Cours de Modélisation Des Risques Economiques Et Financiers (IIA)

Institut Internationale des Assurances (IIA)
Cours de Modélisation des Risques

Economiques et Financiers
Responsable du cours
Dr TADIE Thierry
Cycle
Master professionnel en assurance (MPA)
Spécialisation
Risk Management et contrôles des assurances
1
Contenu du cours
Chapitre 1 : Relation Risque – Rentabilité
Chapitre 2 : Couverture des risques financiers : Les options
Chapitre 3 : Le Modèle de regression lineaire
Chapitre 4 : Modèles stochastiques des risques
Chapitre 5 : Modèles ARMA, ARCH et GARCH
2
Chapitre 1 : Relation Risque – Rentabilité

La décision de tout investisseur désireux de rentabiliser son patrimoine à travers des placements
financiers repose sur l’espérance de rendement. Cette dernière étant intrinsèquement liée au
risque. Le couple risque-rentabilité constitue à cet effet l’essence de toutes décisions en matière
d’investissement. Cependant, il est important en économie de distinguer risque et incertitude.
Une situation d’incertitude est celle où l’on ne peut attribuer une probabilité (subjective ou
objective) aux éventualités. Il y a risque lorsqu’on peut attribuer une probabilité aux
éventualités. Cependant, tous les actifs financiers ne présentent pas le même degré de risque.
En finance, il est devenu classique de distinguer deux grands groupes d’actifs financiers : les
actifs sans risque et les actifs risqués.
Un actif sans risque est caractérisé par une rentabilité certaine et un remboursement certain. Il
s’agit par exemple des obligations à taux fixe émises par l’État. Pour les obligations de ce type,
le taux de rendement actuariel est connu à l’avance et le remboursement assuré.
Un actif risqué par contre à une rentabilité incertaine, c’est le cas par exemple d’une action.
Investir dans un actif risqué revient à accepter une incertitude au niveau des flux financiers
attendus. Logiquement, plus un actif est risqué, plus l’espérance de rentabilité est élevée.
I. Les notions de rentabilité et de risque d’un actif financier

1. Rentabilité d’un actif financier
Les revenus futurs des titres financiers traités sur le marché des capitaux dépendent de l’état de
l’économie (par exemple « bonne conjoncture » et « mauvaise conjoncture »). Ils ont donc un
caractère aléatoire et la rentabilité attendue est calculée, à partir d’une série de prévisions
relatives aux cours et aux dividendes prévus, en leur affectant des probabilités. À partir de ces
données, il est possible de calculer la rentabilité espérée. Considérons une action dont le cours
est 𝐶0 à la date 0 et à la date 1, il peut-être 𝐶1𝐵 lorsque la conjoncture est bonne avec une
probabilité 𝑝 et 𝐶1𝑀 lorsque la conjoncture est mauvaise. Le cours du titre à la date 1 (encore
appelé cash-flow attendu) est donné par définition l’espérance mathématique des cash-flows
futur :
C1 = p × C1B + (1 − p) × C1M
Désignons par D le dividende éventuellement versé au cours de la période 1. La rentabilité de

l’action, pour la période 1 est donnée par :
3
C1 − C0 + D
Rx =
C0
Exemple 1 : Vous avez rassemblé les données suivantes concernant des titres cotés sur un
marché.
Prix aujourd’hui Cash-flow en bonne Cash-flow en mauvaise

conjoncture conjoncture
Bon d’État 9550 F 10000 F 10000 F
Action « bonheur » 8200 F 12000 F 5000 F
La probabilité de la bonne conjoncture est estimée à 60 %.
a. Calculez le taux d’intérêt sans risque.

b. Calculez le cash-flow attendu (revente et éventuel dividende) de l’action « bonheur ».
c. Calculez la rentabilité attendue de l’action « bonheur ».
2. Le risque d’un actif financier
Plus le taux de rentabilité est susceptible de fluctuer, plus le risque est important. Logiquement,
le risque est mesuré par l’écart type (ou la variance) de la rentabilité, qui traduit la dispersion
de la rentabilité autour de la moyenne (ou de l’espérance mathématique). Si la rentabilité future
est susceptible de varier fortement, le risque sera élevé (et inversement). Le risque d’un actif
financier sera évalué au paragraphe suivant par sa contribution au risque du portefeuille.
II. Relation risque - rentabilité
Les notions de risque et de rentabilité sont indissociables. Tous les investisseurs n’ont pas la
même attitude face au risque : certains accepteront un niveau de risque élevé pour tenter de
bénéficier d’une forte rentabilité ; d’autres montreront une aversion vis-à-vis du risque et
choisiront des placements moins risqués mais a priori financièrement moins intéressants (moins
rentable). Il est possible de réduire le risque en combinant dans un même portefeuille des actifs
risqués avec des actifs sans risque, ou des actifs présentant différents niveaux de risque : c’est
la diversification.
1. Gestion de portefeuille dans le cas de deux actifs risqués

a. Détermination de la rentabilité et du risque d’un portefeuille constitué de
deux actifs risqués
Considérons un investisseur qui souhaite consacrer la totalité de sa richesse à l’achat de deux

actions (actifs risqués par excellence) A et B ayant les rentabilités aléatoires respectives 𝑅𝐴
et 𝑅𝐵 . On définit les éléments suivant :
4
- μA = E(R A ), μB = E(R B), σA = σ(R A ) et σB = σ(R B), les espérances et les écart-types
des rentabilités de ces deux actifs,
- σAB = Cov(R A R B ), la covariance des rentabilités de ces actifs (elle permet d’apprécier
le sens de la liaison entre les rentabilités de ces actifs),
σ
- ρAB = σ AB désigne le coefficient de corrélation entre 𝑅𝐴 et 𝑅𝐵 (il mesure le degré de
σ
A B
liaison entre les deux rentabilités).

σ
NB : ρAB = σ AB donc σAB = ρAB σA σB
σ
A B
Un portefeuille, combinant les actifs A et B est caractérisé par le poids alloué à chaque actif :
𝛼𝐴 est la part du capital investi et placé dans le titre A et 𝛼𝐵 est la fraction complémentaire
placée dans le titre B. Nous pouvons alors écrire : αA + αB = 1.
La rentabilité du portefeuille R p est égale à la moyenne pondérée des rentabilités des titres qui
le composent.
R p = αA R A + αB R B
Rappelons que les rentabilités sont incertaines alors que les poids αA et αB sont choisis dès
l’instant 0. L’espérance de la rentabilité du portefeuille μp est donnée par :
μp = E(R p ) = E(αA R A + αB R B ) = E(αA R A ) + E(αB R B ) = αA E(R A ) + αB E(R B )
Donc
μp = αA μA + αB μB
La variance du portefeuille σ2p est donnée par :
σ2p = Var(R p ) = E[R p − E(R p )]2
Après développement, on obtient la formule réduite ci-après :
σ2p = α2A σ2A + α2B σ2B + 2αA αB σAB
Rappelons que αB = 1 − αA car nous avons seulement deux actifs.
Donc
μp = αA μA + (1 − αA )μB
Et
5
σ2p = α2A σ2A + (1 − αA )2 σ2B + 2αA (1 − αA ) σAB
Exemple 2 : Un assureur souhaite investir les primes collectées sur un marché financier. Ce
dernier souhaite constituer un portefeuille P composé des actifs A et B. Supposons que dans ce
portefeuille P le poids de l’actif A soit égal à 2/3 et que le complément soit investi dans B.
Supposons en outre que :
- La rentabilité espérée de l’actif A soit de 12% et celle de l’actif B de 18%.

- Les écart-type des deux rentabilités soient égaux à 40% et leur coefficient de corrélation
égal à 0,5.
Calculer et interpréter l’espérance μp et l’écart-type σp de ce portefeuille.
b. Mesure du risque d’un actif dans un portefeuille
Le risque d’un actif i est évalué par sa contribution au risque du portefeuille. Deux mesures,
liées entre elles, peuvent en être données :
- une mesure absolue : la covariance 𝛔𝐢𝐏 de l’actif avec le portefeuille ;

- une mesure relative : le bêta 𝛃𝐢𝐏 de l’actif dans le portefeuille.
La covariance d’un actif avec le portefeuille est la moyenne pondérée des covariances de l’actif
avec tous les actifs en portefeuille.
σiP = ∑ xi σij
j
La variance du portefeuille est égale à la moyenne pondérée des covariances des actifs avec le
portefeuille.
σ2P = ∑ xi σiP = x1 σ1P + x2 σ2P

j
- 𝛔𝐢𝐏 Nous donne la contribution du titre i au risque du portefeuille. Il constitue la mesure

du risque du titre dans le portefeuille.
- Le bêta du titre i par rapport au portefeuille P est le rapport entre la covariance du titre
i avec le portefeuille et la variance du portefeuille.
σiP
βiP = 2
σP
6
Cette relation montre que le risque du portefeuille augmente lorsque le béta du titre est supérieur
à 1. Le béta du titre peut également être analysé comme la pente de la droite de régression entre
la rentabilité du titre et la rentabilité du portefeuille. rj = α + βrP + ε.
Exemple 3 : Lors du réinvestissement des primes collectées, une compagnie d’assurance décide
de constituer un portefeuille constitué d’actions et d’obligations. Elle a rassemblé les données
suivantes:
Rentabilité attendu Volatilité

Obligation 5% 6%
Action 10% 15%
Le coefficient de corrélation entre actions et obligations est de 0,30. Le taux d’intérêt sans risque
0,36 % 0,27 %
est de 3 %. La matrice variance-covariance est donnée par : ( )
0,27 % 2,25 %
Elle envisage d’investir 70 % en obligations et 30 % en actions.
a. Calculez la rentabilité attendue et le risque de ce portefeuille.

b. Calculez la covariance de chacun des titres avec le portefeuille puis la variance et l’écart
type du portefeuille.
c. Déterminez le bêta de chacun des titres de ce portefeuille et interpréter chaque résultat.
2. Portefeuille de variance minimale
Nous pouvons établir une relation entre la variance (ou l’écart-type) du portefeuille (𝛔𝐩 ) et le
rendement espéré du portefeuille (𝛍𝐩 ) qui constitue la frontière efficiente ou frontière
d’efficience, c’est le lieu des points représentant les portefeuilles efficients qui peut être
représenté dans le plan (𝛔𝐩 , 𝛍𝐩 ).
7
Figure 1 : Portefeuille de variance minimale
On constate d’après la représentation graphique que le portefeuille A est, de tous les

portefeuilles possibles, celui qui présente l’écart-type (et donc le risque) le plus faible. Ce
portefeuille est appelé portefeuille de variance minimale (PVM). Il est déterminé
algébriquement en résolvant le programme d’optimisation suivant :
Min σ2p = α2A σ2A + α2B σ2B + 2αA αB σAB

{
S/C αA + αB = 1
On sait que αB = 1 − αA
Donc
σ2p = α2A σ2A + (1 − αA )2 σ2B + 2αA (1 − αA ) σAB
Condition de premier ordre :
∂σ2p
= 0 ↔ 2α∗A σ2A − 2σ2B + 2α∗A σ2B + 2 σAB − 4α∗A σAB = 0
∂αA
↔ 2αA∗ (σ2A + σ2B − 2 σAB ) = 2(σ2B − σAB )
σ2B − σAB
α∗A = 2
σA + σ2B − 2 σAB
Et
αB∗ = 1 − α∗A
8
Exemple 4 : On considère un marché sur lequel existe deux titres risqués A et B. Les
anticipations concernant ces deux titres sont les suivantes :
𝐸(𝑅𝐴 ) = 20%, 𝐸(𝑅𝐵 ) = 30%, 𝜎(𝑅𝐴 ) = 14,15%, 𝜎(𝑅𝐵 ) = 24,50% et 𝐶𝑜𝑣(𝑅𝐴 𝑅𝐵 ) = 0,01.
a. Déterminer le portefeuille P de variance minimale que l’on peut obtenir en combinant

A et B ;
b. Déterminer le rendement espéré et le risque de portefeuille ainsi constitué ;
c. Déterminer l’équation de la frontière efficiente et représenter cette courbe.
3. Portefeuille efficient
L’investisseur souhaite bénéficier d’une espérance de rentabilité la plus élevée pour un niveau
de risque donné, ou à l’inverse, un niveau de risque le plus faible pour une espérance de
rentabilité donnée. Considérons à nouveau la courbe du graphique ci-dessus. Le portefeuille X
offre pour le même niveau de risque que Y un rendement attendu plus élevé : X sera préféré à
Y. Ainsi donc, seule la partie supérieure AXZ de la courbe sera choisie. Cette portion
supérieure est appelée frontière efficiente. C’est le lieu des portefeuilles qui maximisent le
rendement espéré pour chaque niveau de risque (ou le lieu de portefeuille qui minimisent le
risque pour chaque niveau de rendement). De tels portefeuilles sont qualifiés de portefeuilles
efficients. La frontière efficiente permet de savoir quels sont les meilleurs gains que
l’investisseur peut attendre compte tenu du niveau de risque qu’il a choisi. Le portefeuille
efficient est déterminé algébriquement en résolvant le programme suivant :
Min σ2p = α2A σ2A + α2B σ2B + 2αA αB σAB

μp = αA μA + αB μB
̅̅̅
S/C {
αA + αB = 1
L’investisseur peut également maximiser l’espérance de la rentabilité de son portefeuille

compte tenu d’un niveau de risque donné̅̅̅̅
σ2p , on aura alors :
Max μp = αA μA + αB μB
̅̅̅
σ2 = σ2p
S/C { p
αA + αB = 1
NB : c’est le premier programme qui est naturellement envisagé dans la mesure où l’investisseur
se fixe un rendement à atteindre et détermine le programme qui minimise le risque.
4. Gestion de portefeuille avec un actif sans risque
9
Un actif sans risque est un titre dont le rendement sur la période est connu avec certitude. Son
taux de rentabilité est alors le taux d’intérêt sans risque.
a. Cas d’un actif risqué et d’un actif sans risque
Soit R f le taux d’intérêt sans risque et R le taux de rentabilité de l’actif risqué. Nous
avons : E(R f ) = R f , E(R) = μR , Var(R f ) = 0, Var(R) = σ2R , Cov(R, R f ) = 0 et ρR,Rf = 0 .
Si  désigne la part de l’actif risqué, le taux de rentabilité anticipé d’un portefeuille P composé
d’un actif risqué et d’un actif sans risque est :
R p = αR + (1 − α)R f
D’où
E(R p ) = μp = α(μR − R f ) + R f
Sa variance est donnée par :
σ2p = (1 − α)2 σ2Rf + α2 σ2R + 2α(1 − α) σRf σR ρR,Rf
Par définition, l’actif sans risque à une variance nulle, c’est-à-dire σRf = 0. Donc
σp μp − R f
σ2p = α2 σ2R c ′ est à dire α = ou encore α =
σR μR − R f
La rentabilité espérée devient :
σp
μp = R f + (μR − R f ) ×
σR
Cette relation linéaire entre 𝛍𝐩 et 𝛔𝐩 définit l’équation de la frontière efficiente dans le cas
d’un actif risqué et d’un actif sans risque. Cette relation peut être représentée comme suit :
10
Figure 2 : Couple risque-rentabilité pour un portefeuille constitué d’un actif risqué et d’un
actif sans risque
𝝁𝑹 −𝑹𝒇
La pente de la frontière efficiente à savoir est appelé le ratio de Sharpe et mesure la
𝝈𝑹
prime de risque par unité de risque. C’est une mesure de la performance du gestionnaire.
Un investisseur rationnel choisi toujours le portefeuille qui offre le ratio de Sharpe le plus élevé
c’est-à-dire celui qui rémunère mieux le risque pris.
Exemple 5 : Vous venez d’être nommé gestionnaire d’une fond d’investissement qui gère les
investissements d’une compagnie d’assurance. Votre première tâche est d’identifier les
caractéristiques de risque et de rentabilité attendue du portefeuille de cette compagnie et de
comprendre comment elles seraient modifiées selon plusieurs scénarios concernant la
répartition des actifs. Le montant total investi dans le fonds est de 200 000 000 F répartis comme
suit :
Montant investi (en

million de F)
Action 140
Bon du trésor 60
à un an
Le niveau actuel du taux d’intérêt sans risque est de 6 %. Le portefeuille d’actions est diversifié
et reproduit exactement le portefeuille
de marché, dont la rentabilité attendue est de 14 % et la volatilité de 20 %.
11
a. Calculez la rentabilité attendue et le risque portefeuille.

b. Trouvez l’équation donnant la relation entre la rentabilité attendue du portefeuille et la
proportion investie en action.
c. Quelle devrait-être l’allocation des actifs pour aboutir à une rentabilité attendue de 10
%?
d. Quelle devrait être l’allocation des actifs pour aboutir à une rentabilité attendue de 20
%?
e. Déterminez l’équation donnant la relation entre la volatilité du portefeuille et la
proportion investie en actions.
f. Quel serait le risque du portefeuille trouvé à la question d ?
g. Déterminez l’équation donnant la relation entre la rentabilité attendue du portefeuille et
sa volatilité.
b. Cas de deux actifs risqués et d’un actif sans risque
Considérons le cas d’un portefeuille composé de deux actifs risqués A et B et d’un actif sans
risque. La frontière efficiente est construite en deux étapes (voir graphique): premièrement, on
détermine la frontière efficiente des portefeuilles composés uniquement d’actifs risqués
deuxièmement, on combine l’actif sans risque avec le portefeuille obtenu à la 1 ère étape, de
façon à obtenir une frontière efficiente la plus élevée possible afin de maximiser la rentabilité
espérée pour un risque donné.
Figure 3 : Couple risque-rentabilité pour un portefeuille constitué deux actifs risqués et d’un
actif sans risque
12
La position la plus haute possible est obtenue au point T. Tous les investisseurs choisiront ce
portefeuille appelé portefeuille tangent. L’investisseur cherche à cet effet à maximiser le ratio
de Sharpe de son portefeuille en résolvant le programme suivant :
μR − R f
Max
σR
μT = αA μA + αB μB
S/C {σT = α2A σ2A + α2B σ2B + 2αA αB σAB
2
αA + αB = 1
La solution du problème est donnée par :
(μA − R f )σ2B − (μB − R f ) σAB

αTA =
(μB − R f )σ2A + (μA − R f )σ2B − (μA + μB − 2R f ) σAB
Et
αTB = 1 − α∗A
Le choix de l’investisseur dépendra au final de son degré d’aversion au risque ; s’il est très
risquophobe, son portefeuille comportera une grande proportion d’actif sans risque (par
exemple des obligations ou des actifs monétaires) et une petite proportion d’actifs risqués (par
exemple des actions).
13
Chapitre 2 : Couverture des risques financiers : les options
I. Définition
Une option est un contrat conférant à l’acheteur le droit et non l’obligation d’acheter ou de
vendre un bien déterminer (appeler sous-jacent), donc les caractéristiques sont définies avec
précision (montant, quantité, …), à une date et à un prix convenus à l’avance dans le contrat.
Ce bien peut être une marchandise, une action, une obligation… Une option est négociable en
bourse.
L’option donnant le droit d’acheter est appeler option d’achat (ou Call) et l’option donnant le
droit de vendre est appeler option de vente (ou Put). Le prix fixé dans le contrat qui est celui
auquel l’option peut s’exercer s’appelle prix d’exercice (ou Strike Price). Le vendeur de
l’option est tenu de se conformer à la décision de l’acheteur. En revanche, au moment de la
conclusion du contrat, il reçoit une prime (ou prix de l’option) qui lui reste acquise que
l’acheteur décide ou non d’exercer l’option.
Une option peut être européenne ou américaine (rappelons qu’il existe d’autres mais ce sont les
deux principales catégories). Une option est dite européenne si elle ne peut être exercée qu’à
l’échéance, tandis qu’une option est américaine si elle peut être exercée à tout moment jusqu’à
l’échéance.
Un contrat d’option doit donc comporter tous les éléments suivants :
- L’actif de base ou sous-jacent doit être spécifié et ses caractéristiques doivent être
précisées (qualité, poids, …).
- Le prix d’exercice
- Le moment d’exercice (option Européenne ou Américaine)
- La prime.
II. Cash-flows associés à une option
À la conclusion du contrat, l’acquéreur paie à sa contrepartie une prime reflétant la valeur de

l’option (le prix d’achat est noté C pour un call et P pour un put). À l’échéance, il choisit ou
non d’exercer son option en fonction des conditions de marché (le prix du sous-jacent).
1. Valeur et profit à l’échéance d’un call européen
14
Soit 𝑆𝑇 la valeur du sous-jacent à l’échéance T et 𝑃𝑒 le prix d’exercice. Le tableau suivant

présente la valeur et le profit à l’échéance d’un call européen.
Acheteur Vendeur
A la conclusion du −𝐶 𝐶
contrat
A l’échéance Si 𝑆𝑇 < 𝑃𝑒 Si 𝑆𝑇 > 𝑃𝑒 Si 𝑆𝑇 < 𝑃𝑒 Si 𝑆𝑇 > 𝑃𝑒
Décision Ne pas exercer Exercer − −
Valeur 0 𝑆𝑇 − 𝑃𝑒 0 −(𝑆𝑇 − 𝑃𝑒 )
Profit −𝐶 𝑆𝑇 − 𝑃𝑒 − 𝐶 𝐶 −(𝑆𝑇 − 𝑃𝑒 − 𝐶)
La valeur du Call peut encore s’écrire : 𝑪 = 𝐦𝐚𝐱(𝟎, 𝑺𝑻 − 𝑃𝑒 )
Les figures suivantes représentent les profils de gains de l’achat et de la vente d’un Call
européen.
Figure 1 : Profil de gain de l’achat d’un call
NB : Acheter un Call (c’est-à-dire acheter le droit d’acheter) sur un actif signifie que
l’investisseur anticipe une hausse du prix de cet actif. Il sera gagnant si au plus tard le jour de
l’échéance de l’option, le prix de l’actif support (prix du marché) dépasse le prix d’exercice
majoré de la prime.
15
Figure 2 : Profil de gain de la vente d’une option d’achat
NB : Dans ce cas, l’investisseur vend le droit d’acheter, il parie sur une très faible baisse du
prix de l’actif sous-jacent. Il trouve son compte en encaissant la prime que lui versera l’acheteur,
qui, lui avait parié sur des fluctuations très fortes.
2. Valeur et profit à l’échéance d’un Put européen
On considère toujours 𝑆𝑇 comme la valeur du sous-jacent à l’échéance T et 𝑃𝑒 le prix d’exercice.

Le tableau suivant présente la valeur et le profit à l’échéance d’un Put européen.
Acheteur Vendeur
A la conclusion du −𝑃 𝑃
contrat
A l’échéance Si 𝑆𝑇 < 𝑃𝑒 Si 𝑆𝑇 > 𝑃𝑒 Si 𝑆𝑇 < 𝑃𝑒 Si 𝑆𝑇 > 𝑃𝑒
Décision Exercer Ne pas exercer − −
Valeur 𝑃𝑒 − 𝑆𝑇 0 −(𝑃𝑒 − 𝑆𝑇 ) 0
Profit 𝑃𝑒 − 𝑆𝑇 − 𝑃 −𝑃 −(𝑃𝑒 − 𝑆𝑇 − 𝑃) 𝑃
La valeur du Put peut encore s’écrire : 𝑷 = 𝐦𝐚𝐱(𝟎, 𝑃𝑒 − 𝑺𝑻 )
Les figures suivantes représentent les profils de gains de l’achat et de la vente d’un Put
européen.
16
Figure 3 : Profil de gain d’achat d’un put
NB : Acheter un Put c’est acheter le droit de vendre un actif. Dans ce cas, l’investisseur anticipe
une forte baisse de l’actif.
Figure 4 : Profil de gain de la vente d’un Put
NB: En vendant le droit de vendre, l’investisseur anticipe une très faible hausse du prix du sous-
jacent. Si son gain est limité au montant de la prime, sa perte potentielle est illimitée. La figure
suivante résume son profil de gain.
III. La mécanique des contrats d’option

1. Le déroulement du contrat
Supposons que vous achetez un call pour le 20 septembre portant sur 100 actions Motorola au
prix de 12,80. Le prix d’exercice est fixe à 100. A l’achat vous déboursez 1 00 × 12,80 =
1280. A l’echeance le 20septembre l’action vaut 110 sur le marché. Dans ce cas il est
17
avantageux d’exercer : vous payer alors 100 × 100 = 10 000 et recevez 100 actions Motorola
(au lieu de 100 × 110 = 11 000 sur le marché). Si le prix de l’action avait été seulement de 95
sur le marché vous n’auriez pas évidemment exercé l’option préférant acheter directement sur
le marché.
Si le prix sous-jacent est à un instant donné supérieur au prix d’exercice un call est dit en dedans
(in the money) car un exercice immédiat est avantageux. Alternativement un call est dit en
dehors (out the money) si le prix du sous-jacent est inférieur au prix d’exercice. La situation
est inverse pour le put. L’option est à parité (at the money) si les deux prix sont égaux.
2. Principe d’arbitrage
C’est la possibilité de réaliser un gain certain, sans engagement net de fonds propres, à l’aide
d’opérations d’achat et de vente sur des marchés ou sont apparues momentanément des
incohérences de prix. Une telle éventualité est qualifiée d’opportunité d’arbitrage. Pour fixer
les idées considérons l’exemple suivant. Supposons que dans notre économie existent deux
actifs risques 𝐴1 et 𝐴2 et un actif sans risque 𝐵. Supposons également qu’il n’existe que deux
états possibles de l’économie : conjoncture haute (H) et conjoncture basse (L) :
Revenus
Actifs Prix courants
H L
𝐴1 USD 100 0 USD 40
𝐴2 0 USD 100 USD 40
𝐵 USD 50 USD 50 USD 43
On peut remarquer qu’il existe une opportunité d’arbitrage. En effet, on peut obtenir le flux de
revenu de 𝐵 en combinant 𝐴1 et 𝐴2 . Plus précisément en vendant deux unités de 𝐵 et en
achetant une unité de 𝐴1 et une unité de 𝐴2 on réalise un produit un profit sans risque égal à
USD 6. En vendant deux 𝐵 on encaisse 2 × 43 = 𝑈𝑆𝐷 86 ce qui permettra d’acheter 𝐴1 et 𝐴2 .
Ainsi un prix viable de tout actif financier ne doit pas permettre des possibilités d’arbitrage.
Nous avons alors les deux règles suivantes :
 Lorsqu’un actif procure des revenus plus élevés qu’un autre, il doit avoir un prix plus
grand ;
 Lorsque deux actifs procurent des revenus égaux ils doivent avoir le même prix ;
Si ces deux règles n’étaient pas vérifiées, il serait possible de réaliser un profit immédiat sans
risque appelé profit d’arbitrage en achetant l’un, le moins cher, et en vendant l’autre (un peu
18
ce qu’on a vu en parlant de bornes d’arbitrage). Or du fait de l’hypothèse d’efficience des

marchés financiers cela ne peut être possible.
En effet, un marché en équilibre ou chaque investisseur cherche à profiter des occasions de gain
ne laisse pas subsister des possibilités d’arbitrage.
IV. Les déterminants de la valeur d’une option et le principe de base de l’évaluation
d’une option
1. Les déterminants de la valeur d’une option
La valeur de l’option va dépendre de celle du sous-jacent. C’est pourquoi l’option est souvent
qualifiée d’actif conditionnel ou dérive. Pour l’expose nous prendrons l’exemple sur le call, le
raisonnement étant inverse pour le put.
- Le prix du sous-jacent
La valeur d’un call est une fonction croissante du prix de l’actif sous-jacent. En effet lorsque ce
dernier augmente il devient plus vraisemblable qu’il pourra à nouveau augmenter rendant
l’exercice de l’option profitable.
- Le prix d’exercice
Plus le prix d’exercice est élevé, plus faible sera la probabilité que le call soit in the money, ce
qui réduit l’intérêt de l’option. La relation est donc l’inverse ici.
- La variabilité du prix du sous-jacent
Une plus grande variabilité implique une plus grande probabilité que chaque option soit
exercée. Ce qui accroit l’intérêt de l’option et donc sa valeur.
- La date d’exercice
Plus le temps à courir avant l’échéance augmente, plus la valeur de l’option augmente aussi
puisque la probabilité que l’option soit exercée est plus grande.
- Le taux d’intérêt
L’achat d’un call exige moins de fonds que l’achat ferme du sous -jacent. Les ressources ainsi
épargnées pourront être réinvesties dans l’actif sans risque (des bons ou des obligations du
trésor par exemple) jusqu’à la date d’exercice. Les investisseurs seront donc prêts à payer pour
le call une prime d’autant plus importante que le taux sans risque est élevé.
2. Principe de base de l’évaluation d’une option
19
La méthodologie traditionnelle pour évaluer une option consiste d’abord à déterminer la valeur
d’un call et de déduire la valeur du put par le biais d’une relation liant le prix du call au prix du
put appelée parité put-call.
Pour établir cette relation supposons, par exemple, qu’un investisseur choisisse entre deux
stratégies :
 La première consiste à acheter du sous-jacent et un put sur ce sous-jacent.
 La seconde consiste à acheter un call sur le sous-jacent et à placer la valeur actuelle de
la prime au taux d’intérêt sans risque.
Désignons par 𝑃𝑒 le prix d’exercice de l’option, 𝐶 le prix du call, 𝑃 le prix du put, 𝑆 la valeur
actuelle du sous-jacent et 𝑆 ∗ sa valeur à l’expiration de l’option, 𝑟 le taux d’intérêt sans risque
pour la période. Si le sous-jacent ne procure pas de revenu on a le tableau des flux ci-dessous :
Valeur à l'expiration
Période courante ∗
Si 𝑺 ≤ 𝑷𝒆 Si 𝑺∗ > 𝑷𝒆
Achat sous-jacent −𝑆 𝑆∗ 𝑆∗
Stratégie 1
Achat put −𝑃 𝑃𝑒 − 𝑆 ∗ 0
∗
Achat call −𝐶 0 𝑆 − 𝑃𝑒
Stratégie 2 −𝑃𝑒
Placement 1+𝑟
𝑃𝑒 𝑃𝑒
Stratégie 1 −𝑆 − 𝑃 𝑃𝑒 𝑆∗
Coût total 𝑃
Stratégie 2 −𝐶 − 1+𝑟𝑒
𝑃𝑒 𝑆∗
On voit que les deux stratégies ont la même valeur finale. Ces deux investissements doivent
avoir, d’après le principe de l’arbitrage, la même valeur actuelle et donc le même prix :
𝑷𝒆
−𝑺 − 𝑷 = −𝑪 −
𝟏+𝒓
𝒆 𝑷
D’où la relation de parité put-call : 𝑪 − 𝑷 = 𝑺 − 𝟏+𝒓
Si le temps est continu la relation devient : 𝑪 − 𝑷 = 𝑺 − 𝒆−𝒓𝑻 𝑷𝒆

Ou 𝑇 est l’échéance de l’option.
III. Valorisation des options : modèle binomial
1. Modèle binomial à une période

Les options ne peuvent être évaluées en suivant la démarche classique d’actualisation de la
valeur future attendue sur la base d’un taux d’actualisation qui reflète le risque. En effet, comme
le montrent les figures 1, 2, 3 et 4, la relation entre la valeur d’une option et le prix du sous-
jacent est non linéaire. Il en résulte que le risque de l’option varie au cours du temps et que la
20
prime de risque est variable. L’évaluation des options nécessite donc une autre approche.
Chaque méthode d’évaluation d’options repose sur un modèle de l’évolution du prix de l’actif
sous-jacent. Le modèle le plus simple est le modèle binomial qui suppose qu’au cours d’une
période (aussi nommée pas), la valeur de l’action ne peut évoluer que dans deux directions :
hausse (« up ») ou baisse (« down »). Notons la valeur de l’action 𝒖𝑺 en cas de hausse et 𝒅𝑺
en cas de baisse. Les paramètres 𝒖 et 𝒅 s’interprètent comme des facteurs d’accroissements
(exprimer comme 1+le taux d’accroissement du prix) ou encore des rentabilités brutes en cas
de hausse et de baisse respectivement.
NB : 𝒅 en réalité ne correspond pas nécessairement à une baisse puisque la seule condition
requise concernant d est : 𝒅 < (𝟏 + 𝒓𝒇 ).
On obtient donc le schéma suivant pour l’évolution du prix de l’action :
Figure 5 : Evolution du prix du sous-jacent
On suppose que l’investisseur à accès à un marché financier parfait ou l’on peut prêter ou
emprunter à un taux sans risque 𝒓𝒇 sur la même période. Donc pour éliminer toute forme
d’arbitrage, nous supposerons l’inégalité suivante vérifiée :
𝒅 < (𝟏 + 𝒓𝒇 ) < 𝒖
Considérons une option Call de prix d’exercice 𝑃𝑒 . Dans le cas où le prix de l’action connait
une hausse, le payoff de l’option est égale à :
𝑪𝒖𝟏 = 𝐦𝐚𝐱(𝟎, 𝒖𝑺 − 𝑃𝑒 )
Dans le cas d’une baisse, le payoff est égale à :
𝑪𝒅𝟏 = 𝐦𝐚𝐱(𝟎, 𝒅𝑺 − 𝑃𝑒 )
Le prix du Call (C) évolue de la même façon que celui du sous-jacent d’après la figure suivante :
Figure 6 : Evolution de la valeur du portefeuille
21
Il est question pour nous dans ce cas de déterminer le prix de l’option C. pour répondre à cette
question, il convient d’adopter un raisonnement par arbitrage. Supposons qu’au lieu d’acheter
une option, un individu puisse former un portefeuille composé de ∆ 𝐮𝐧𝐢𝐭é𝐬 du sous-jacent et
d’un actif sans risque 𝐁. L’évolution de ce portefeuille obéit au même processus binomial
illustré par le graphique suivant :
Figure 7 : Evolution de la valeur du portefeuille
NB : On peut vérifier que le delta (∆) d’un call est positif (il faut acheter des actions pour
répliquer un call) et que le delta d’un put est négatif (il faut vendre les actions à découvert pour
répliquer un put). En revanche, la position dans l’actif sans risque B est négative pour un call
(un emprunt) et positive pour un put (un placement) :
- Pour un Call : ∆> 0 et B < 0

- Pour un Put : ∆< 0 et B > 0
Sous la condition d’absence d’opportunité d’arbitrage, la valeur de l’option doit être égale à
celle du portefeuille qui le réplique. Par conséquent, nous avons :
∆uS + BR f = C1u
{
∆dS + BR f = C1d
La résolution de ce système donne :
22
C1u − C1d dC1u − uC1d

∆= et B =
(u − d)S (u − d)R f
La valeur du Call peut être estimée comme suit :
C = ∆S + B en remplacant ∆et B par leur valeur, on obtient:
1 Rf − 𝑑 u u − Rf d
C= ( C + C )
Rf 𝑢 − 𝑑 1 𝑢 − 𝑑 1
NB : pour l’évaluation du Put, on remplace C dans les formules précédentes par P.
On constate que la valeur de l’option est indépendante de la probabilité p. ∆ est appeler le delta
de l’option. Il mesure la variation unitaire du prix de l’option suite à une variation unitaire du
prix du sous-jacent. Il est également connu sous le nom de ratio de couverture. En effet, il nous
indique le nombre d’actif sous-jacent à détenir pour couvrir la vente d’un Call ou l’achat d’un
Put.
On peut encore écrire :
1
C= (pC1u + (1 − p)C1d )
Rf
Avec 𝐩 compris entre 0 et 1qui s’interprète comme la probabilité d’une hausse du cours de
l’action dans un monde caractérisé par la neutralité à l’égard du risque. Il est appelée «
probabilité risque neutre ».
𝑹𝒇 − d u − 𝑹𝒇
p= et 1−p =
u−d u−d
Exemple 1 : (Evaluation du prix d’un Call sur la base d’un modèle binomial)
Soit un Call donc le prix d’exercice est égal à 100. Le prix du titre sous-jacent est aujourd’hui
de 105 et peut augmenter ou baisser de 5%. Quelle est la valeur de ce Call s’il lui reste une
période à vivre et si le taux d’intérêt sans risque est estimé égale à 5%.
Exemple 2 : (Evaluation du prix d’un Call et d’un Put sur la base d’un modèle binomial)
23
Le dirigeant d’une compagnie d’assurance a décidé d’investir dans des produits financiers
moins traditionnels : les actifs dérivés. Il reçoit la proposition suivante : un call européen sur
l’action X avec une échéance d’un an et un prix d’exercice de 190. Actuellement, cette action
vaut 200. L’année prochaine, le prix de l’action peut soit doubler (avec une probabilité de 70
%) soit diminuer de moitié (avec une probabilité de 30 %). Le taux (linéaire) sans risque est de
4 %.
a. À quel prix, sur la base d’un modèle binomial avec pas d’un an, ce dirigeant peut-il
acheter le call à l’échéance ?
b. Quel portefeuille pourrait-on créer pour répliquer le comportement du call ?
Ce dirigeant pourrait également acheter un put européen (même sous-jacent, même échéance et
même prix d’exercice).
c. Sur la base d’un modèle binomial avec pas d’un an, quel serait le prix du put ?
d. Vérifiez ce résultat en recourant à un calcul fondé sur l’actualisation dans un monde
neutre au risque.
e. Vérifiez ce résultat en recourant à la parité put-call.
2. Extension du modèle binomial à plusieurs périodes

a. Modèle binomial à 2 périodes
Le modèle binomial peut également être étendu à plus d’une période. La figure suivante en
donne une illustration pour n = 2.
Figure 8 : Arbre binomial à 2 périodes
24
Remarquons que :
- L’arbre binomial se recombine : une hausse suivie d’une baisse conduit à la même
valeur qu’une baisse suivie d’une hausse (𝑢𝑑 = 𝑑𝑢) lorsque les taux de croissance et
de décroissance sont identiques.
- L’évolution du cours pendant une période est indépendante de son évolution lors des
périodes précédentes : la probabilité risque neutre de deux hausses successives est, par
exemple, 𝑝2 .
La suite du calcul dépend du type d’option. Pour une option européenne par exemple qui ne
peut être exercée avant l’échéance, la valeur de l’option peut être calculée de deux manières :
- En actualisant l’espérance risque neutre au taux d’intérêt sans risque
1 2 𝑢𝑢
C= [𝑝 𝐶2 + 2𝑝(1 − 𝑝)C2𝑢𝑑 + (1 − 𝑝)2 𝐶2𝑑𝑑 ]
𝑅𝑓2
- En « remontant » d’une période (t = n − 1) et en analysant chaque nœud de l’arbre de la

même manière que pour le cas à une seule période. La procédure est itérée jusqu’au
retour à la période t = 0. Par exemple, pour n = 2, cela conduit aux calculs suivants :
1
C= [𝑝𝐶1𝑢 + (1 − 𝑝)𝐶1𝑑 ]
𝑅𝑓
Avec
1 1
𝐶𝑢 = [𝑝𝐶2𝑢𝑢 + (1 − 𝑝)𝐶2𝑑𝑑 ] et 𝐶𝑑 = [𝑝𝐶2𝑢𝑢 + (1 − 𝑝)𝐶2𝑑𝑑 ]
𝑅𝑓 𝑅𝑓
Exemple 3 : (Evaluation du prix d’un Call sur la base d’un modèle binomial à deux périodes)
Vous êtes manageur dans une compagnie d’assurance, vous avez entendu parler d’une société
au capital de représenté par 1 000 actions valant chacune 5 000F. En un an, leur prix peut soit
augmenter de 20 % (avec une probabilité de 85 %), soit diminuer de 16,7 % (avec une
probabilité de 15 %). Le taux sans risque est de 7 %. La société ne verse pas de dividendes.
1. Que vaut un call européen à échéance de deux ans, de prix d’exercice 4 500 F, sur cette
action ? (déterminer de deux façons différentes).
2. Comment pouvez-vous répliquer cette option ?
b. Modèle binomial à n périodes
25
Le modèle binomial peut également être généralisé sur n périodes. La figure suivante en donne
une illustration pour.
Figure 8 : Arbre binomial à n périodes
26
Chapitre 3 : Le Modèle de regression lineaire

La régression est un des méthodes les plus connues et les plus appliquées en statistique
pour l’analyse de données quantitatives. Elle est utilisée pour établir une liaison entre
une variable quantitative et une ou plusieurs autres variables quantitatives, sous la
forme d’un modèle. Si on s’intéresse à la relation entre deux variables, on parlera de
régression simple en exprimant une variable en fonction de l’autre. Si la relation porte
entre une variable et plusieurs autres variables, on parlera de régression multiple. La
mise en œuvre d’une régression impose l’existence d’une relation de cause à effet
entre les variables prises en compte dans le modèle. Considérons un couple de
variables quantitatives (X ; Y). S’il existe une liaison entre ces deux variables, la
connaissance de la valeur prise par X change notre incertitude concernant la
réalisation de Y . Si l’on admet qu’il existe une relation de cause à effet entre
X (variable explicative) et Y (variable à expliquer), le phénomène aléatoire
représenté par X peut donc servir à prédire celui représenté par Y et la liaison s’écrit
sous la forme y = f(x). On dit que l’on fait de la régression de y sur x. Dans les
cas les plus fréquents, on choisit l’ensemble des fonctions affines (du type f(x) =
ax + b ou f(x1 , x 2 , … , x p ) = a0 + a1 x1 + ⋯ + ap x p ) et on parle alors de
régression linéaire. Dans le contexte de la gestion des risques en assurance, la
régression la linaire est utile dans les cas suivant :
- La prévision des sinistres : elle permet d’estimer les pertes financières

engendrées par les variables telles que l’Age, le sexe….Cette estimation permet
à l’assureur d’évaluer le risque afin de mieux tarifer le produit.
- Détermination des primes : une analyse de la relation entre les caractéristiques

de l’assuré et les sinistres passés permet à l’assureur d’ajuster les primes lors de
la tarification en prenant en compte le véritable niveau de risque de l’assuré.
- Optimisation des réserves : à travers la régression linéaire, l’assureur peut estimer

les réserves nécessaires pour couvrir les risques futurs afin d’éviter une sous-
réservation ou une sur-réservation.
- Une meilleure gestion des actifs de la compagnie : une régression linéaire simple
permet d’analyser la relation entre le risque et la rentabilité d’un actif afin d’optimiser
la gestion du portefeuille d’investissement de la compagnie.
27
-
I. Modèle de régression simple
Soit un échantillon de n individus. Pour un individu i{i = 1, … , n}, , on a observé
– yi la valeur de la variable quantitative y,
– xi la valeur de la variable quantitative x.
On veut étudier la relation entre ces deux variables, et en particulier, l’effet de
x (variable explicative) sur y (à expliquer). Dans un premier temps, on peut représenter
graphiquement cette relation en traçant le nuage des n points de coordonnées (xi ; yi ).
Dans le cas où le nuage de points est de forme “linéaire”, on cherchera à ajuster ce

nuage de points par une droite.
La relation entre yi et xi s’écrit alors sous la forme d’un modèle de régression linéaire
simple :
y = β0 + β1 x+𝑒i ∀i = {1, … , n}
Où ei est une réalisation de Ei ~N(0, σ2 ), et les n v.a. Ei sont indépendantes.

La première partie du modèle β0 + β1 xi représente la moyenne de yi sachant xi, et la
seconde partie ei, la différence entre cette moyenne et la valeur observée yi. Le nuage de
points est résumé par la droite d’équation y = β0 + β1 x.
Pour un xi donné, correspondent donc yi (la valeur observée) et β0 + β1xi (la valeur
prédite) par la droite.
II. Modèle de régression multiple

On dispose d’un échantillon de n individus pour chacun desquels on a observé
– yi , la valeur de la variable y quantitative.
p p
– x1i , … , xi , les valeurs de p autres variable quantitatives x1i , … , xi ,
pour i = {1, … , n}
p
On veut expliquer une variable quantitative y par p variables quantitative x1i , … , xi .
p
Le modèle s’écrit : yi = β0 + β1 x1i + ⋯ + βp xi + ei , ∀i = {1, … , n}
Ou ei est une réalisation de Ei ~N(0, σ2 ) et ou les n v.a. Ei sont indépendantes.
III. Estimation des paramètres et test du modèle de régression linéaire

1. Modèle de régression linéaire simple
a. Estimation des paramètres
28
Dans le cas d’une régression linéaire simple sous la forme: yi = b + axi + εi , on peut estimer
a et b en utilisant aussi les formules suivantes :
cov(x, y)
â = et b̂ = y̅ − âx̅
var(x)
NB : â est une estimation de a et b̂ est une estimation de b.
La variance de l’erreur ainsi que celles des paramètres a et b sont estimées a partir des
formules suivantes.
Variance de l’erreur
n 2
̂2 = ∑i=1(ê)
σ
i
avec êi = yi − ŷi et ŷi = b̂ + âxi
ε̂
n−2
Variance du paramètre a et b
̂2ε
σ ̂2ε
σ
̂2 =
σ =
â
∑(Xt − X)2 n𝜎𝑥2
̂2 ̂2
1 𝑋̅ 2 ̂2
1 𝑋̅ 2
σb̂ = σε ( + ) = σε ( + 2 )
𝑛 ∑(X − X)2 𝑛 n𝜎𝑥
t
b. Coefficient de corrélation linéaire

Il permet d’apprécier l’intensité et la direction de la relation entre deux variables : il est
donné par la formule suivante :
Cov(xy)
rxy =
σx σy
c. Test de significativité du coefficient de corrélation (𝐇𝟎 : 𝐫𝐱𝐲 = 𝟎)
Statistique du test :
|𝜌𝑥𝑦 |
𝑡∗ = ~𝑇𝑛−2
2
√1 − 𝜌𝑥𝑦
𝑛−2
Règle de décision :
- Si 𝑡 ∗ ≥ 𝑇𝑛−2 (lu) alors on rejette H0 , et on conclut que le coefficient 𝐫𝐱𝐲 est

statistiquement significatif.
- Si𝑡 ∗ < 𝑇𝑛−2 (lu) alors on accepte H0 et on conclut que le coefficient 𝐫𝐱𝐲 n’est pas
d. Test de nullité du paramètre a (𝐇𝟏 : 𝐚 = 𝟎)
29
â − a
t cal =
σ
̂â
(n−2)
- Si |t cal | ≥ t α (lu) alors on rejette H0 , et on conclut que le coefficient a est
2
(n−2)
- Si |t cal | < t α (lu) alors on accepte H0 et on conclut que le coefficient a n’est pas
2
e. Test de nullité du paramètre b (𝐇𝟏 : 𝐛 = 𝟎)
b̂ − b
t cal =
σ̂b̂
(n−2)
- Si |t cal | ≥ t α (lu) alors on rejette H0 , et on conclut que le coefficient b est
2
(n−2)
- Si |t cal | < t α (lu) alors on accepte H0 et on conclut que le coefficient b n’est pas
2
f. Validité du modèle : Analyse de la variance

Les sommes suivantes SCT, SCR et SCE ont pour degré de liberté respectifs
n − 1, 1 et n − 2. La valeur critique de Fischer est donnée par :
SCE
FCal = 1 ~Fα
(1,n−2)
SCR 2
n−2
On peut avoir tableau d’analyse de la variance ci-après :
Source de la Somme des carrée Degré Moyenne des F calculé
variance de carrée
liberté
n SCE MCreg
Régression 1
SCE = ∑(ŷt − y̅)2 MCreg = 𝐹𝐶𝑎𝑙 =
1 MCrés
i=1
30
n n SCR
Résiduelle n-2
SCR = ∑(𝑦𝑡 − ŷt )2 = ∑(ê) 2 MCrés =
i n−2
i=1 i=1
n
Totale n-1
SCT = ∑(yi − y̅)2
i=1
(1, n−2)
- Si Fcalculé ≥ Fα (lu) alors on rejette H0 , c’est-à-dire que le modèle est
2
globalement significatif.
(1, n−2)
- Si Fcalculé < Fα (lu) alors on accepte H0 , c’est-à-dire que le modèle n’est
2
pas globalement significatif.
g. Intervalle de confiance du paramètre β1

L’intervalle de confiance du paramètre β1 au risque α (ou au niveau de confiance 1 − α)
est de la forme :
𝛼⁄
̂j ± 𝜎̂
IC1−α (βj ) = [β 2
̂ × 𝑡 2
]
𝛽 𝑛−2
1
Exemple 1: Une compagnie d’assurance souhaite établir un modèle pour prédire les gains liés
à la commercialisation d’un produit en fonction des coûts lié à sa conception. L’analyse des
données recueillis sur les 10 dernier mois à conduit au modèle linéaire suivant :
𝑦𝑡 = 𝛽0 + 𝛽1 𝑥𝑡 + 𝜀𝑡
Sachant que
10 10
̂
β1 = 1,701, ̂ ̅ )2 = 77,1 ,
β0 = 4,611, ∑(𝑌𝑖 − 𝑌 ̅ )2 = 46.949,
̂𝑖 − 𝑌
∑(𝑌
𝑡=1 𝑡=1
10
𝛼⁄
̂𝑖 )2 = 30.150 ,
∑(𝑌𝑖 − 𝑌 𝜎𝑥2 = 1.622, 𝑡8 2
= 2.306 et 𝐹𝛼(1,8) = 5.32
𝑡=1
On vous demande de :
̂0 𝑒𝑡 β
1. Estimer la variance résiduelle et les écart-types de β ̂1 .
2. Canceler le coefficient de correlation linéaire, est-il significativement different
de 0?
31
3. Peut-on dire avec un risque de 5% que le coefficient β1 n’est pas signicatif ?

4. Donner un intervalle de confiance de β1 à 95% et interpreter le résultat.
5. Calculer SCT, SCR, SCE et R2 puis conclure.
2. Régression linéaire multiple

a. Estimation des paramètres
Dans le cas d’une régression linéaire multiple, il convient de mettre le modèle sous
forme matricielle en précisant le format de chaque matrice. Les paramètres du modèle
sont estimés par ̂
βj .
β̂j = (X ′ X)−1 X ′ Y
p j
̂0 + ∑ β̂j ∗ x . La différence
La valeur ajustéê
yi de l’observation yi est donnée par : ŷi = β j=1 i
entre cette valeur ajustée et la valeur observée représente la valeur résiduelle ̂.

ei Elle est donnée
par : êi = yi − ŷi . Cette valeur résiduelle sert de base pour l’estimation de la variance σ2 .
∑ni=1(ê)
i
2
̂2 =
σ
n−p−1
Estimation de la variance des coefficients de régression
𝜎̂
2 ̂2 ′ −1
̂ = 𝜎𝜀 (X X)
𝛽𝑗
Ce produit donne une matrice carrée, les variances des coefficients de régression se
trouvent sur la diagonale principale.
La variance empirique de y (SCT) présentes deux composantes : la variance expliquée par

le modèle (SCR) et la variance résiduelle (SCE).
- SCT = ∑ni=1(yi − y̅)2 est la somme totale des carrés corrigés de y (il s’agit de la variance
expliquée et non expliquée par le modèle).
- SCE = ∑ni=1(ŷi − y̅)2 est la somme des carrés expliquée par le modèle (il s’agit de la
variance expliquée par les variables explicatives du modèle).
- SCR = ∑ni=1(ê)
i
2
est la somme des carrés des résidus (il s’agit de la partie de la variance
qui n’est pas expliquée par le modèle ou encore expliqué par d’autres variables non
prises en compte dans le modèle).
32
NB : cette décomposition permet d’évaluer la qualité de l’ajustement du modèle et de comprendre quel pourcentage de
la variance du modèle est expliqué par les variables indépendantes du modèle. Un ajustement linéaire est de bonne qualité
lorsque la part de la variance non expliquée est faible.
b. Le coefficient de determination 𝐑𝟐
On déduit de cette décomposition le coefficient de détermination R2 qui mesure la

proportion de la variance expliquée par la régression. Il est égal au rapport de la variance
effectivement expliquée sur la variance à expliquer :
SCE SCR
R2 = =1− 0 ≤ R2 ≤ 1
SCT SCT
c. Tests d’hypothèses et intervalles de confiance

- Tests d’hypothèses
Les tests d’hypothèses sont les tests effectués sur les paramètres du modèle de régression.
Ils permettent d’évaluer la solidité de la relation entre les variables du modèle, de
sélectionner les variables pertinentes et de valider la pertinence et la fiabilité du modèle
dans la prédiction de la variable dépendante.
 Test de nullité d’un paramètre du modèle

On étudie l’effet de la présence d’une variable explicative X j dans le modele en testant
l’hypothèse nulle. Il s’agit ici de tester si un coefficient du modèle est significativement nulle.
H0 ∶ β j = 0
βj Représente le paramètre associe à la variable explicative X j . L’hypothèse H0 de nullite d’un

paramètre du modèle peut être testée au moyen de la statistique de student.
β̂j − βj
t calculé = ~Student(n − p − 1)
𝜎̂̂j
β
Le t calculé est un score calculé à partir des données de l’échantillon. Il mesure à quel point
l’estimation du coefficient est éloignée de zéro. Le coefficient est d’autant plus significatif que
le t calculé est éloigné de zéro. Cependant, il existe un seuil (t lu) en dessous duquel le coefficient
n’est pas signification compte tenu d’un niveau de risque donné.
33
(n−p−1)
- Si |t cal | ≥ t α (lu) alors on rejette H0 , et on conclut que le coefficient est
2
(n−p−1)
- Si |t cal | < t α (lu) alors on accepte H0 et on conclut que le coefficient n’est pas
2
Nb : Le t lu dépend du niveau de confiance (1 − 𝛼) choisi et du degré de liberté (n − p − 1).
 Test de nullité de quelques paramètres du modèle
Soit un modèle de référence à p variables explicatives. On veut étudier l’influence de

q variables explicatives (avec q ≤ p) sur la variable à expliquer. Cela revient à tester
l’hypothèse de nullité de q paramètres du modèle :
: 𝐇𝟎 ∶ 𝛃𝟏 = 𝛃𝟐 = ⋯ = 𝛃𝐪 = 𝟎 Avec q ≤ p
Sous l’hypothèse alternative, au moins un des paramètres 𝛃𝟏 , … , 𝛃𝐪 est non-nul.

Ce test peut être formulé comme la comparaison de deux modèles emboîtés, l’un à p+1
paramètres et l’autre à p + 1 − q paramètres :
p
yi = β0 + β1 x1i + ⋯ + βp xi + ei Sous H1
q+1 p
Versus yi = β0 + βq+1 xi + ⋯ + βp xi + ei sous H0
L’hypothèse H0 peut etre testée au moyen de la statistique de Fischer ci-après
SCR 0 − SCR1 n − p − 1
Fcalculé = ×
SCR1 q
Ou SCR 0 est la somme des carrés des résidus du modèle “réduit” sous H 0 et SCR1 est la
somme des carrés des résidus du modèle de référence.
(n−p−1)
- Si Fcalculé ≥ Fα (lu) alors on rejette H0 .
2
(n−p−1)
- Si Fcalculé < Fα (lu) alors on accepte H0 .
2
 Test de nullité de tous les paramètres du modèle (validité du modèle)
34
Tester l’hypothèse de nullité de tous les paramètres du modèle (associés aux variables
explicatives) revient à comparer la qualité d’ajustement du modèle de référence à celle
du modèle blanc.
H0 ∶ β1 = β2 = ⋯ = βp = 0
Cette hypothèse qu’aucune d e s p variables explicatives du modèle ne permet

d’expliquer Y. Dans ce cas, la somme des carrés des résidus (SCR) est égale à la somme
des carrés totale (SCT). Sous H0, le modèle s’écrit :
yi = β0 + ei Avec β̂0 = y̅
La statistique de Fisher permettant de tester la nullité des p paramètres du modèle peut
donc s’écrire :
R2 SCE
Fcalculé = k = k
1 − R2 SCR
n−k−1 n−k−1
(n−k−1)
- Si Fcalculé ≥ Fα (lu) alors on rejette H0 .
2
(n−k−1)
- Si Fcalculé < Fα (lu) alors on accepte H0 .
2
Le tableau d’analyse de la variance peut être présenté comme suit :

Source de la Somme des carrée Degré Moyenne des F calculé
variance de carrée
liberté
n SCE MCreg
Régression K
SCE = ∑(ŷt − y̅)2 MCreg = 𝐹𝐶𝑎𝑙 =
k MCrés
i=1
n n SCR
Résiduelle n-k-1
SCR = ∑(𝑦𝑡 − ŷt )2 = ∑(ê) 2 MCrés =
i n−k−1
i=1 i=1
n
Totale n-1
SCT = ∑(yi − y̅)2
i=1
h. Intervalle de confiance de 𝜷𝒋
L’intervalle de confiance donne une fourchette de valeur dans laquelle on peut
35
raisonnablement s’attendre à ce que le paramètre étudié se situe avec un niveau de

confiance donné. Par exemple : un intervalle de confiance de 99% signifie qu’on à 99%
de chances que la vrai valeur du paramètre étudié soit compris dans cet intervalle. En
d’autre terme, on à 1% de chance de se trompé en disant que le paramètre étudié
appartient à cet intervalle.
- L’intervalle de confiance du paramètre βj au risque α (ou au niveau de confiance 1

− α) est de la forme :
𝛼⁄
̂j ± 𝜎̂
IC1−α (βj ) = [β 2
× 𝑡 2
̂
𝛽𝑗 𝑛−𝑘−1 ]
Exemple 2 :
Une compagnie d’assurance souhaite prédire le montant de la prime en fonction de l’Age 𝑋1du
conducteur et du nombre de sinistre enregistré antérieurement 𝑋2. Le modèle retenu est le
suivant : yt = β0 + β1 x1t + β2 xt2 + εt
10,875 1,375 −2,375 5 5
X ′ X = ( 1,375 ̅ )2 = 86.8
0,3083 −0,4083) , ∑ 𝑒𝑡2 = 28.266 , ∑(𝑌𝑡 − 𝑌
−2,375 −0,4083 0,6083 𝑡=1 𝑡=1
α
α
t 22 = 4,3027 et F(2,2) = 19 pour α = 5%
1. Estimer les paramètres de ce modèle,

2. Calculer σ
̂ε̂ et en déduire les variances des coefficients de régression
(σ̂
̂0 , σ̂
β ̂1 𝑒𝑡 σ̂
β ̂2 ),
β
3. Tester les paramètres du modèle au seuil de 95%,

4. Trouver les intervalle de confiances de β0 , β1 𝑒𝑡 β2 au seuil de 95%,
5. Remplir le tableau suivant et faire un test de Fischer au seuil de 5%.
Variation Somme des Degré de liberté Carrées moyens

carrées
x1 , x 2
Résidu
Total
36
Chapitre 4 : Modèles stochastiques des risques

Contrairement à un phénomène déterministe qui relie une cause à un effet, un phénomène
stochastique résulte du hasard (aléa). Un tel phénomène est impossible à prévoir avec
exactitude. En d’autres termes, les mêmes causes ne produisent pas forcément les mêmes effets.
I. Définition d’un processus stochastique
Un processus stochastique est un modèle probabiliste permettant d’étudier un phénomène

aléatoire au cours du temps. Un processus stochastique est défini par :
 Un espace probabilisé (Ω, ℱ, Ρ)

 Un espace d’état (Ε; ξ) qui est un ensemble mesurable où Ε est l’ensemble où le
processus prend ses valeurs (E est l’espace des états du processus).
 Un espace de temps T.
- Lorsque T ⊆ ℕ, le processus est à temps discret

- Lorsque T ⊆ ℝ∗ , le processus est à temps continu
 Une collection ou une famille de variable aléatoire (Xt )t∈T définit sur (Ω, ℱ, Ρ) à valeur
dans (Ε; ξ).
II. Trajectoire d’un processus stochastique
Pour tout x dans X, l’application qui à tout t de T associe (Xt )t∈T est la trajectoire de x. On
appelle trajectoire d’un processus (𝐗 𝐭 )𝐭∈𝐓 associe à 𝛚 l’application
Xω : T → E
t → Xω (t) = Xt (ω)
{(t, Xt (ω)), t ∈ T}
III. Exemple de processus a temps discret : Le modèle binomial
X = (Xn )n∈T avec T ⊆ ℕ est un modèle binomial. Ici, connaissant la valeur de X à la période
actuelle, la valeur de X a la période future va augmenter (up) ou va diminuer (down) avec un
taux.
Pour définir le modèle binomial, il faut :
 X0 = valeur initiale
 u = taux d’augmentation
37
 𝑑 = taux de baisse
 𝑛 = nombre de période
1. Trajectoires d’un modèle binomial deux périodes
X 2uu X1u = X0 (1 + u)
X1u
X0 X 2ud X1d = X0 (1 − d)
X1d X 2du X2uu = X1u (1 + u)
X 2dd X2dd = X1d (1 − d)
Ici, le hasard vient du fait qu’à chaque période je m’attends soit à un « up » soit à un « down ».
Ω est l’ensemble des résultats possibles de ce qui génère du hasard.
2. Table des trajectoires d’un modèle binomial à 3 périodes
Pour un nombre de période égale à 3(X n )n∈{0,1,2,3} . L’ensemble des résultats possibles est :
Ω = {ω1 , , … . , ω8 } avec ω1 = uuu, ω2 = uud, … . , ω8 = ddd
ωi X2
X0 X1 X3
ω1 = uuu X0 X1u X 2uu X 3uuu
ω2 = uud X0 X1u X 2uu X 3uud
ω3 = udu X0 X1u X ud
2 X 3udu
ω4 = udd X0 X1u X ud
2 X 3udd
ω5 = duu X0 X1d X du
2 X 3duu
ω6 = dud X0 X1d X du
2 X 3dud
ω7 = ddu X0 X1d X 2dd X 3ddu
ω8 = ddd X0 X1d X 2dd X 3ddd
Ici, la trajectoire associée à ω6 est :
(0, X0 = X0 (ω6 ))
(1, X1 (ω6 ) = Xd1 )
(2, X2 (ω6 ) = Xdu

2 )
(3, X 3 (ω6 ) = Xdud

3 )
38
Exercice 1 : Aujourd’hui lundi, vous avez une UM dans votre tirelire. A partir de demain matin
et ce, tous les matins jusqu’à vendredi inclusivement, vous tirez à pile ou face pour savoir si
vous retirez une UM (si possible) de la tirelire (pile) ou si vous y en mettez une UM (face).
Modélisez l’évolution du contenu de la tirelire en répondant aux questions suivantes :
a. Quel est l’ensemble fondamental.

b. Définissez le processus stochastique que vous utilisez et donner en la signification.
Précisez une période de temps.
c. Quelle tribu utilisez-vous pour construire votre espace probabilisable.
d. Quelle est la distribution du contenu de la tirelire vendredi midi.
Exemple 2 : Le prix actuel d’une action est 8 UM. Pour chacune des deux années suivantes, ce
prix peut augmenter de 20% (avec la probabilité 40%) ou décroitre de 20% (avec la probabilité
60%).
a. Déterminer (Xn )n∈{0,1,2} le processus représentant le prix de cette action au cours des
deux années (on précisera l’univers Ω, la distribution de probabilité P, et le tableau des
trajectoires de S. On ajoutera une colonne au tableau pour les probabilités d’obtention
de ces résultats).
b. Représenter l’évolution du prix à l’aide d’un arbre.
c. Déterminer la probabilité que le prix de l’action soit compris entre 6 et 10 UM, soit
supérieure à 11UM.
d. Es ce que cette action peut doubler de prix, justifier votre réponse. Si oui, détermine la
probabilité que cela se réalise.
e. Déterminer l’Esperance de prix de cette action à la fin de la 2e année.
IV. Le mouvement brownien

Un processus stochastique représente l’évolution aléatoire d’une quantité X dans le temps. La
valeur Xt (ω) représente la quantité au temps t pour la réalisation ω.
Soit X = (Xt )t≥0 un processus stochastique. On appelle accroissement de X entre t1 et t 2 la

variable aléatoire X t2 − Xt1 . Ce processus est à accroissement indépendant si pour tout k ≥ 2,
t 0 = 0 < t1 < t 2 < ⋯ < t k , les variables Xti − Xti−1 avec 1 ≤ i ≤ k sont indépendantes.
On appelle mouvement brownien standard B = (Bt )t≥0 un processus stochastique à trajectoire

continu vérifiant :
39
 B0 = 0,
 Pour tout 0 ≤ t1 < t 2 ,( Bt2 − Bt1 )~N(0, t 2 − t1 ),
 Pour tout k ≥ 2, t 0 = 0 < t1 < t 2 < ⋯ < t k , les accroissements Bti − Bti−1 avec
1 ≤ i ≤ k Sont indépendants.
NB : Toutes les variables aléatoires du mouvement brownien suivent une loi normale centré
mais pas réduite.
Exemple 3 :
1 1
Quelle est la probabilité que le brownien à 𝑡 = 1 sort supérieur à c’est-à-dire p(w3 = 2 ) .
2
40

Cours de Modélisation Des Risques Economiques Et Financiers (IIA)

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

Cours de Modélisation Des Risques Economiques Et Financiers (IIA)

Transféré par

Droits d'auteur :

Formats disponibles

Institut Internationale des Assurances (IIA)

Cours de Modélisation des Risques

Chapitre 1 : Relation Risque – Rentabilité

Chapitre 2 : Couverture des risques financiers : Les options

Chapitre 3 : Le Modèle de regression lineaire

Chapitre 4 : Modèles stochastiques des risques

Chapitre 5 : Modèles ARMA, ARCH et GARCH

Chapitre 1 : Relation Risque – Rentabilité

I. Les notions de rentabilité et de risque d’un actif financier

Désignons par D le dividende éventuellement versé au cours de la période 1. La rentabilité de

Prix aujourd’hui Cash-flow en bonne Cash-flow en mauvaise

a. Calculez le taux d’intérêt sans risque.

II. Relation risque - rentabilité

1. Gestion de portefeuille dans le cas de deux actifs risqués

Considérons un investisseur qui souhaite consacrer la totalité de sa richesse à l’achat de deux

liaison entre les deux rentabilités).

μp = E(R p ) = E(αA R A + αB R B ) = E(αA R A ) + E(αB R B ) = αA E(R A ) + αB E(R B )

La variance du portefeuille σ2p est donnée par :

σ2p = Var(R p ) = E[R p − E(R p )]2

Après développement, on obtient la formule réduite ci-après :

σ2p = α2A σ2A + α2B σ2B + 2αA αB σAB

Rappelons que αB = 1 − αA car nous avons seulement deux actifs.

σ2p = α2A σ2A + (1 − αA )2 σ2B + 2αA (1 − αA ) σAB

- La rentabilité espérée de l’actif A soit de 12% et celle de l’actif B de 18%.

Calculer et interpréter l’espérance μp et l’écart-type σp de ce portefeuille.

b. Mesure du risque d’un actif dans un portefeuille

- une mesure absolue : la covariance 𝛔𝐢𝐏 de l’actif avec le portefeuille ;

σ2P = ∑ xi σiP = x1 σ1P + x2 σ2P

- 𝛔𝐢𝐏 Nous donne la contribution du titre i au risque du portefeuille. Il constitue la mesure

Rentabilité attendu Volatilité

Elle envisage d’investir 70 % en obligations et 30 % en actions.

a. Calculez la rentabilité attendue et le risque de ce portefeuille.

2. Portefeuille de variance minimale

Figure 1 : Portefeuille de variance minimale

On constate d’après la représentation graphique que le portefeuille A est, de tous les

Min σ2p = α2A σ2A + α2B σ2B + 2αA αB σAB

σ2p = α2A σ2A + (1 − αA )2 σ2B + 2αA (1 − αA ) σAB

Condition de premier ordre :

↔ 2αA∗ (σ2A + σ2B − 2 σAB ) = 2(σ2B − σAB )

a. Déterminer le portefeuille P de variance minimale que l’on peut obtenir en combinant

Min σ2p = α2A σ2A + α2B σ2B + 2αA αB σAB

L’investisseur peut également maximiser l’espérance de la rentabilité de son portefeuille

4. Gestion de portefeuille avec un actif sans risque

a. Cas d’un actif risqué et d’un actif sans risque

Sa variance est donnée par :

σ2p = (1 − α)2 σ2Rf + α2 σ2R + 2α(1 − α) σRf σR ρR,Rf

La rentabilité espérée devient :

Montant investi (en

de marché, dont la rentabilité attendue est de 14 % et la volatilité de 20 %.

a. Calculez la rentabilité attendue et le risque portefeuille.

b. Cas de deux actifs risqués et d’un actif sans risque

La solution du problème est donnée par :

(μA − R f )σ2B − (μB − R f ) σAB

Chapitre 2 : Couverture des risques financiers : les options

Un contrat d’option doit donc comporter tous les éléments suivants :

II. Cash-flows associés à une option

À la conclusion du contrat, l’acquéreur paie à sa contrepartie une prime reflétant la valeur de

1. Valeur et profit à l’échéance d’un call européen

Soit 𝑆𝑇 la valeur du sous-jacent à l’échéance T et 𝑃𝑒 le prix d’exercice. Le tableau suivant

Figure 1 : Profil de gain de l’achat d’un call

Figure 2 : Profil de gain de la vente d’une option d’achat

2. Valeur et profit à l’échéance d’un Put européen

On considère toujours 𝑆𝑇 comme la valeur du sous-jacent à l’échéance T et 𝑃𝑒 le prix d’exercice.