Econométrie Appliquée à la Finance

Value at- Risk

La Value At Risk (VAR)

Naissance de la Value At Risk
Utilisée pour la première fois dans les années 1980 par la banque Bankers Trust sur les
marchés financiers américains, la notion de Value-At-Risk (ou VAR) a principalement été
démocratisée par la banque JP Morgan dans les années 1990 grâce à son système
de RiskMetrics.

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.

L’accroissement de la volatilité des marchés financiers, le développement des produits dérivés

et surtout une série de faillites et de krachs boursiers ont poussé les institutions financières à
mettre en place un indicateur commun et synthétique des risques financiers.

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.

La VAR peut être considérée comme un quantile de la distribution de pertes et profits

associée à la détention d’un actif ou d’un portefeuille d’actifs sur une période donnée.

Si l’on considère un taux de couverture de a% (souvent 95% ou 99%), la VAR à un jour

correspond au quantile de niveau a% de la distribution de pertes et profits sur la période de
détention d’un actif.

La Value-At-Risk dépend en réalité de trois éléments

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.

2) Le niveau de confiance. Compris entre 0 et 1, il permet de contrôler la probabilité que l’on

obtienne un rendement supérieur ou égal à la VAR.

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:

D'après ce graphique, la VAR(95%, 1Jour) correspond à une perte approximative de 1,65

million d’euros.

3) La période de détention de l’actif ou du portefeuille d’actifs.

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.

A qui cette mesure est-elle destinée ?

Utilisée principalement par les banques, cette mesure de risque est destinée avant tout :

- 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).

- Aux comptables ou aux clients institutionnels.

Hypothèses nécessaires au calcul de la VAR

La détermination de la Value-At-Risk repose principalement sur trois hypothèses:

- La première hypothèse, et non des moindres, concerne la normalité des distributions

considérées. On suppose généralement que le prix d’un instrument financier suit une loi log-
normale.

- 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).

Les différentes méthodes d’estimation de la distribution de pertes

(calcul de la VAR)
- La méthode historique nécessite seulement de connaître la valeur de la position dans le passé
(par exemple historique des prix pour un indice). Pour un portefeuille, il faudra reconstituer sa
valeur passée à partir du prix des différents actifs et de la composition actuelle du portefeuille.
Après avoir identifié les facteurs de risque significatifs pour le portefeuille, on utilise
l'historique des données collectées afin d'en déduire un montant de perte.

Exemple : Soit un portefeuille composé de plusieurs actifs. Afin de calculer la VAR

historique à un jour sur ce portefeuille il faut relever l'ensemble des gains et des pertes
quotidiennes réalisées sur les 1 000 derniers jours (par exemple). Une fois toutes ces données
obtenues, il faut les classer par ordre croissant. Si l'on souhaite obtenir la VAR à 99%, il
suffira de trouver la 10ème (1000*(100%-99%)) valeur obtenue.

Avantages et inconvénients de cette méthode :

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.

En revanche, cette simplicité de mise en place, engendre de nombreuses limites. Et ce qui

peut être considéré comme un avantage peut rapidement se retourner en inconvénient. En
effet, l’historique doit être suffisamment grand comparé à l’horizon de la VAR et à son niveau
de confiance, mais pas trop pour s’assurer que la loi de probabilité n’a pas trop changé sur la
période. Autre point négatif, et non des moindres, cette méthode est inadaptée aux produits
dérivés.

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.

Cette méthode repose sur plusieurs hypothèses:

1) Les variations des facteurs de risques suivent une loi normale.

2) La relation entre les variations des valeurs du portefeuille et les variations des valeurs du
marché est linéaire.
3) Les produits dérivés sont linéaires et les obligations peuvent être ramenées à des pay-
offs linéaires. La seule exception à cette condition étant les options.

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%.

La volatilité quotidienne du portefeuille A est :

où 252 est le nombre de jours où la bourse française est ouverte.

Ainsi la Var à 99% à une journée est alors :

La volatilité quotidienne du portefeuille B est:

Et la Var à 99% à une journée est donc :

Afin d'obtenir la Var à 10 jours il suffit d'appliquer la formule:

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 :

Dans notre exemple

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).

Avantages et inconvénients de cette méthode

Le principal point fort de cette méthode repose sur la rapidité et la simplicité des calculs qui
nécessitent seulement une matrice de variance-covariance entre les différents actifs présents
dans le portefeuille.

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.

Points forts et points faibles

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.

En revanche la mise en œuvre de cette méthode de simulation est très lourde et

nécessite d'énormes calculs. Ainsi le principal défaut de cette méthode repose sur le
temps de calcul nécessaire pour générer un grand nombre de scénarios.

Quels sont les limites de la Value At Risk ?

On vient de voir que la Value At Risk pouvait être considérée comme la perte
potentielle maximale. Mais son évaluation repose sur des imprécisions parfois plus
ou moins importantes qui peuvent influencer le résultat final.

- 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).

- La seconde limite concerne la fiabilité du résultat obtenu lorsque, pour anticiper

l'évolution d'un actif dans un avenir plus ou moins proche, on utilise son évolution
passée.

- 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.

Conscient des limites que présentent les différents modèles de la VAR,

un backtesting et un stresstesting ont été rendu obligatoire afin de vérifier les
résultats obtenus. Le système de backtesting consiste à déterminer le nombre de
fois où la perte obtenue a été supérieure à la VAR. Si ce nombre est trop important, il
faut revoir le modèle utilisé pour le calcul.

Parallèlement à ces backtesting, le comité de Bâle impose également des stress

tests, durant lesquels les portefeuilles seront soumis à des conditions extrêmes de
marchés (par exemple variation de 100 points de base à la hausse ou à la baisse
des taux, augmentation subite de 20% de la volatilité...) afin de scruter leur
comportement face à des scénarios fortement négatifs.

1- Quels types de risques peut mesurer la VaR ?

La VaR est une mesure homogène permettant de mesurer différents risques, sur différents

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 :

- Risques absolus, mesurés en unité monétaire

- Risques relatifs exprimés par rapport à un benchmark (notion de tracking error ou
déviation par rapport à un indice).

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).

Definition (asset liquidity risk)

Le risque de liquidité d’actif ( asset-market-product liquidity risk) survient lorsqu’une
transaction ne peut pas intervenir au prix au prix prévu du fait de la taille relative de la
position au regard du volume des transactions usuelles (Jorion, 2007).
Remarque : la notion de risque de liquidité est à distinguer de la notion marché liquide /
non liquide (exemple : marché de change verus emerging-market equities) puisque ce risque
peut survenir sur un marché liquide suivant l’importance de la position.

Definition (cash flow liquidity risk)

Le risque de liquidité de financement (cash flow liquidity risk) fait référence à l’impossibilité
de faire face à ses obligations de paiement, impliquant des liquidations de position et donc la
transformation de pertes "papier" en pertes réalisées (Jorion, 2007).

La VaR ne s’applique pas directement au concept de risque de liquidité, mais :

 Il est possible de construire des transformations de la VaR intégrant ce type
de risque comme la LVAR (Liquidity adjusted Value-at-Risk)
 Proposer des concepts similaires dans le domaine des données de hautes
fréquences portant sur la durée séparant deux transactions successives comme le
TaR (Time-at-Risk, Gouriéroux, 2004)

Definition (risque de crédit)

Le risque de crédit désigne le risque de pertes engendrées par une situation dans laquelle les

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)

Définition (risque opérationnel)

Le risque opérationnel est le risque qui résulte de processus internes inappropriés, ou de
systèmes défectueux ou d’événements externes (Jorion, 2007).
3
21

Les risques opérationnels couvrent notamment :

 Le risque de modèle (model risk)
 Risque de personne ou de personnel (people risk)
 Risque légal (legal risk)

- Etant donnée l’importance des risques opérationnels et certains exemples de

désastres financiers, il existe aujourd’hui une volonté de quantifier ces risques
- Dans ce contexte, des calculs de VaR peuvent théoriquement être
appliqués aux risques opérationnels
- Toutefois, la collecte de données de référence permettant d’établir la P&L
associée à ces risques pose généralement de très gros problèmes et limite par
conséquent la portée de l’application de la VaR à ce contexte.

2- Définition statistique de la Value-at-Risk

Definition (Value-at-Risk)
La Value-at-Risk (VaR) définie pour un taux de couverture de α% correspond au
quantile d’ordre α de la distribution de profits et pertes (profits and losses, P&L)
associée à la détention d’un actif ou d’un portefeuille d’actifs sur une période donnée.

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

 Quelles sont les données qui servent au calcul de la 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.

Définition (profits et pertes)

On note Pt la valeur d’un actif (ou d’un portefeuille) à la …n de la période t . On note Dt
l’ensemble des paiements intermédiaires obtenus entre les dates t 1 et t . Les profits et
pertes (P&L) associés à la détention de l’actif (ou du portefeuille) sont alors définis par :
P /Lt = Pt + Dt - Pt - 1

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 3 Il conviendrait de tenir compte d’un facteur d’actualisation dans la comparaison

des valorisations aux dates t et t-1. Si l’on évalue la valeur présente des P&L à
la fin de la date t-1, il vient :

où d désigne le taux d’escompte psychologique.

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.)

Les P&L sont généralement exprimées sous forme de rendements :

 Rendements arithmétiques
 2 Rendements géométriques
Définition (rendements arithmétiques)
Les rendements arithmétiques associés aux profits et pertes (P&L), notés rt , sont définis
comme :

Cette définition des rendements suppose que les paiements intermédiaires Dt ne sont pas ré-investit
(problème sur longue période).

Définition (rendements géométriques)

Les rendements géométriques associés aux profits et pertes (P&L), notés Rt , sont définis
comme suit :

On peut passer de l’une à l’autre définition par les formules d’approximation suivantes :

Rt = ln (1 + rt )

ce qui implique que si les rendements sont "petits" alors :

Example (rendements géométrique et arithmétique )

Supposons qu’à une certaine date t les rendements arithmétiques rt par unité de temps soient
égaux à 5%. Les rendements géométriques correspondants sont alors égaux à :

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

Example (Rendements géométriques)

Considérons à titre d’exemple l’indice Standard & Poor observé en clôture sur la période du
03/07/1989 au 24/11/2003 ainsi que le rendement géométrique quotidien associé

3- Distribution de Profits et Pertes (P&L)

Définition (distribution de profits et pertes)

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.

 On considère les rendements géométriques, notés Rt , associés à la détention d’un

actif sur un horizon donné (exemple quotidien)
 Ces rendements sont exprimés sous une forme P&L : un rendement positif indique un
gain, un rendement négatif une perte
 On suppose que ces rendements sont aléatoires : Rt est une variable aléatoire réelle
(v.a.r)

Comme toute v.a.r., le rendement à la date t , Rt , est caractérisé par une fonction de
densité, notée

Définition (P&L distribution)

C’est précisèment cette fonction de densité que l’on qualifie de distribution de profits et pertes (P&L
distribution).
Remarque 1 : L’idéal pour caractériser le risque serait de connaître l’ensemble de la densité
de P&L, toutefois on se limite généralement à une caractérisation du risque au travers de la
connaissance de certains moments (variance, skeweness, kurtosis) ou de certains fractiles
(VaR).
Remarque 2 : Si la distribution de P&L est connue, on en déduit immédiatement la VaR,
puisque la VaR n’est rien d’autre qu’un fractile d e cette fonction de distribution

Définition (définition statistique de la VaR)

Pour un taux de couverture (coverage rate) de α%, la Value-at-Risk, notée VaRt (α) ,
correspond à l’opposé du fractile d’ordre α de la distribution de profits et pertes
(P&L).

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 :

Définition (taux de couverture)

Quelle que soit la définition retenue (positive ou négative) de la VaR, la probabilité d’observer
une perte supérieure à la VaR sur l’horizon de détention fixé est égale par définition au taux de
couverture (coverage rate) :

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 :

Le principe des méthodes paramétriques de calcul de la VaR ( section qui suit) :

 Postuler une distribution paramétrique de P&L (normale, Student, etc..)
 Donner une valeur aux paramètres de cette distribution (estimation ou étalonnage)
 Calculer le fractile correspondant

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 définition de la VaR on sait que :

Par conséquent :

où sous l’hypothèse H1 la variable centrée réduite (Rt - µ) /σ suit une loi normale standard
N(0,1)

Définition (VaR sous hypothèse de normalité)

Sous l’hypothèse de normalité de la distribution de P&L, la VaR associée à un taux de
couverture de α% est égale à :

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 :

VaR (5%) = 24 573euro VaR (1%) = 32 451euro

Hypothèse H2 : On suppose que la distribution des P&L à la date t est une distribution de
Student à v degrés de liberté

Comment calculer la VaR sous l’hypothèse H2 ?

Définition (VaR et distribution de Student)
Sous l’hypothèse de distribution de Student, la VaR associée à un taux de couverture de α%
est égale à :
-1
VaRt (α) = - G (α; v )

où G (α; v ) désigne la fonction de répartition d’une loi 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 :

VaRt (0.01) = -G - 1 (0.01; 5) = 3.3649%

VaRt (0.05) = -G - 1 (0.05; 5) = 2.015%

Si l’on détient cet actif sur une journée, il y a 1% de chance de réaliser une perte au moins égale
à 3.3649% du capital investit. Pour un montant investit de 1M d’euro on a :

VaR (1%) = 33 649euro VaR (5%) = 20 015euro

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 :

Definition (VaR conditionnelle)

Pour un taux de couverture (coverage rate) de α%, la Value-at-Risk conditionnelle à un
ensemble d’information Ωt , notée VaRt ( αj / Ωt ) , correspond à l’opposé du fractile d’ordre
α de la distribution conditionnelle de pro…ts et pertes (P&L) :

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 :

Cela revient à supposer que conditionnellement à un ensemble d’information

(ou lorsque l’on cherche à prévoir la Value-at-Risk), les rendements sont
identiquement distribués.

Définition (prévision de VaR)

La prévision de la Value-at-Risk pour la date t + 1 et pour un taux de couverture de
α%, obtenue conditionnellement à l’ensemble d’information Ωt disponible à la date t
, notée VaRt +1 ( αj / Ωt ) , est définie par :

où FR ( r j / Ωt ) désigne la fonction de répartition associée à la fonction de densité

conditionnelle fR ( r j / Ωt ).
Example (prévision de VaR)
Supposons que les P&L à la date t + 1, notées Rt +1 , soient normalement distribués. On
cherche à prévoir la moyenne et la variance de cette distribution conditionnellement à
l’information disponible. Supposons que ces estimateurs soient définis par les moments
conditionnels suivants :

La distribution de P&L conditionnelle est alors

On en déduit immédiatement une prévision de la VaR de t + 1 pour un taux de couverture

de α% :

5- Horizon de détention et agrégation temporelle

Le deuxième élément fondamental dans le calcul de la Value-at-Risk est la période de détention
(ou l’horizon de risque) de l’actif ou du portefeuille d’actifs.
Il n’existe aucune règle quant au choix de la période de détention dans le calcul de la
Value-at-Risk puisque ce choix dépend fondamentalement de l’horizon de reporting ou de
l’horizon d’investissement des opérateurs.
Toutefois, les autorités de régulation peuvent spécifier des horizons de détention spécifiques
notamment dans le cadre des procédures de validation de la Value-at-Risk.
Un problème se lorsque la fréquence d’observations des P&L (intra-day, quotidienne,
hebdomadaire, mensuelle etc..) ne correspond pas à l’horizon de risque
On doit alors transformer une mesure de risque adaptée à un horizon en une mesure de risque
adaptée en autre horizon, généralement plus long : c’est le problème de l’agrégation

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) .

Dans le cadre du problème de l’agrégation temporelle des mesures de VaR, on doit

distinguer deux cas :
 Le cas où l’on suppose que les rendements sont i .i .d .
 Le cas où l’on suppose que les rendements ne sont pas i .i .d .

Dans le cas où les rendements sont i .i .d ., le problème est relativement simple.

Supposons que l’on dispose de l’espérance et de la variance de la P&L exprimés en base
annuelle. Soient µy et σ2 cesy valeurs. On cherche à déterminer les moments
c orrespondants sur un horizon différent de l’année sous l’hypothèse de rendements i .i .d .
et sous l’hypothèse que les mêmes positions ont été maintenues sur l’année.
Sous l’hypothèse i .i .d ., on a alors :

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 :

et la volatilité annuelle est

Dans le cas où les rendements ne sont pas i .i .d ., il convient de postuler un modèle

de dépendance entre les rendements :
Supposons par exemple que les rendements vérifient

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 :

 Historical Simulation (HS)

 Bootstrapped Historical Simulation

 Simulation Historique et Estimation Non Paramétrique de Densité

 Weighted Historical Simulation (WHS) ou Hybrid Method

 5Filtered Historical Simulation (FHS)

10-1- Simulation Historique

La simulation historique (Historical Simulation, ou HS) est une méthode très simple qui est
sans doute la plus utilisée actuellement
Formellement, la VaR est estimée simplement par le fractile empirique des rendements
passés.
Si l’on considère par exemple un niveau de confiance de 95% et que l’on dispose d’un
échantillon de 1000 observations historiques de rendements, la VaR est donnée par la valeur

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..

Dans l’approche HS, on fait deux hypothèses très fortes :

 On suppose que la distribution non conditionnelle des rendements est identique
quelle que soit la date t :

par conséquent le fractile de cette distribution non conditionnelle (la VaR) est
aussi identique :

 On suppose que les rendements R1 , .., RT sont indépendamment distribués.

Hypothèse : on suppose que les rendements Rt associés aux P&L, observés à toute
date t , sont identiquement et indépendamment distribués (i.i.d) avec :

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.

Définition (VaR HS)

Sous l’hypothèse de rendements i .i .d ., un estimateur convergent de la VaR pour un taux de
couverture de α% est défini par le fractile empirique d’ordre α associés aux T réalisations
historiques des rendements, notées { r 1 ,r 2 , ..r T }.

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

Remarque : La VaR HS est l’estimateur d’une VaR non conditionnelle (ou

associée à une distribution de P&L non conditionnelle).
 Par conséquent la prévision de VaR selon la méthode HS sera relativement
"invariante" aux modi…cations de l’environnement économique.
 Les prévisions de VaR selon la méthode HS sont "plates" ou "pratiquement
plates" (dans le cas rolling estimates).

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

Dans la littérature, on utilise généralement des séquences de prévisions construites à partir

d’une estimation glissante (rolling estimate) a…n d’introduire un "minimum de
conditionnement" dans la VaR-HS et de ne pas accorder trop de poids aux réalisations des
rendements les plus anciennes.
Définition (Prévisions VaR-HS))
Les prévisions glissantes de VaR pour un taux de couverture de α% obtenues par la méthode
de simulation historiques correspondent au fractile empirique d’ordre α de la chronique des
rentabilités passées observées sur une fenêtre de taille Te :

 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.

10-2- Bootstrapped Historical Simulation (BHS)

Une amélioration simple de la méthode HS consiste à estimer la VaR à partir de données

simulées par Bootstrap. Le Bootstrap consiste à ré-échantillonner les données historiques de
rendements avec remise.

Plus précisément, la procédure consiste à créer un grand nombre d’échantillons de

rendements simulés, où chaque observation est obtenue par tirage au hasard à partir de
l’échantillon original.
Chaque nouvel échantillon constitué de la sorte permet d’obtenir une estimation de la VaR par la méthode
HS standard, et l’on définit au final une estimation en faisant la moyenne de ces estimations basées sur les ré-
échantillonnages.

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

reflètent les changements entre les corrélations passées et futures

Présentons la méthodologie de type Aged-wheighted HS appelée aussi Méthode Hybride
proposée par Boudoukh, Richardson et Whitelaw (1998)
Avantages :
 Comme le souligne Pritsker (2001), on peut s’accommoder du non respect de
l’hypothèse de distributions i .i .d , en supposant que les observations les plus récentes
de l’ensemble Ωt-1 sont conditionnellement les plus importantes pour une éventuelle
prévision.

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

11- Méthodes paramétriques

11-1- Méthode d’estimation basée sur les modèles GARCH
Définition (GARCH univariés)
Les modèles GARCH permettent de modéliser et de prévoir la variance conditionnelle de la
distribution de pertes et profits, ce qui permet dans un second temps de déduire une
modélisation ou une prévision de la Value-at-Risk sous un certain nombre d’hypothèses
concernant la distribution conditionnelle des rendements.

Quel est le lien entre la prévision de variance conditionnelle et la prévision de VaR ?

Sous l’hypothèse de normalité de la distribution conditionnelle des P&L, la prévision de VaR

associée à un taux de couverture de α% est définie par :

où ht +1 désigne la variance conditionnelle des rendements.

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 :

où c désigne une constante, µ est un paramètre de location (location parameter) et σ un

terme d’échelle (scale parameter)

Exemples : distribution normale, distribution de Student, ………………………..

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 :

où µ désigne l’espérance des rendements et ht la variance conditionnelle, telle que :

où λ désigne un paramètre de décalage (decay parameter) généralement fixé à 0.97.

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

 Ce processus est un cas particulier des modèles GARCH, et plus

spécifiquement des modèles IGARCH (cf. partie 2 du cours)

Sous ces hypothèses, la matrice de variances/covariances peut être appliquée assez

directement aux positions détenues pour calculer la VaR. Les calculs utilisés dans la méthode
RiskMetrics sont rapides et simples, et requièrent uniquement la connaissance de la matrice
des
variances/covariances des rendements du portefeuille.

24