression de quantiles des rendements de Deutsche Boerse et du MSCI Daily
TR Net Europe Ex Financial, pour un quantile de régression à 1% (deux premiers tableaux) et à 50% (deux derniers tableaux)
9.1).
154
Tableau 15 : Régression de quantiles de GBL et du MSCI Daily TR Net Europe Ex Financial
------------------------------------------------------------------------------
rdtgbl | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
vixindex | -.0954725 .020506 -4.66 0.000 -.135686 -.0552591
euliqspd | .7183573 .2925391 2.46 0.014 .1446719 1.292043
gerbill | .0021778 .0014602 1.49 0.136 -.0006857 .0050413
euyldspd | -.0004273 .0024211 -0.18 0.860 -.0051753 .0043207
eucdtspd | .0424954 .0498986 0.85 0.395 -.0553585 .1403493
rdteurost~50 | .6761382 .104703 6.46 0.000 .4708099 .8814665
bereal | .1001383 .0717986 1.39 0.163 -.0406628 .2409394
_cons | -.5115085 .2494841 -2.05 0.040 -1.000761 -.0222563
------------------------------------------------------------------------------

------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
rdtgbl | .4166654 .04694 8.88 0.000 .3246135 .5087172
vixindex | -.0679102 .0164168 -4.14 0.000 -.1001045 -.035716
euliqspd | -.07232 .2548061 -0.28 0.777 -.5720088 .4273689
gerbill | -.0011589 .0018358 -0.63 0.528 -.004759 .0024413
euyldspd | -.0021636 .0033174 -0.65 0.514 -.0086692 .004342
eucdtspd | -.0595848 .0267301 -2.23 0.026 -.112004 -.0071657
bereal | .2017619 .0399542 5.05 0.000 .1234095 .2801144
_cons | -.0546376 .2049027 -0.27 0.790 -.4564631 .3471878
------------------------------------------------------------------------------

------------------------------------------------------------------------------
rdtgbl | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
vixindex | -.0049674 .004227 -1.18 0.240 -.0132567 .003322
euliqspd | -.0257583 .0759841 -0.34 0.735 -.1747673 .1232507
gerbill | .0003883 .0005003 0.78 0.438 -.0005927 .0013694
euyldspd | .0000531 .0006186 0.09 0.932 -.0011599 .0012662
eucdtspd | .0114965 .0126829 0.91 0.365 -.0133753 .0363683
rdteurost~50 | .6569537 .0242586 27.08 0.000 .6093812 .7045261
bereal | .1333615 .0219626 6.07 0.000 .0902916 .1764314
_cons | .10739 .0632838 1.70 0.090 -.016713 .2314931
------------------------------------------------------------------------------

------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
rdtgbl | .4930744 .0200382 24.61 0.000 .4537783 .5323704
vixindex | -.0058326 .0037334 -1.56 0.118 -.0131541 .0014888
euliqspd | .0893029 .0658997 1.36 0.176 -.03993 .2185357
gerbill | .0001583 .0004489 0.35 0.724 -.0007221 .0010386
euyldspd | .0016262 .0012679 1.28 0.200 -.0008603 .0041128
eucdtspd | -.0304594 .010016 -3.04 0.002 -.0501013 -.0108176
bereal | .254096 .0175645 14.47 0.000 .2196511 .288541
_cons | .081757 .0528609 1.55 0.122 -.0219061 .18542
------------------------------------------------------------------------------
Note : Ces tableaux présentent l’estimation par régression de quantiles des rendements de GBL et du MSCI Daily TR Net
155
Tableau 16 : Régression de quantiles de l’indice Euro Stoxx Banks et du MSCI Daily TR Net Europe Ex
Financial
------------------------------------------------------------------------------
rdtsx7e | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
vixindex | -.0387604 .0098217 -3.95 0.000 -.0580214 -.0194995
euliqspd | -2.385243 .7132015 -3.34 0.001 -3.783871 -.9866156
gerbill | -.0034088 .0034886 -0.98 0.329 -.0102502 .0034325
euyldspd | .0016475 .0038509 0.43 0.669 -.0059043 .0091994
eucdtspd | -.0315493 .0393226 -0.80 0.422 -.1086632 .0455646
rdteurost~50 | 1.018916 .0902691 11.29 0.000 .8418929 1.195938
bereal | .0853359 .0563574 1.51 0.130 -.0251842 .1958559
_cons | .1765418 .276102 0.64 0.523 -.3649097 .7179933
------------------------------------------------------------------------------

------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
rdtsx7e | .4130391 .0343051 12.04 0.000 .3457648 .4803133
vixindex | -.0559563 .0077699 -7.20 0.000 -.0711934 -.0407191
euliqspd | -.072975 .1650436 -0.44 0.658 -.3966348 .2506848
gerbill | .0000367 .0012058 0.03 0.976 -.0023279 .0024013
euyldspd | .002372 .0017362 1.37 0.172 -.0010329 .0057768
eucdtspd | .0317131 .0267698 1.18 0.236 -.020784 .0842103
bereal | .1930019 .0348311 5.54 0.000 .1246962 .2613076
_cons | .0228791 .1140569 0.20 0.841 -.2007928 .246551
------------------------------------------------------------------------------

------------------------------------------------------------------------------
rdtsx7e | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
vixindex | .0004392 .0036267 0.12 0.904 -.0066729 .0075514
euliqspd | -.143412 .0693463 -2.07 0.039 -.279404 -.00742
gerbill | -.0007397 .0004661 -1.59 0.113 -.0016537 .0001743
euyldspd | .0010057 .001202 0.84 0.403 -.0013515 .003363
eucdtspd | -.01677 .0087532 -1.92 0.056 -.0339354 .0003955
rdteurost~50 | 1.045859 .0245798 42.55 0.000 .9976571 1.094062
bereal | .0971857 .0163942 5.93 0.000 .0650358 .1293356
_cons | .0184986 .0523698 0.35 0.724 -.0842016 .1211988
------------------------------------------------------------------------------

------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
rdtsx7e | .5021069 .0154675 32.46 0.000 .4717742 .5324395
vixindex | -.0059221 .0024876 -2.38 0.017 -.0108004 -.0010437
euliqspd | .0900825 .0460466 1.96 0.051 -.0002175 .1803825
gerbill | .0002847 .0004171 0.68 0.495 -.0005332 .0011026
euyldspd | .0009878 .0006036 1.64 0.102 -.0001959 .0021716
eucdtspd | -.0107854 .0068099 -1.58 0.113 -.02414 .0025692
bereal | .1208344 .0183336 6.59 0.000 .0848811 .1567877
_cons | .1022839 .0395189 2.59 0.010 .0247851 .1797827
------------------------------------------------------------------------------
Note : Ces tableaux présentent l’estimation par régression de quantiles des rendements de l’indice Euro Stoxx Banks et du
MSCI Daily TR Net Europe Ex Financial, pour un quantile de régression à 1% (deux premiers tableaux) et à 50% (deux
derniers tableaux) durant la période se situant entre le 01 octobre 2002 et le 16 mars 2012. Ce tableau a été généré par le
logiciel Stata (version 9.1).
156
Tableau 17 : Régression de quantiles de l’indice Euro Stoxx Insurance et du MSCI Daily TR Net Europe Ex
Financial
------------------------------------------------------------------------------
rdtsxie | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
vixindex | -.0993788 .0225519 -4.41 0.000 -.1436043 -.0551532
euliqspd | -.2611266 .4645249 -0.56 0.574 -1.172086 .6498327
gerbill | -.0013966 .0018156 -0.77 0.442 -.004957 .0021639
euyldspd | .0010924 .0029394 0.37 0.710 -.0046719 .0068568
eucdtspd | -.0467092 .0420292 -1.11 0.267 -.1291308 .0357124
rdteurost~50 | 1.099175 .1185288 9.27 0.000 .8667334 1.331617
bereal | .0999043 .0642591 1.55 0.120 -.0261114 .2259201
_cons | .4397657 .3485923 1.26 0.207 -.2438432 1.123375
------------------------------------------------------------------------------

------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
rdtsxie | .4542599 .020418 22.25 0.000 .414219 .4943007
vixindex | -.0393354 .0067047 -5.87 0.000 -.0524836 -.0261871
euliqspd | -.2561748 .2138653 -1.20 0.231 -.6755767 .1632271
gerbill | -.0010647 .0015277 -0.70 0.486 -.0040606 .0019313
euyldspd | .0022666 .0019844 1.14 0.253 -.0016249 .0061581
eucdtspd | -.03937 .0346068 -1.14 0.255 -.107236 .0284959
bereal | .1231355 .0311545 3.95 0.000 .0620398 .1842311
_cons | -.1669964 .1006535 -1.66 0.097 -.3643836 .0303907
------------------------------------------------------------------------------

------------------------------------------------------------------------------
rdtsxie | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
vixindex | .0009849 .0028607 0.34 0.731 -.0046251 .006595
euliqspd | .0304444 .0569005 0.54 0.593 -.0811406 .1420295
gerbill | -.0006017 .0003944 -1.53 0.127 -.001375 .0001717
euyldspd | -.0008901 .0012018 -0.74 0.459 -.0032468 .0014666
eucdtspd | -.0089548 .0093182 -0.96 0.337 -.0272282 .0093187
rdteurost~50 | 1.165299 .0169242 68.85 0.000 1.13211 1.198489
bereal | .040869 .0142359 2.87 0.004 .0129516 .0687864
_cons | -.0332142 .036912 -0.90 0.368 -.1056007 .0391724
------------------------------------------------------------------------------

------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
rdtsxie | .505426 .0116137 43.52 0.000 .482651 .5282011
vixindex | -.003548 .0027958 -1.27 0.205 -.0090308 .0019347
euliqspd | .0369907 .0531255 0.70 0.486 -.0671914 .1411727
gerbill | .0002895 .0002869 1.01 0.313 -.0002731 .0008521
euyldspd | .0011868 .0004076 2.91 0.004 .0003876 .0019861
eucdtspd | -.0079217 .0066945 -1.18 0.237 -.0210501 .0052066
bereal | .130767 .0141706 9.23 0.000 .1029778 .1585563
_cons | .0752252 .0377099 1.99 0.046 .0012739 .1491765
------------------------------------------------------------------------------
Note : Ces tableaux présentent l’estimation par régression de quantiles des rendements de l’indice Euro Stoxx Insurance et du
MSCI Daily TR Net Europe Ex Financial, pour un quantile de régression à 1% (deux premiers tableaux) et à 50% (deux
derniers tableaux) durant la période se situant entre le 01 octobre 2002 et le 16 mars 2012. Ce tableau a été généré par le
logiciel Stata (version 9.1).
157
Tableau 18 : Régression de quantiles de l’indice Euro Stoxx Financial Services et du MSCI Daily TR Net
Europe Ex Financial
------------------------------------------------------------------------------
rdtsxfe | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
vixindex | -.0610422 .0155943 -3.91 0.000 -.0916234 -.0304609
euliqspd | .0120437 .3872947 0.03 0.975 -.7474629 .7715503
gerbill | -.0006124 .0017331 -0.35 0.724 -.0040111 .0027863
euyldspd | .0014883 .0019607 0.76 0.448 -.0023568 .0053334
eucdtspd | -.0980134 .077586 -1.26 0.207 -.250164 .0541371
rdteurost~50 | .8140634 .0812256 10.02 0.000 .6547754 .9733514
bereal | .2058006 .0949495 2.17 0.030 .0195993 .3920019
_cons | -.5236977 .23674 -2.21 0.027 -.9879581 -.0594374
------------------------------------------------------------------------------

------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
rdtsxfe | .5477584 .0411893 13.30 0.000 .4669839 .6285329
vixindex | -.0437704 .0089628 -4.88 0.000 -.0613468 -.0261939
euliqspd | -.0137447 .148573 -0.09 0.926 -.3051046 .2776152
gerbill | .00182 .0016283 1.12 0.264 -.0013731 .0050132
euyldspd | .001677 .0020468 0.82 0.413 -.0023368 .0056908
eucdtspd | -.0613946 .0236154 -2.60 0.009 -.1077057 -.0150835
bereal | .1320835 .0298472 4.43 0.000 .0735514 .1906156
_cons | -.3927802 .1330539 -2.95 0.003 -.6537062 -.1318541
------------------------------------------------------------------------------

------------------------------------------------------------------------------
rdtsxfe | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
vixindex | -.0087972 .0039104 -2.25 0.025 -.0164656 -.0011287
euliqspd | .0366941 .0671002 0.55 0.585 -.0948931 .1682814
gerbill | .0005588 .000399 1.40 0.161 -.0002235 .0013412
euyldspd | .0010028 .0008163 1.23 0.219 -.000598 .0026036
eucdtspd | -.0269891 .0091003 -2.97 0.003 -.0448353 -.0091429
rdteurost~50 | .6732965 .0183315 36.73 0.000 .6373473 .7092456
bereal | .2355478 .0197037 11.95 0.000 .1969077 .274188
_cons | .1530177 .0524616 2.92 0.004 .0501375 .2558979
------------------------------------------------------------------------------

------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
rdtsxfe | .627013 .0226862 27.64 0.000 .5825241 .6715019
vixindex | -.0025686 .0026408 -0.97 0.331 -.0077474 .0026101
euliqspd | .0546744 .0451804 1.21 0.226 -.033927 .1432757
gerbill | .0001085 .0002877 0.38 0.706 -.0004556 .0006726
euyldspd | .0009805 .0011331 0.87 0.387 -.0012416 .0032026
eucdtspd | -.0085988 .0080792 -1.06 0.287 -.0244426 .007245
bereal | .1033723 .0205448 5.03 0.000 .0630828 .1436618
_cons | .0375282 .0431933 0.87 0.385 -.0471762 .1222327
------------------------------------------------------------------------------
Note : Ces tableaux présentent l’estimation par régression de quantiles des rendements de l’indice Euro Stoxx Financial
Services et du MSCI Daily TR Net Europe Ex Financial, pour un quantile de régression à 1% (deux premiers tableaux) et à
50% (deux derniers tableaux) durant la période se situant entre le 01 octobre 2002 et le 16 mars 2012. Ce tableau a été généré
par le logiciel Stata (version 9.1).
158
Annexe 9 : ∆CoVaR relative à des actions ou à des indices aux Etats-Unis
Figure A : ∆CoVaR relative aux actions individuelles américaines
Note : Le premier graphique fait une comparaison des ∆CoVaR relatives à JP Morgan (rouge) et à Wells Fargo (bleu). Le
deuxième graphique fait une comparaison des ∆CoVaR relatives à Berkshire Hathaway (rouge) et à AIG (bleu). La période
étudiée se situe entre le 01 octobre 2002 et le 16 mars 2012. Ce graphe a été généré par le logiciel OxMetrics (version 6.01).
159
Figure A (suite) : ∆CoVaR relative aux actions individuelles américaines
Note : Ce graphique compare la ∆CoVaR relative à American Express (rouge) et celle relative à Goldman Sachs (bleu). La
période étudiée se situe entre le 01 octobre 2002 et le 16 mars 2012. Ce graphe a été généré par le logiciel OxMetrics (version
6.01).
160
Figure B : ∆CoVaR relative aux indices financiers sectoriels américains
Note : Ces deux graphiques offrent une comparaison de la ∆CoVaR relative à l’indice DJ US Financial Services (bleu) avec
celle relative à l’indice DJ US Banks (premier graphe en rouge) et celle relative à l’indice DJ US Insurance (deuxième graphe
en rouge). La période étudiée se situe entre le 01 octobre 2002 et le 16 mars 2012. Ce graphe a été généré par le logiciel
161
Figure B (suite) : ∆CoVaR relative aux indices financiers sectoriels américains
Note : Ce graphique compare les ∆CoVaR relatives à l’indice DJ US Banks (bleu) et à l’indice DJ US Insurance (rouge). La
période étudiée se situe entre le 01 octobre 2002 et le 16 mars 2012. Ce graphe a été généré par le logiciel OxMetrics (version
6.01).
Tableau 1 : ∆CoVaR relative aux six entreprises financières américaines sur la période 2002-2012

-------------+--------------------------------------------------------
deltajp | 2286 -1.874949 .8460244 -7.733851 -.5415074
deltawf | 2305 -1.61419 .7224327 -6.142291 -.5529969
deltabh | 2283 -1.966702 .6398945 -6.669168 -.8695834
deltaaig | 2305 -1.769666 .6396041 -6.434998 -.6916488
deltaae | 2289 -2.066745 .9478659 -8.348496 -.8042965
deltags | 2305 -2.351839 .9195533 -8.41861 -.992702
Note : Ce tableau offre un aperçu global des moyennes, écart-types, minimum et maximum des ∆CoVaR générées pour les
six entreprises financières américaines. La période étudiée se situe entre le 01 octobre 2002 et le 16 mars 2012. Ce tableau a
été généré par le logiciel Stata (version 9.1).

-------------+--------------------------------------------------------
deltajp | 1270 -1.508263 .5064945 -3.714382 -.5415074
deltawf | 1275 -1.287123 .4266931 -3.172654 -.5529969
deltabh | 1267 -1.688843 .3904231 -3.396906 -.8695834
deltaaig | 1275 -1.492835 .3805183 -3.120468 -.6916488
deltaae | 1266 -1.628555 .5567711 -4.063887 -.8042965
deltags | 1275 -1.936433 .5409607 -4.242216 -.992702
six entreprises financières américaines. La période étudiée se situe entre le 01 octobre 2002 et le 31 décembre 2007. Ce
162

-------------+--------------------------------------------------------
deltajp | 1016 -2.333306 .9550208 -7.733851 -.898395
deltawf | 1030 -2.019054 .8040849 -6.142291 -1.02408
deltabh | 1016 -2.313206 .7168738 -6.669168 -1.2621
deltaaig | 1030 -2.112346 .7240291 -6.434998 -1.10426
deltaae | 1023 -2.609021 1.04666 -8.348496 -1.389719
deltags | 1030 -2.866056 1.025914 -8.41861 -1.580254
six entreprises financières américaines. La période étudiée se situe entre le 02 janvier 2008 et le 16 mars 2012. Ce tableau a
Tableau 4 : ∆CoVaR relative aux trois indices financiers américains sur la période 2002-2012

-------------+--------------------------------------------------------
deltausbk | 2290 -1.982223 .9429267 -7.369842 -.6791375
deltausir | 2296 -2.314483 1.017747 -8.611712 -1.049041
deltausfi | 2290 -1.775758 .8780149 -7.283168 -.4956892
trois indices financiers américains (respectivement bancaire, des assurances et des services financiers). La période étudiée se
situe entre le 01 octobre 2002 et le 16 mars 2012. Ce tableau a été généré par le logiciel Stata (version 9.1).

-------------+--------------------------------------------------------
deltausbk | 1267 -1.555992 .5579517 -4.018605 -.6791375
deltausir | 1270 -1.880331 .6066987 -4.587451 -1.049041
deltausfi | 1267 -1.382769 .5200388 -3.662929 -.4956892
situe entre le 01 octobre 2002 et le 31 décembre 2007. Ce tableau a été généré par le logiciel Stata (version 9.1).

-------------+--------------------------------------------------------
deltausbk | 1023 -2.510117 1.049553 -7.369842 -1.245799
deltausir | 1026 -2.851884 1.157961 -8.611712 -1.438704
deltausfi | 1023 -2.262481 .9813386 -7.283168 -1.092817
situe entre le 02 janvier 2008 et le 16 mars 2012. Ce tableau a été généré par le logiciel Stata (version 9.1).
163
Annexe 10 : ∆CoVaR relative à des actions ou à des indices dans la zone euro
Figure A : ∆CoVaR relative aux actions individuelles européennes
Note : Le premier graphique compare les ∆CoVaR relatives à BNP Paribas (rouge) et à Banco Santander (bleu). Le deuxième
graphique fait une comparaison des ∆CoVaR d’Allianz (rouge) et d’AXA (bleu). La période étudiée se situe entre le 01
164
Figure B : ∆CoVaR relative aux indices financiers sectoriels européens
Note : Ces deux graphiques offrent une comparaison de la ∆CoVaR relative à l’indice Euro Stoxx Financial Services (bleu)
avec celle relative à l’indice Euro Stoxx Banks (premier graphe en rouge) et celle relative à l’indice Euro Stoxx Insurance
(deuxième graphe en rouge). La période étudiée se situe entre le 01 octobre 2002 et le 16 mars 2012. Ce graphe a été généré
par le logiciel OxMetrics (version 6.01).
165
Tableau 1 : ∆CoVaR relative aux six entreprises financières européennes sur la période 2002-2012

-------------+--------------------------------------------------------
deltabnp | 2277 -2.390619 1.229866 -9.399215 -.9480752
deltabs | 2229 -2.064489 .7795269 -6.56189 -1.163543
deltaal | 2188 -2.817937 1.328017 -10.21218 -1.23166
deltaaxa | 2245 -1.948601 .9570629 -7.253879 .7424762
deltadb | 2229 -2.461284 1.019531 -8.693208 -1.21522
deltagbl | 2229 -2.369541 .9818033 -8.406351 -.9619101
six entreprises financières europénnes. La période étudiée se situe entre le 01 octobre 2002 et le 16 mars 2012. Ce tableau a

-------------+--------------------------------------------------------
deltabnp | 1256 -1.820308 .7177712 -4.860251 -.9480752
deltabs | 1214 -1.681511 .424945 -3.515391 -1.163543
deltaal | 1180 -2.178257 .7489657 -5.440045 -1.23166
deltaaxa | 1214 -1.491979 .5380429 -3.854847 -.7976713
deltadb | 1214 -1.961695 .5599432 -4.419962 -1.21522
deltagbl | 1214 -1.943085 .6147706 -4.709529 -.9619101
six entreprises financières européennes. La période étudiée se situe entre le 01 octobre 2002 et le 31 décembre 2007. Ce

-------------+--------------------------------------------------------
deltabnp | 1021 -3.092195 1.359416 -9.399215 -1.501343
deltabs | 1015 -2.522552 .8564643 -6.56189 -1.56203
deltaal | 1008 -3.566769 1.460373 -10.21218 -1.806573
deltaaxa | 1031 -2.486273 1.058075 -7.253879 .7424762
deltadb | 1015 -3.058822 1.119202 -8.693208 -1.748976
deltagbl | 1015 -2.879607 1.089829 -8.406351 -1.531725
six entreprises financières européennes. La période étudiée se situe entre le 02 janvier 2008 et le 16 mars 2012. Ce tableau a
166
Tableau 4 : ∆CoVaR relative aux trois indices financiers européens sur la période 2002-2012

-------------+--------------------------------------------------------
deltaeubk | 2287 -2.065685 1.122016 -8.629834 -.8371358
deltaeuins | 2245 -1.898704 .8680138 -6.713943 -.8344371
deltaeufs | 2277 -2.316916 .7390546 -6.733146 -1.3342
trois indices financiers européens (respectivement bancaire, des assurances et des services financiers). La période étudiée se
situe entre le 01 octobre 2002 et le 16 mars 2012. Ce tableau a été généré par le logiciel Stata (version 9.1).

-------------+--------------------------------------------------------
deltaeubk | 1249 -1.45502 .4853487 -3.233858 -.8371358
deltaeuins | 1214 -1.48425 .4899477 -3.623203 -.8344371
deltaeufs | 1256 -1.977735 .4294178 -3.953935 -1.3342
situe entre le 01 octobre 2002 et le 31 décembre 2007. Ce tableau a été généré par le logiciel Stata (version 9.1).

-------------+--------------------------------------------------------
deltaeubk | 1038 -2.800484 1.225609 -8.629834 -1.471356
deltaeuins | 1031 -2.386722 .9580936 -6.713943 -1.235836
deltaeufs | 1021 -2.734165 .8221719 -6.733146 -1.688623
situe entre le 02 janvier 2008 et le 16 mars 2012. Ce tableau a été généré par le logiciel Stata (version 9.1).
167

Gregory - Guilmin - Memoires Risque Systémique

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Gregory - Guilmin - Memoires Risque Systémique

Transféré par

Droits d'auteur :

Formats disponibles

Impact de la fragilité

Directeur: Prof. J.Y. GNABO

ANNEE ACADEMIQUE 2011-2012

Business Administration Department – University of Namur (FUNDP)

Je souhaiterais adresser mes remerciements les plus sincères à Monsieur Jean-Yves

PREMIÈRE PARTIE : REVUE DE LA LITTÉRATURE ................................................................ 5

Chapitre 1 : Evolution des mesures du risque de marché .................................................... 5

Chapitre 2 : La Value-­‐at-­‐Risk ............................................................................................. 11

Chapitre 3 : La contagion et le risque systémique .............................................................. 27

Chapitre 5 : La CoVaR ........................................................................................................ 45

DEUXIÈME PARTIE : ANALYSE EMPIRIQUE .......................................................................... 52

Chapitre 6 : Méthode d’estimation de la ∆CoVaR .............................................................. 52

Chapitre 7 : Analyse des données ...................................................................................... 62

Chapitre 8 : Résultats ........................................................................................................ 70

Chapitre 9 : Explications des résultats ............................................................................... 76

Chapitre 10 : Régulation financière ................................................................................... 85

CONCLUSION ................................................................................................................................... 99

BIBLIOGRAPHIE .......................................................................................................................... 102

ANNEXES ........................................................................................................................................ 107

Chapitre 1 : Evolution des mesures du risque de marché

Section 1.1 : Introduction

Section 1.2 : Mesures du risque de marché avant la Value-at-Risk

E(r! ) = r! + β! ( E(r! ) – r! ) (1)

R ! = α! + β!" F! + β!" F! + ⋯ + β!" F! + ε! (2)

E(R ! ) – R ! = β!" (E(R ! ) − R ! ) + β!" E(SMB) + β!" E(HML) (3)

où Ri représente le rendement du titre et Rf le rendement d’un actif sans risque. Le terme

Section 2.1 : Définition générale

Section 2.2 : Définition statistique

Statistiquement, la VaR définie pour un taux de couverture α correspond au quantile

VaR (α) = −F !! (α) (4)

où F () est la fonction de répartition associée à la fonction de densité f() et mesure la

Source : Hurlin (2006)

R ! = ln ((P! + D! ) / P!!! ) (5)

où Rt représente le rendement géométrique, Pt est la valeur du portefeuille ou de l’actif au

Sous-section 2.3.1 : Introduction

Sous-section 2.3.3 : Modèles paramétriques

La détermination de la VaR peut se faire également grâce à des méthodes

Pr (R ! < −𝑉𝑎𝑅(𝛼)) = 𝛼

VaR ! (α) = − µμ − σ F !! (α) (7)

rt = Ø0 + Ø1 rt-­‐1+ εt (8)

σ2t = α0 + α1 ε2t-­‐1 (9)

où α1 > 0 ∀i et α1 <1. Ce modèle permet de décrire le lien entre la variance d’aujourd’hui et

où ht représente la variance conditionnelle, fixant habituellement le paramètre λ à 0.94 ou

Sous-section 2.3.4 : Modèles semi-paramétriques

Sous-section 2.4.1 : Avantages de la VaR

Sous-section 2.4.2 : Limites de la VaR

Venons en maintenant aux limites concernant la méthodologie de la Value-at-Risk.

Section 3.1 : Introduction

Vu que le phénomène de contagion financière ne date pas de plusieurs décennies,

Section 3.2 : Définition générale de la contagion et du risque systémique

Section 3.3 : Les différents canaux de la contagion

Après avoir introduit les concepts de contagion financière et de risque systémique,

Section 3.4 : La contagion rapide autour des organismes financiers

Avant de passer au chapitre 4 sur les différentes mesures de la contagion et du risque

Section 4.1 : La contagion bancaire et les crises bancaires

yt = βxt + εt (12)

Xi, t = α + βXj,t + ð Fi,t + 𝜆 Gt + εi,t (14)

Section 5.1 : Introduction

ADRIAN Tobias, de la banque centrale de New-York et BRUNNERMEIER Markus, de

Sous-section 5.2.1 : Définition de la CoVaR

La contribution de la VaR de l’institution i à la VaR de l’institution (ou du système) j se

!|! !|! ! !!!"!! !|! ! !!"#$%&!

La CoVaR développée par ADRIAN et BRUNNERMEIER (2011) présente différentes

Chapitre 2 : La Value-‐at-‐Risk ............................................................................................. 11

rt = Ø0 + Ø1 rt-‐1+ εt (8)

σ2t = α0 + α1 ε2t-‐1 (9)