Académique Documents
Professionnel Documents
Culture Documents
Jusqu’alors, les méthodes utilisées pour détecter et gérer les risques de marché ne
permettaient pas de comparer les mesures de risque entre les différentes activités de marché.
Il faudra attendre 1995 et les accords de Bâle, pour voir la concrétisation et l’émergence de ce
nouvel indicateur considéré très rapidement comme un standard dans l’évaluation des risques
financiers.
Définition
La Value-At-Risk représente la perte potentielle maximale d’un investisseur sur la valeur d’un
actif ou d’un portefeuille d’actifs financiers qui ne devrait être atteinte qu’avec une probabilité
donnée sur un horizon donné.
Elle est, en d'autres termes, la pire perte attendue sur un horizon de temps donné pour un
certain niveau de confiance.
1
1) La distribution des pertes et profits du portefeuille valable pour une certaine période de
détention et dont les différentes méthodes de calcul seront expliquées un peu plus loin dans
cette fiche.
Supposons par exemple que la distribution des pertes et profits associée à la détention d’un
actif sur une période corresponde à une distribution normale standard.
La VAR au seuil de confiance de 95% à 1 jour notée VAR(95%, 1Jour), égale à 1 million
d’euros signifie qu’il y a 95% de chances pour que la perte associée à la détention de l’actif
n’excède pas 1 million d’euros.
Graphiquement, la VAR un jour avec un indice de confiance de 95% peut être représentée par
le graphique ci-dessous:
Le calcul de la VAR doit être ajusté de façon à tenir compte de la composition des
rendements. Même si la période de détention est propre à chacun, les autorités de régulation
exigent des horizons communs dans le cadre des procédures de validation de la Value-At-
Risk.
- Aux professionnels de marchés tels que les opérateurs de marché, gestionnaires de fonds
privés ou encore gestionnaires de fonds institutionnels.
2
Aux Risk Managers (responsables de la gestion des risques et du contrôle de la gestion des
risques).
- La deuxième hypothèse concerne le lien entre une VAR à N jours et une VAR à 1 jour. En
effet on considère que la VAR à N jours est égale à la racine carré de N multipliée par la VAR
1 jour.
- Enfin, la dernière hypothèse est que le rendement moyen d’un actif financier est nul pour la
période considérée. (Si l’on s’attend à un rendement annuel moyen de 15% pour un certain
actif, le rendement journalier moyen est de 15/252=0,06%, 252 correspondant au nombre de
jours où la bourse est ouverte. Ainsi faire l’hypothèse d’un rendement journalier nul n’est
donc pas restrictif).
Cette méthode est très peu coûteuse en calcul et en technique. De plus aucune hypothèse
préalable sur la forme de la distribution n’est requise.
3
- La deuxième méthode de calcul de la VAR est la méthode analytique ou paramétrique.
Basée sur des calculs statistiques elle consiste avant tout à définir une formule décrivant la
distribution des pertes et des profits.
Exemple 1:
Soit deux portefeuilles de 1 million d'euros et de 5 millions d'euros constitués
respectivement d'actions Peugeot, de volatilité annuelle 20%, et d'actions Société Générale de
volatilité annuelle 10%.
Ainsi :
Un investisseur possédant ces deux actifs dans un même portefeuille, doit prendre en compte
la corrélation entre les variations du titre Société Générale et les variations du titre Peugeot.
Considérons que le coefficient de corrélation entre les deux actifs est ρ=0,6.
4
On peut alors obtenir la Var par la formule suivante :
Ainsi on peut remarquer que cette Value at Risk est inférieure à la somme des deux VAR
calculées précédemment. Ceci est dû aux gains de diversification.
Remarque: La même logique devra être appliquée à un portefeuille constitué de N actifs (en
prenant en compte la corrélation entre chacun d'entre eux).
Mais elle reste inadaptée aux portefeuilles non linéaires (instruments optionnels) et aux
distributions non-normales des rendements.
- La dernière méthode n'est autre qu'une méthode de simulation par Monte Carlo et
n'est utilisée que lorsque les autres méthodes ne s'appliquent pas. Après avoir
identifier les facteurs de risque du portefeuille d'actifs (taux de change, cours d'une
action...), il suffit de simuler un grand nombre de fois les valeurs futures possibles de
ces facteurs par Monte Carlo, puis de calculer le montant des pertes ou des gains
associés à ces simulations.
Exemple 2:
Prenons un exemple relativement simple. Un opérateur souhaite investir sur une
action aujourd'hui et la revendre dans un an (espérant ainsi la revendre plus cher
qu'il ne l'a acheté). Mais durant ce laps de temps, l'action est soumise à des
fluctuations. L'opérateur souhaitant ainsi déterminer la VAR de cette action va
simuler par Monte Carlo, 10 000 variations possibles (par exemple), puis calculer les
pertes ou les gains réalisés dans chacune de ces simulations.
Si l'opérateur souhaite obtenir une VAR à 99%, il lui suffira de repérer la 100ème pire
perte afin de pouvoir affirmer avec 99% de chances que la perte qu'il réalisera sur
cette opération ne dépassera pas ce montant.
5
Cette méthode permet dans la plupart des cas de calculer la VAR lorsque les autres
méthodes ne le permettent pas. Elle convient à tous les types d'instruments y
compris les produits optionnels.
- La première limite réside dans l'hypothèse de normalité des variations des prix des
différents actifs. En effet, la loi normale sous-estime bien souvent les grandes
variations de marché et néglige ainsi le caractère leptokurtique des queues de
distributions (longues queues de distributions).
- Le calcul de la Value At Risk nécessite un horizon fixe. C'est à dire que l'on
considère le marché liquide et que l'on puisse ainsi couper nos positions à l'horizon
choisi.
- Enfin la dernière limite de la VAR vient du fait que l'on utilise énormément
d'approximations et de simulations. Et malgré la puissance croissante des machines,
la volonté de mise en œuvre rapide impose l'utilisation d'approximations.
6
marchés, différents actifs (change, actions, dérivés..)
Définition (Portée de la VaR )
L’objectif de la VaR fournit une mesure du risque total de portefeuille. Par conséquent, la
VaR doit tenir compte des effets de levier et de diversification (corrélation).
Les risques fi nanciers sont généralement classés en grandes catégories :
Risques de marché
Risques de liquidité
Risques de crédit
Risques opérationnels
Définition
Le risque de marché désigne le risque de perte lié à l’évolution des niveaux ou des
volatilités des prix de marché. Ces risques peuvent être exprimés sous deux formes :
La VaR a été conçue comme une mesure de risque de marché et le risque de marché demeure
aujourd’hui le principal champ d’application de la VaR, même si ce n’est plus de façon
exclusive.
Definition (risque de liquidité)
La notion de risque de liquidité regroupe deux types de risques : le risque de liquidité d’actif
(asset liquidity risk) et le risque de liquidité de financement (funding liquidity risk ou cash
flow risk).
7
contreparties sont incapables ou ne désirent pas remplir leurs obligations contractuelles
Le risque de crédit peut être exprimé sous forme d’exposition (exposure) c’est à dire de
montant soumis au risque ou de taux de recouvrement (recovery rate) qui désigne la
proportion remboursée par l’emprunteur.
Dans le cas du risque de crédit, les facteurs de risques sont nombreux : statut du défaut
(partiel ou total), exposition au défaut, et les pertes étant donnée le défaut sont
dificiles à calculer.
Ce qui explique que la VaR est rarement utilisée en tant que telle dans le
domaine de crédit
On préferre généralement des notions plus spécifiques comme l’expected credit losses
(ECT) ou la Worse Credit Exposure (WCE)
8
Ainsi, la définition de la Value-at-Risk est fondée sur trois éléments
- La distribution des profits et pertes (P&L) du portefeuille ou de l’actif
- Le niveau de confiance (ou de façon équivalente le taux de couverture égal à un
moins le niveau de confiance) ; appelé aussi taux de couverture
- La période de détention de l’actif (ou horizon du risque) qui pose parfois le
problème de l’agrégration temporelle de la VaR
Au délà des éléments de cette définition, divers aspects de la VaR doivent être évoqués à ce
niveau :
La notion de VaR (ou de P&L) conditionnelle
et plus générallement la prévision de VaR
Comment transformer les données de sorte à les exprimer sous forme de P&L ?
Les données de P&L à partir desquelles on calcule une Value-at-Risk peuvent prendre
différentes formes, mais elles sont généralement exprimées sous forme de rendements
(Dowd, 2005) Dowd, K. (2005), Measuring market risk, John Wiley & Sons Ltd.
Remarque 1 Si les données sont exprimées sous forme de P&L, les valeurs positives
indiquent des profits et les valeurs négatives indiquent des pertes.
Remaqrue 2 Il est aussi possible d’exprimer les données sous forme de pertes et profits (L&P
pour losses and profits) telles que :
9
L/Pt = - P /Lt
Remarque 4 Si l’on évalue la valeur future des P&L à la fin de la date t , il vient :
Remarque 5 Généralement on néglige l’escompte psychologique dans le calcul des P&L sur
des horizons courts (quotidiens, hebdomadaires, mensuels, etc.)
Cette définition des rendements suppose que les paiements intermédiaires Dt ne sont pas ré-investit
(problème sur longue période).
On peut passer de l’une à l’autre définition par les formules d’approximation suivantes :
Rt = ln (1 + rt )
Rt = ln (1 + 0.05) = 0.0488
Inversement, si les rendements géométriques sont égaux à 5%, les rendements arithmétiques
sont alors égaux à
10
rt = exp(Rt ) 1 = exp(0.05) 1 = 0.0513
Les rendements géométriques supposent implicitement que les paiements intermédiaires Dt sont ré-
investis de façon continue. Les rendements géométriques garantissent que le prix d’actifs ne
devient jamais négatif (contrairement au rendement arithmétique), y compris en cas de pertes
massives
Généralement, on préfère utiliser les rendements géométriques en lieu et place des
rendements arithmétiques
11
La distribution de profits et de pertes (P&L pour profit and losses) correspond à la
fonction de densité des pertes et profits, supposées aléatoires, associées à la détention de
l’actif ou du portefeuille sur un horizon donné.
Comme toute v.a.r., le rendement à la date t , Rt , est caractérisé par une fonction de
densité, notée
Remarque : La VaR est généralement négative (perte) dans une représentation P&L. Dès, lors
par souci de simplification, dans la plupart des ouvrages on définit la VaR en valeur positive en
considérant l’opposé du fractile
par définition, on a :
12
Définition (convention de notation)
Dans le cadre de ce cours, on adoptera pour convention de définir la VaR de façon positive et
en fonction du taux de couverture et non du niveau de confiance :
Hyp othèse H1 : On suppose que la distribution des P&L à la date t est une distribution
normale d’espérance µ et de variance σ2
Par conséquent :
où sous l’hypothèse H1 la variable centrée réduite (Rt - µ) /σ suit une loi normale standard
N(0,1)
13
où µ désigne l’espérance et σ2 la variance de la distribution de P&L.
Example (VaR sous normalité)
On suppose que le rendement géométrique quotidien d’un actif observé à la date t , noté Rt ,
suit une loi normale d’espérance égale à 0.01% et d’écart-type égale à 1.5%. On en déduit
immédiatement les VaR à 1% et 5% :
-1
VaRt (0.01) = 0.01 - 0.015 Φ (0.01) = 3.2451%
-1
VaRt (0.05) = 0.01 - 0.015 Φ (0.05) = 2.4573%
Si l’on détient cet actif sur une journée, il y a 1% de chance de réaliser une perte au moins égale
à 3.2451% du capital investit. Pour un montant investit de 1M d’euro on a :
Hypothèse H2 : On suppose que la distribution des P&L à la date t est une distribution de
Student à v degrés de liberté
14
Example (VaR sous hypothèse de Student)
On suppose que le rendement géométrique quotidien d’un actif observé à la date t , noté Rt ,
suit une loi de Student à 5 degrés de liberté, on en déduit :
4- Value-at-Risk conditionnelle
Généralement, on caractérise la distribution de P&L de façon conditionnelle et non de façon
marginale.
On définit alors une distribution de pertes et profits conditionnelle, c’est-à-dire une
fonction de densité conditionnelle à un ensemble d’information disponible à la date t
, noté Ωt .
Cette densité conditionnelle est notée :
où FR t ( r j / Ωt ) désigne la fonction de
répartition associée à la fonction de
15
densité conditionnelle fR t ( r j / Ωt ) .
Cette densité conditionnelle peut elle aussi être différente d’une date à l’autre, mais
généralement on se restreint à des densités conditionnelles invariantes dans le temps, i.e.
telles que :
16
temporelle
Le problème de l’agrégation temporelle peut s e poser de la même façon lorsque l’on cherche à
prévoir la VaR à un horizon supérieur h à l’unité. En effet pour ce faire deux solutions existent :
Soit prévoir directement la VaR en t + h, c’est à dire VaR t +hjt (α) , dans ce cas le
problème de l’agrégation temporelle ne se pose pas
Soit on cherche à établir la prévision de la VaR en t + h, VaR t +hj/t (α) , à partir de prévisions
réalisées à un horizon inférieur, typiquement à un horizon d’une période, c’est à dire
VaR t +1j/t (α) , VaR t +2j/t +1 (α) , .., VaR t +hj/t +h-1 (α) .
où T désigne l’horizon du risque mesuré en nombre d’années. Exemple : 1/12 pour un horizon
mensuel, 1/252 pour un horizon quotidien si il y a 252 journée de cotation dans une année.
Example (Jorion, 2007)
Sur une base mensuelle, on suppose que le rendement moyen du change EUR/$ est -0.15% et
la volatilité est 3.28%. Sur une base annuelle, sous l’hypothèse i .i .d ., le rendement espéré est
égal à :
17
6- Méthodes d’estimation de la Value-at-Risk
On dénombre trois grandes classes de méthodes d’estimation de la VaR :
Méthodes non-paramétriques (Historical Simulation, Weighted
Historical Simulation, Filtered Historical Simulation...).
Méthodes paramétriques (ARCH, GARCH univarié, GARCH multivarié,
RiskMetrics).
La VaR est le fractile d’une distribution de P&L, dès lors deux solutions
1 Soit la distribution de P&L est connue, et à ce moment on calcule le fractile
correspondant
2 Mais généralement, la distribution de P&L n’est pas connue ou les paramètres de
cette distribution ne sont pas connues. On doit estimer la densité associée, ou les
paramètres de cette densité, ou son fractile directement. On parle alors de méthodes
d’estimation de la VaR.
7- Méthodes non paramétriques
Définition (Méthodes non paramétriques)
Le principe général des méthodes non paramétriques d’estimation / prévision de la Value-at-
Risk est que l’on impose a priori aucune distribution paramétrique de pertes et profits
Les principales méthodes sont les suivantes :
18
du rendement qui correspond à la 50ème plus forte perte.
Définition
Soit { R 1 , R 2 , .. R T } la séquence des rendements Rt de l’actif ou du portefeuille, observés aux
dates t = 1 à T . A cette séquence correspond un échantillon de T observations { r 1 ,r 2 , ..r T }
Théoriquement, à chaque date, le rendement Rt est une v.a.r qui admet une certaine
distribution, notée fR t (.) , et donc un fractile d’ordre α, noté VaRt (α) , qui lui est propre. Or,
on ne dispose que d’ une seule réalisation, rt , de cette distribution. A partir de cette unique
réalisation, sans hypothèse supplémentaire, il est impossible d’estimer le fractile de la
distribution des P&L à la date t , c’est à dire la VaR..
par conséquent le fractile de cette distribution non conditionnelle (la VaR) est
aussi identique :
Solution
Sous l’hypothèse i .i .d , on dispose alors d’un échantillon de T réalisations { r 1 ,r 2 , ..r T }
de T v.a.r. admettant la même distribution (ou de la même variable aléatoire) et donc la
même VaR. Il est dès lors possible d’estimer cette VaR.
19
Exemple (travail sur excel)
On considère les rendements quotidiens définies à partir des cours de Trade close entre le
04/06/2012 et le 20/05/2014, soit un total de 500 observations. Supposons que l’on classe
par ordre croissant les observations r1 , .., r500 . La VaR HS à 1% est alors égale à la 5e`me ,
soit :
^ a Rt ( 1 % )=−2 , 83 %
V
^ a R ( 1 % )∗√ 10=−¿8,95%
La VaR pour 10 jours V t
C’est le principal défaut de cette méthode (Hendricks, 1996 ; Boudoukh et al. 1998 ; Pritsker, 2006)
: il est invraisemblable que les nombreux facteurs microstructurels et macroéconomiques concourant
à la formation du prix d’un actif demeurent inchangés dans le temps.
Comment construire une prévision de VaR selon la méthode HS ?
La solution consiste tout simplement à utiliser le fractile empirique associé aux observations
passées R1 , .., RT
L’idée est alors que puisque le rendement en T + 1 à la même distribution que R1 , .., RT ,
un estimateur de sa VaR peut être obtenu à partir de l’estimateur de la VaR des rendements
passés.
Comment construire une séquence de prévisions d e la VaR selon la méthode HS
20
(backtesting) ?
Comme pour tous les estimateurs, il y a deux solutions :
Soit on construit un estimateur glissant (rolling estimate) de la VaR en t + 1 à
partir d’un sous ensemble d’informations récentes de taille fixe (idée de
conditionnement).
Soit on construit une successions d’estimateurs de la VaR conditionnellement à toute
l’information disponible, qui croît au fer et à mesure que le temps passe
Plus la taille de la fenêtre Te est petite, plus les prévisions de VaR seront volatiles
Plus la taille de la fenêtre Te est grande, plus la VaR prévue convergera vers la
VaR non conditionnelle et sera par conséquent quasi "constante" dans le temps.
21
Remarque 1 : Le fait de construire la moyenne d’un grand nombre de VaR-HS obtenues sur
des échantillons de rendements boostrapés fait que l’on limite l’influence des pertes extrêmes,
notamment lorsque l’on utilise cette méthode pour la prévision. On obtient ainsi des
prévisions plus volatiles.
Remarque 2 : pour construire une prévision glissante par la méthode BHS, il suffit de ré-
échantilloner (pour chaque prévision) non plus T valeurs, mais uniquement Te valeurs, où Te
désigne la taille de la fenêtre.
10-3- Weighted Historical Simulation (WHS)
La caractéristique essentielle de la méthode HS traditionnelle est que l’on accorde le même poids
aux observations historiques, qu’elles soient relativement récentes ou au contraire très anciennes.
Concrètement, si l’on considère une estimation HS de la VaR à 5% à partir d’une fenêtre glissante de
1000 observations, cela revient à prendre le 50ème rendement le plus faible parmi les 1000
observations les plus récentes.
Dans cette estimation HS toutes les observations historiques de rendement datées de moins de
1000 périodes interviennent avec le même poids.
Une approche alternative consiste à attribuer aux observations de rendements des poids en
fonction soit de leur ancienneté, soit de la volatilité observée des marchés, ou de tout autre facteur
Cette approche, qualifiée par le terme générique de WHS (Weighted Historical
Simulation) recouvre notamment :
La méthode Aged-weighted HS où les poids dépendent de l’ancienneté des observations
(Boudoukh, Richardson et Whitelaw, 1998).
La méthode Volatility-weighted HS où les poids dépendent de la volatilité. L’idée de base (Hullet
et White, 1998) est de prendre en compte les changements récents de volatilité.
3 La méthode Correlation-weighted HS où l’on ajuste les rendements passés de façon à ce qu’ils
22
L’approche demeure non paramétrique, l’avantage ici est que l’on exploite une
information supplémentaire, à savoir le caractère plus informatif des rentabilités les plus
proches de l’horizon de prévision
Pour toute distribution elliptique, la prévision de VaR est une transformée linéaire de
la prévision de variance (volatilité). Prévoir la variance permet de prévoir la VaR.
Une distribution appartient à la famille des distributions elliptiques si le logarithme de sa
densité peut s’écrire sous la forme :
23
11-2- Méthode de Monte Carlo
Definition (Monte Carlo)
La méthode de Monte Carlo consiste à simuler un grand nombre de fois les comportements futurs
possibles des facteurs de risque selon un certain nombre d’hypothèses, et d’en déduire une
distribution des pertes et profits à partir de laquelle on estime finalement un fractile (HS).
Si cette approche peut s’appliquer, en théorie, quelles que soient les lois de probabilité suivies par
les facteurs de risque, elle est couramment utilisée en pratique, pour des raisons techniques, en
supposant que les variations relatives des paramètres de marché suivent des lois normales.
Cette méthode convient également à tous les types d’instruments, y compris optionnels, et permet
de tester de nombreux scénarios et d’y inclure explicitement des queues de distribution épaisses
(événements extrêmes pris en compte dans une certaine mesure).
11-3- Méthode RiskMetrics
RiskMetrics fut developpé par la banque JP Morgan au début des années 90 et a permis de
populariser le concept de VaR
Ce modèle repose sur des hypothèses théoriques assez contraignantes. Dans ce modèle, les
principales hypothèses simplificatrices consistent à supposer, d’une part, que les lois de
probabilité qui régissent les distributions des variations des prix de marché sont
normales et, d’autre part, que les instruments présentent un profil de risque linéaire.
Dans le cas d’une approche univariée, la VaR issue de RiskMetrics définie pour un taux de
couverture de α% peut s’écrire sous la forme :
Remarque :
Dans le modèle RiskMetrics, la variance conditionnelle est supposée suivre un
processus de type EWMA (Exponentiel Weighted Moving Average) : la
prévision pour la date t est une combinaison linéaire de l’innovation passée et de
la valeur passée de la variance
24