Calcul de la matrice de variance-

covariance de l'échantillon

Modélisation financière 5ème éd. Chapitre 12 - Matrice de

Benninga & Mofkadi 66
variance-covariance
• La covariance du rendement de l'actif i et de l'actif j est calculée comme suit :
• 𝜎 = 𝑐𝑜𝑣( 𝑖, 𝑗) = ∑ 𝑟 − 𝑟̄ ⋅ 𝑟 − 𝑟̄
• La matrice de ces covariances est la matrice de variance-covariance de l'échantillon ("S").
𝑉𝑎𝑟 𝑟 𝐶𝑜𝑣(𝑟 , 𝑟 ) ⋯ 𝐶𝑜𝑣(𝑟 , 𝑟 )
𝐶𝑜𝑣(𝑟 , 𝑟 ) 𝑉𝑎𝑟(𝑟 ) ⋯ 𝐶𝑜𝑣(𝑟 , 𝑟 )
• S= ≡𝜎
⋮ ⋮ ⋱ ⋮
𝐶𝑜𝑣(𝑟 , 𝑟 ) 𝐶𝑜𝑣(𝑟 , 𝑟 ) ⋯ 𝑉𝑎𝑟 𝑟
• Bien entendu, lorsque l'on consulte le site , on obtient les variances.
⋅
• 𝑆= 𝜎 =
• Où se situe la matrice de rendement excédentaire :
𝑟 − 𝑟̄ 𝑟 − 𝑟̄ ⋯ 𝑟 − 𝑟̄
𝑟 − 𝑟̄ 𝑟 − 𝑟̄ ⋯ 𝑟 − 𝑟̄
• 𝐴 = 𝑚𝑎𝑡𝑟𝑖𝑥 𝑜𝑓 𝑒𝑥𝑐𝑒𝑠𝑠 𝑟𝑒𝑡𝑢𝑟𝑛𝑠 =
⋮ ⋮ ⋱ ⋮
𝑟 − 𝑟̄ 𝑟 − 𝑟̄ ⋯ 𝑟 − 𝑟̄
• Les colonnes de la matrice A soustraient le rendement moyen des actifs des rendements individuels des
actifs.

Benninga & Mofkadi Modélisation financière 5ème éd. Chapitre 12 - Matrice de variance-covariance 67
Exemple
• Nous utilisons les données de rendement de mois pour les actions de .
A B C D E F G H I J K L
1 FIVE YEARS OF PRICES FOR 10 STOCKS AND THE SP500
Microsof J.P. ExxonMobi Procter & Bank of
2 t Apple Amazon Disney Cisco Morga Google l Gamble America SP500
3 Date MSFT AAPL AMZN DIS CSCO JPM GOOG XOM PG BAC ^GSPC
4 01-Jan-19 103.60 165.09 1,718.73 111.52 46.63 101.89 1,116.37 71.65 95.04 28.33 2,704.10
5 01-Dec-18 100.77 156.46 1,501.97 108.81 42.73 96.10 1,035.61 66.68 90.56 24.38 2,506.85
6 01-Nov-18 109.54 176.52 1,690.17 114.60 47.20 109.46 1,094.43 76.96 93.11 28.10 2,760.17
7 01-Oct-18 105.51 216.33 1,598.01 113.95 44.81 106.57 1,076.77 77.13 86.60 27.21 2,711.74
61 01-Apr-14 35.81 74.26 304.13 73.91 19.55 48.55 523.78 84.71 69.76 14.07 1,883.95
62 01-Mar-14 36.33 67.54 336.37 74.59 18.97 52.65 555.45 80.80 68.11 15.97 1,872.34
63 01-Feb-14 33.70 63.46 362.10 75.28 18.44 49.28 603.90 79.07 66.47 15.35 1,859.45
64 01-Jan-14 33.29 60.37 358.69 67.64 18.40 47.70 586.67 75.70 64.26 15.56 1,782.59

• En utilisant la fonction Excel Ln(Pt/Pt-1), nous calculons les rendements mensuels

: 1
A B C D E
FIVE YEARS OF MONTHLY RETURNS FOR 10 STOCKS AND THE SP500
F G H I J K L

2 Date MSFT AAPL AMZN DIS CSCO JPM GOOG XOM PG BAC
3 1-Jan-19 2.78% 5.37% 13.48% 2.46% 8.75% 5.85% 7.51% 7.20% 4.83% 15.01%
4 1-Dec-18 -8.35% -12.06% -11.81% -5.19% -9.96% -13.02% -5.52% -14.34% -2.78% -14.20%
5 1-Nov-18 3.75% -20.34% 5.61% 0.57% 5.20% 2.67% 1.63% -0.23% 7.25% 3.22%
6 1-Oct-18 -6.84% -3.10% -22.59% -1.82% -6.15% -3.44% -10.29% -6.49% 6.34% -6.40%
7 1-Sep-18 2.18% -0.48% -0.48% 4.30% 1.83% -1.53% -2.05% 6.90% 0.34% -4.87%
58 1-Jun-14 2.54% 6.69% 3.84% 2.04% 0.93% 3.62% 2.71% 0.83% -2.76% 1.51%
59 1-May-14 1.33% 7.02% 2.73% 5.72% 7.18% -0.11% 6.12% -1.85% -1.36% 0.00%
60 1-Apr-14 -1.45% 9.48% -10.08% -0.92% 3.03% -8.11% -5.87% 4.73% 2.39% -12.70%
61 1-Mar-14 7.51% 6.23% -7.37% -0.92% 2.80% 6.62% -8.36% 2.16% 2.44% 3.97%
62 1-Feb-14 1.23% 5.00% 0.95% 10.70% 0.26% 3.26% 2.89% 4.36% 3.38% -1.32%
63
64 Mean 1.89% 1.68% 2.61% 0.83% 1.55% 1.26% 1.07% -0.09% 0.65% 1.00% <--=AVERAGE(K3:K62)

Benninga & Mofkadi Modélisation financière 5ème éd. Chapitre 12 - Matrice de variance-covariance 68
Exemple (suite)
• Nous calculons ci-dessous les rendements excédentaires et la matrice de
variance-covariance
66
A B : C D EExcess returns:
F
r -r
G H I J K L
ij i
67 Date MSFT AAPL AMZN DIS CSCO JPM GOOG XOM PG BAC
68 1-Jan-19 0.88% 3.69% 10.87% 1.63% 7.20% 4.58% 6.44% 7.29% 4.18% 14.01% <--=K3-K$64
69 1-Dec-18 -10.24% -13.74% -14.42% -6.02% -11.51% -14.28% -6.60% -14.25% -3.43% -15.20% <--=K4-K$64
70 1-Nov-18 1.86% -22.02% 3.00% -0.26% 3.65% 1.40% 0.55% -0.13% 6.59% 2.22% <--=K5-K$64
71 1-Oct-18 -8.73% -4.77% -25.20% -2.65% -7.70% -4.71% -11.36% -6.40% 5.69% -7.40% <--=K6-K$64
124 1-May-14 -0.56% 5.34% 0.12% 4.89% 5.63% -1.37% 5.05% -1.76% -2.01% -1.00%
125 1-Apr-14 -3.34% 7.80% -12.69% -1.75% 1.48% -9.38% -6.94% 4.82% 1.74% -13.70%
126 1-Mar-14 5.62% 4.55% -9.98% -1.75% 1.25% 5.36% -9.44% 2.25% 1.78% 2.97%
127 1-Feb-14 -0.66% 3.32% -1.67% 9.87% -1.29% 1.99% 1.82% 4.45% 2.73% -2.32%
128
129 Variance-Covariance Matrix
130 MSFT AAPL AMZN DIS CSCO JPM GOOG XOM PG BAC
131 MSFT 0.0034 0.0017 0.0024 0.0010 0.0016 0.0016 0.0019 0.0009 0.0005 0.0021
132 AAPL 0.0017 0.0052 0.0018 0.0008 0.0020 0.0006 0.0012 0.0002 0.0004 0.0007
133 AMZN 0.0024 0.0018 0.0069 0.0014 0.0023 0.0014 0.0032 0.0008 -0.0003 0.0022
134 DIS 0.0010 0.0008 0.0014 0.0024 0.0011 0.0014 0.0007 0.0010 0.0005 0.0016
135 CSCO 0.0016 0.0020 0.0023 0.0011 0.0033 0.0014 0.0009 0.0005 0.0004 0.0017
136 JPM 0.0016 0.0006 0.0014 0.0014 0.0014 0.0032 0.0008 0.0009 0.0002 0.0039
137 GOOG 0.0019 0.0012 0.0032 0.0007 0.0009 0.0008 0.0032 0.0003 0.0001 0.0015
138 XOM 0.0009 0.0002 0.0008 0.0010 0.0005 0.0009 0.0003 0.0023 0.0004 0.0010
139 PG 0.0005 0.0004 -0.0003 0.0005 0.0004 0.0002 0.0001 0.0004 0.0016 0.0001
140 BAC 0.0021 0.0007 0.0022 0.0016 0.0017 0.0039 0.0015 0.0010 0.0001 0.0058
141
142 {=MMULT(TRANSPOSE(B68:K127),B68:K127)/59}
Modélisation financière 5ème éd. Chapitre 12 - Matrice de variance-
Benninga & Mofkadi 69
covariance
Utilisation de R pour calculer la matrice de variance-
covariance
• R est un excellent outil pour calculer la matrice de variance-covariance :
• Le cœur du code est une ligne composée de "cov(assets_ret)".

Benninga & Mofkadi Modélisation financière 5ème éd. Chapitre 12 - Matrice de variance-covariance 70
La matrice de corrélation
• Utilisation de VBA :
A B C D E F G H I J K L
1 ESTIMATING THE CORRELATION MATRIX WITH VBA
2 Correlation matrix (user defined 'CorrMatrix' function)
3 MSFT AAPL AMZN DIS CSCO JPM GOOG XOM PG BAC
4 MSFT 1.0000 0.3974 0.4888 0.3565 0.4689 0.4770 0.5682 0.3061 0.2084 0.4642 <--{=CorrMatrix('5y 10
5 AAPL 0.3974 1.0000 0.3084 0.2189 0.4747 0.1367 0.2891 0.0545 0.1316 0.1240 stocks Returns'!B3:K62)}
6 AMZN 0.4888 0.3084 1.0000 0.3425 0.4822 0.2913 0.6773 0.1956 -0.0959 0.3486
7 DIS 0.3565 0.2189 0.3425 1.0000 0.3786 0.5170 0.2682 0.4046 0.2423 0.4387
8 CSCO 0.4689 0.4747 0.4822 0.3786 1.0000 0.4297 0.2767 0.1961 0.1875 0.3834
9 JPM 0.4770 0.1367 0.2913 0.5170 0.4297 1.0000 0.2494 0.3445 0.0774 0.9181
10 GOOG 0.5682 0.2891 0.6773 0.2682 0.2767 0.2494 1.0000 0.1284 0.0315 0.3415
11 XOM 0.3061 0.0545 0.1956 0.4046 0.1961 0.3445 0.1284 1.0000 0.1856 0.2762
12 PG 0.2084 0.1316 -0.0959 0.2423 0.1875 0.0774 0.0315 0.1856 1.0000 0.0312
13 BAC 0.4642 0.1240 0.3486 0.4387 0.3834 0.9181 0.3415 0.2762 0.0312 1.0000

• Utilisation de R :

Modélisation financière 5ème éd. Chapitre 12 - Matrice de variance-

Benninga & Mofkadi 71
covariance
Quatre alternatives à la matrice
variance-covariance de
l'échantillon

Modélisation financière 5ème éd. Chapitre 12 - Matrice de

Benninga & Mofkadi 72
variance-covariance
I. Le modèle à indice unique (Sharpe (1963))
• Le modèle à indice unique (SIM) est né d'une tentative de simplification de
certaines complexités informatiques liées au calcul de la matrice de variance-
covariance.
• L'hypothèse de base du SIM est que les rendements de chaque actif peuvent être
régressés linéairement sur un indice de marché x :
• 𝑟̃ = 𝛼 + 𝛽 𝑟̃ + 𝜀̃
• où la corrélation entre et est nulle.
• Compte tenu de cette hypothèse, il est facile d'établir les deux faits suivants :
1. 𝐸 𝑟̃ = 𝛼 + 𝛽 𝐸 𝑟̃
𝜎 𝑤ℎ𝑒𝑛 𝑖 = 𝑗
2. 𝜎 =
𝛽𝛽𝜎 𝑤ℎ𝑒𝑛 𝑖 ≠ 𝑗

Benninga & Mofkadi Modélisation financière 5ème éd. Chapitre 12 - Matrice de variance-covariance 73
I. Le modèle à indice unique (Excel)
A B C D E F G H I J K L
1 COMPUTING THE SINGLE-INDEX VARIANCE-COVARIANCE MATRIX
2 Using the user defined 'SIM_VarCov' function
3 MSFT AAPL AMZN DIS CSCO JPM GOOG XOM PG BAC
4 MSFT 0.0034 0.0013 0.0019 0.0011 0.0013 0.0013 0.0012 0.0010 0.0004 0.0017 <--{=SIM_VarCov(B16:K75,L16:L75)}
5 AAPL 0.0013 0.0052 0.0018 0.0011 0.0013 0.0013 0.0011 0.0010 0.0004 0.0017
6 AMZN 0.0019 0.0018 0.0069 0.0016 0.0019 0.0018 0.0017 0.0015 0.0006 0.0024
7 DIS 0.0011 0.0011 0.0016 0.0024 0.0011 0.0011 0.0010 0.0009 0.0004 0.0015
8 CSCO 0.0013 0.0013 0.0019 0.0011 0.0033 0.0013 0.0012 0.0010 0.0004 0.0018
9 JPM 0.0013 0.0013 0.0018 0.0011 0.0013 0.0032 0.0012 0.0010 0.0004 0.0017
10 GOOG 0.0012 0.0011 0.0017 0.0010 0.0012 0.0012 0.0032 0.0009 0.0004 0.0016
11 XOM 0.0010 0.0010 0.0015 0.0009 0.0010 0.0010 0.0009 0.0023 0.0003 0.0014
12 PG 0.0004 0.0004 0.0006 0.0004 0.0004 0.0004 0.0004 0.0003 0.0016 0.0006
13 BAC 0.0017 0.0017 0.0024 0.0015 0.0018 0.0017 0.0016 0.0014 0.0006 0.0058
14
15 Date MSFT AAPL AMZN DIS CSCO JPM GOOG XOM PG BAC ^GSPC
16 1-Jan-19 2.8% 5.4% 13.5% 2.5% 8.7% 5.8% 7.5% 7.2% 4.8% 15.0% 7.6%
17 1-Dec-18 -8.3% -12.1% -11.8% -5.2% -10.0% -13.0% -5.5% -14.3% -2.8% -14.2% -9.6%
18 1-Nov-18 3.7% -20.3% 5.6% 0.6% 5.2% 2.7% 1.6% -0.2% 7.2% 3.2% 1.8%
73 1-Apr-14 -1.4% 9.5% -10.1% -0.9% 3.0% -8.1% -5.9% 4.7% 2.4% -12.7% 0.6%
74 1-Mar-14 7.5% 6.2% -7.4% -0.9% 2.8% 6.6% -8.4% 2.2% 2.4% 4.0% 0.7%
75 1-Feb-14 1.2% 5.0% 0.9% 10.7% 0.3% 3.3% 2.9% 4.4% 3.4% -1.3% 4.2%

Benninga & Mofkadi Modélisation financière 5ème éd. Chapitre 12 - Matrice de variance-covariance 74
I. Le modèle à indice unique (R)
• L'implémentation de la méthode en R dans notre exemple ressemble à ceci :

Benninga & Mofkadi Modélisation financière 5ème éd. Chapitre 12 - Matrice de variance-covariance 75
II. Modèle de corrélation constante
• Le modèle de corrélation constante d'Elton et Gruber (1973) calcule la matrice de
variance-covariance en supposant que :
• Les variances des rendements des actifs sont les rendements de l'échantillon,
• Les covariances sont toutes liées par le même coefficient de corrélation,
• Puisque , nous obtenons :

Benninga & Mofkadi Modélisation financière 5ème éd. Chapitre 12 - Matrice de variance-covariance 76
II. Modèle de corrélation constante (Excel)
A B C D E F G H I J K L
1 COMPUTING THE CONSTANT CORRELATION VARIANCE-COVARIANCE MATRIX
2 Using the user defined 'ConstantCorVarCov' function
3 Correlation 0.25
4 MSFT AAPL AMZN DIS CSCO JPM GOOG XOM PG BAC
5 MSFT 0.0034 0.0010 0.0012 0.0007 0.0008 0.0008 0.0008 0.0007 0.0006 0.0011 <--{=ConstantCorVarCov(B17:K76,B3)}
6 AAPL 0.0010 0.0052 0.0015 0.0009 0.0010 0.0010 0.0010 0.0009 0.0007 0.0014
7 AMZN 0.0012 0.0015 0.0069 0.0010 0.0012 0.0012 0.0012 0.0010 0.0008 0.0016
8 DIS 0.0007 0.0009 0.0010 0.0024 0.0007 0.0007 0.0007 0.0006 0.0005 0.0009
9 CSCO 0.0008 0.0010 0.0012 0.0007 0.0033 0.0008 0.0008 0.0007 0.0006 0.0011
10 JPM 0.0008 0.0010 0.0012 0.0007 0.0008 0.0032 0.0008 0.0007 0.0006 0.0011
11 GOOG 0.0008 0.0010 0.0012 0.0007 0.0008 0.0008 0.0032 0.0007 0.0006 0.0011
12 XOM 0.0007 0.0009 0.0010 0.0006 0.0007 0.0007 0.0007 0.0023 0.0005 0.0009
13 PG 0.0006 0.0007 0.0008 0.0005 0.0006 0.0006 0.0006 0.0005 0.0016 0.0008
14 BAC 0.0011 0.0014 0.0016 0.0009 0.0011 0.0011 0.0011 0.0009 0.0008 0.0058
15
16 Date MSFT AAPL AMZN DIS CSCO JPM GOOG XOM PG BAC
17 1-Jan-19 2.8% 5.4% 13.5% 2.5% 8.7% 5.8% 7.5% 7.2% 4.8% 15.0%
18 1-Dec-18 -8.3% -12.1% -11.8% -5.2% -10.0% -13.0% -5.5% -14.3% -2.8% -14.2%
19 1-Nov-18 3.7% -20.3% 5.6% 0.6% 5.2% 2.7% 1.6% -0.2% 7.2% 3.2%
74 1-Apr-14 -1.4% 9.5% -10.1% -0.9% 3.0% -8.1% -5.9% 4.7% 2.4% -12.7%
75 1-Mar-14 7.5% 6.2% -7.4% -0.9% 2.8% 6.6% -8.4% 2.2% 2.4% 4.0%
76 1-Feb-14 1.2% 5.0% 0.9% 10.7% 0.3% 3.3% 2.9% 4.4% 3.4% -1.3%

Benninga & Mofkadi Modélisation financière 5ème éd. Chapitre 12 - Matrice de variance-covariance 77
II. Modèle de corrélation constante (R)
• La mise en œuvre de cette méthode dans R pour notre exemple se présente
comme suit :

Benninga & Mofkadi Modélisation financière 5ème éd. Chapitre 12 - Matrice de variance-covariance 78
III. Méthodes de retrait
• Les méthodes de rétrécissement supposent que la matrice de variance-
covariance est une combinaison convexe de la matrice de covariance de
l'échantillon et d'une autre matrice :

Shrinkage
•
variance−covariance matrix var−cov

• Il existe peu de théorie sur le choix de l'estimateur de rétrécissement approprié.

• Trois articles d'Olivier Ledoit et Michael Wolf (2003, 2004a, 2004b) peuvent fournir des
indications.
• Nous suggérons de choisir un opérateur de rétrécissement () de sorte que le portefeuille
global de variance minimale (GMVP) soit entièrement positif lorsqu'il est calculé.

Benninga & Mofkadi Modélisation financière 5ème éd. Chapitre 12 - Matrice de variance-covariance 79
III. Méthodes de retrait (Excel)
• La matrice "autre" est une
A B C D E F G H I J K L
ESTIMATING THE VARIANCE-COVARIANCE MATRIX USING THE SHRINKAGE APPROACH
1 Gives weight 0.30 (the shrinkage factor) to sample var-cov and weight 0.70 to a diagonal matrix of only variances

matrice diagonale qui ne

2 Sample variance-covariance matrix (user defined 'VarCovar' function)
3 MSFT AAPL AMZN DIS CSCO JPM GOOG XOM PG BAC
4 MSFT 0.0034 0.0017 0.0024 0.0010 0.0016 0.0016 0.0019 0.0009 0.0005 0.0021 <--{=varcovar('5y 10 stocks Returns'!B3:K62)}
5 AAPL 0.0017 0.0052 0.0018 0.0008 0.0020 0.0006 0.0012 0.0002 0.0004 0.0007

contient que des variances, avec

6 AMZN 0.0024 0.0018 0.0069 0.0014 0.0023 0.0014 0.0032 0.0008 -0.0003 0.0022
7 DIS 0.0010 0.0008 0.0014 0.0024 0.0011 0.0014 0.0007 0.0010 0.0005 0.0016
8 CSCO 0.0016 0.0020 0.0023 0.0011 0.0033 0.0014 0.0009 0.0005 0.0004 0.0017
9 JPM 0.0016 0.0006 0.0014 0.0014 0.0014 0.0032 0.0008 0.0009 0.0002 0.0039

des zéros ailleurs. 10

11
12
13
GOOG
XOM
PG
BAC
0.0019
0.0009
0.0005
0.0021
0.0012
0.0002
0.0004
0.0007
0.0032
0.0008
-0.0003
0.0022
0.0007
0.0010
0.0005
0.0016
0.0009
0.0005
0.0004
0.0017
0.0008
0.0009
0.0002
0.0039
0.0032
0.0003
0.0001
0.0015
0.0003
0.0023
0.0004
0.0010
0.0001
0.0004
0.0016
0.0001
0.0015
0.0010
0.0001
0.0058

• L'estimateur de rétrécissement 
14
15 Other matrix = diagonal matrix of only variances and zero elsewhere
16 MSFT AAPL AMZN DIS CSCO JPM GOOG XOM PG BAC
17 MSFT 0.0034 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 <--=IF($A17=K$16,K4,0)

= 0,3 (cellule B28)

18 AAPL 0.0000 0.0052 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
19 AMZN 0.0000 0.0000 0.0069 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
20 DIS 0.0000 0.0000 0.0000 0.0024 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
21 CSCO 0.0000 0.0000 0.0000 0.0000 0.0033 0.0000 0.0000 0.0000 0.0000 0.0000
22 JPM 0.0000 0.0000 0.0000 0.0000 0.0000 0.0032 0.0000 0.0000 0.0000 0.0000
23 GOOG 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0032 0.0000 0.0000 0.0000
24 XOM 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0023 0.0000 0.0000
25 PG 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0016 0.0000
26 BAC 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0058
27
28 Shrinkage factor 0.30 <-- this is the weight put onn the sample var-cov
29 MSFT AAPL AMZN DIS CSCO JPM GOOG XOM PG BAC
30 MSFT 0.0034 0.0005 0.0007 0.0003 0.0005 0.0005 0.0006 0.0003 0.0001 0.0006 <--=$C$28*K4+(1-$C$28)*K17
31 AAPL 0.0005 0.0052 0.0006 0.0002 0.0006 0.0002 0.0004 0.0001 0.0001 0.0002
32 AMZN 0.0007 0.0006 0.0069 0.0004 0.0007 0.0004 0.0010 0.0002 -0.0001 0.0007
33 DIS 0.0003 0.0002 0.0004 0.0024 0.0003 0.0004 0.0002 0.0003 0.0001 0.0005
34 CSCO 0.0005 0.0006 0.0007 0.0003 0.0033 0.0004 0.0003 0.0002 0.0001 0.0005
35 JPM 0.0005 0.0002 0.0004 0.0004 0.0004 0.0032 0.0002 0.0003 0.0001 0.0012
36 GOOG 0.0006 0.0004 0.0010 0.0002 0.0003 0.0002 0.0032 0.0001 0.0000 0.0004
37 XOM 0.0003 0.0001 0.0002 0.0003 0.0002 0.0003 0.0001 0.0023 0.0001 0.0003
38 PG 0.0001 0.0001 -0.0001 0.0001 0.0001 0.0001 0.0000 0.0001 0.0016 0.0000
39 BAC 0.0006 0.0002 0.0007 0.0005 0.0005 0.0012 0.0004 0.0003 0.0000 0.0058

Modélisation financière 5ème éd. Chapitre 12 - Matrice de

Benninga & Mofkadi 80
variance-covariance
IV. Informations sur les options pour calculer la matrice
Var-Cov
• Utilisez la volatilité implicite pour chacune des actions à partir de leurs options
d'achat à la monnaie correspondantes, puis calculez la matrice de variance en
utilisant une corrélation constante :

,
, ,

Benninga & Mofkadi Modélisation financière 5ème éd. Chapitre 12 - Matrice de variance-covariance 81
IV. Matrice Var-Cov des informations sur les options
(Excel)
• Nous utilisons les données de volatilité implicite des marchés d'options pour
chacune des 10 actions et une matrice de variance-covariance à corrélation
constante (où ρ=0,25) :
A B C D E F G H I J K L
1 CONSTANT CORRELATION MATRIX WITH IMPLIED VOLATILITIES
2 MSFT AAPL AMZN DIS CSCO JPM GOOG XOM PG BAC
3 Implied volatility 33.99% 31.79% 23.54% 23.98% 21.19% 54.98% 22.76% 21.68% 17.12% 21.78% Extracted from options prices
4
5 Correlation 0.25
6 MSFT AAPL AMZN DIS CSCO JPM GOOG XOM PG BAC
7 MSFT 0.1155 0.0270 0.0200 0.0204 0.0180 0.0467 0.0193 0.0184 0.0145 0.0185 <--{=ImpliedVolvarcov(B3:K3,B5)}
8 AAPL 0.0270 0.1011 0.0187 0.0191 0.0168 0.0437 0.0181 0.0172 0.0136 0.0173
9 AMZN 0.0200 0.0187 0.0554 0.0141 0.0125 0.0324 0.0134 0.0128 0.0101 0.0128
10 DIS 0.0204 0.0191 0.0141 0.0575 0.0127 0.0330 0.0136 0.0130 0.0103 0.0131
11 CSCO 0.0180 0.0168 0.0125 0.0127 0.0449 0.0291 0.0121 0.0115 0.0091 0.0115
12 JPM 0.0467 0.0437 0.0324 0.0330 0.0291 0.3023 0.0313 0.0298 0.0235 0.0299
13 GOOG 0.0193 0.0181 0.0134 0.0136 0.0121 0.0313 0.0518 0.0123 0.0097 0.0124
14 XOM 0.0184 0.0172 0.0128 0.0130 0.0115 0.0298 0.0123 0.0470 0.0093 0.0118
15 PG 0.0145 0.0136 0.0101 0.0103 0.0091 0.0235 0.0097 0.0093 0.0293 0.0093
16 BAC 0.0185 0.0173 0.0128 0.0131 0.0115 0.0299 0.0124 0.0118 0.0093 0.0474

Modélisation financière 5ème éd. Chapitre 12 - Matrice de variance-

Benninga & Mofkadi 82
covariance
IV. Matrice Var-Cov de l'information sur les options (R)
• Nous utilisons les données de volatilité implicite des marchés d'options pour
chacune des 10 actions et une matrice de variance-covariance à corrélation
constante (où ρ=0,25) :

Modélisation financière 5ème éd. Chapitre 12 - Matrice de variance-

Benninga & Mofkadi 83
covariance
Quelle méthode utiliser ?
• Ce chapitre présente cinq possibilités de calcul de la matrice de variance-
covariance :
1. La variance-covariance de l'échantillon
2. Le modèle à indice unique
3. L'approche de la corrélation constante
4. Méthodes de rétrécissement
5. Matrices de variance-covariance basées sur la volatilité implicite
• Le choix dépend en grande partie de la façon dont vous envisagez les marchés de
capitaux.
• Si vous croyez fermement que le passé prédit l'avenir, vous devriez peut-être choisir d'utiliser
la matrice Var-Cov de l'échantillon.
• Nous préférons utiliser un modèle de volatilité basé sur des options avec une corrélation
changeante :
• En temps normal, nous utiliserions une corrélation "normale" comprise entre 0,2 et 0,3 ;
• en temps de crise, nous utiliserions une corrélation beaucoup plus élevée, par exemple une
corrélation comprise entre 0,5 et 0,6.

Benninga & Mofkadi Modélisation financière 5ème éd. Chapitre 12 - Matrice de variance-covariance 84