Académique Documents
Professionnel Documents
Culture Documents
Thierry RONCALLI
Groupe de Recherche Oprationnelle e Crdit Lyonnais e thierry.roncalli@creditlyonnais.fr
Notes de cours crites avec la collaboration de e Nicolas Baud, Sakda Hoeung et Gal Riboulet e
Octobre 2001
1 3
5 5 6 7 9 11 11 11 13 15 15 16 17 21 21 21 21 21 22
1 Introduction historique 1.1 Quelques rep`res thoriques . . . . . . . . e e 1.2 Le dveloppement des produits nanciers e 1.3 Lhistoire rcente des crises nanci`res . . e e 1.4 Lvolution de la rglementation . . . . . e e
2 Dnition du risque e 2.1 Typologie des risques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.2 La mesure du risque . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.3 Loptimisation du couple rentabilit/risque . . . . . . . . . . . . . . . . . . . . . . . . . . e 3 Le nouvel Accord de Ble et le ratio McDonough a 3.1 Les fonds propres . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.2 Le ratio Cooke . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.3 Ble II et le nouveau ratio de solvabilit . . . . . . . . . . . . . . . . . . . . . . . . . . . . a e 4 La notion de Capital Economique et lallocation de fonds 4.1 La problmatique . . . . . . . . . . . . . . . . . . . . . . . . e 4.2 La notion de capital conomique . . . . . . . . . . . . . . . e 4.3 La construction dun mod`le interne . . . . . . . . . . . . . e 4.3.1 Lapproche bottom-up . . . . . . . . . . . . . . . . . 4.3.2 Lapproche top-down . . . . . . . . . . . . . . . . . . propres . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
II
Le risque de march e
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
25
27 28 29 29 30
5 La rglementation prudentielle e 5.1 Les textes ociels . . . . . . 5.2 Les normes gnrales . . . . . e e 5.3 Les crit`res qualitatifs . . . . e 5.4 Les crit`res quantitatifs . . . e
5.5
5.6
Autres considrations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . e 5.5.1 Dnition des facteurs de risque de march . . . . . . . . . . . . . . . . e e 5.5.2 Traitement du risque spcique . . . . . . . . . . . . . . . . . . . . . . . e 5.5.3 Simulations de crise . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Dispositif prudentiel de contrle ex post li ` lutilisation des mod`les internes o ea e
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
32 32 33 33 34 37 37 38 39 41 41 43 43 44 45 47 50 52 55 55 56 59 59 59 60 61 61 65 66 67 67 68 71 71 72 72 75 77 78 78 80 80 80 80
6 La valeur en risque 6.1 Dnition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . e 6.1.1 La VaR analytique (ou paramtrique) . . . . . . . . . . . . e 6.1.2 La VaR historique (ou non paramtrique) . . . . . . . . . . e 6.1.3 La VaR Monte-Carlo . . . . . . . . . . . . . . . . . . . . . . 6.1.4 Pertinence des mesures VaRs . . . . . . . . . . . . . . . . . 6.2 Quelques rexions sur la VaR . . . . . . . . . . . . . . . . . . . . e 6.2.1 Linterprtation du seuil de conance . . . . . . . . . . . e 6.2.2 Une explication du facteur multiplicatif (3 + ) . . . . . . . 6.2.3 Le choix de la distribution de probabilit . . . . . . . . . . e 6.2.4 Lestimation de la matrice de covariance . . . . . . . . . . . 6.2.4.1 Un exercice de backtesting . . . . . . . . . . . . . 6.2.4.2 Les approches conditionnelles de lestimation de la 6.2.5 Le probl`me du scaling . . . . . . . . . . . . . . . . . . . . e 6.2.5.1 Quelques lments thoriques . . . . . . . . . . . . ee e 6.2.5.2 Un exercice de simulation . . . . . . . . . . . . . . 6.2.5.3 Conclusion . . . . . . . . . . . . . . . . . . . . . . 6.3 Les produits optionnels . . . . . . . . . . . . . . . . . . . . . . . . 6.3.1 La problmatique . . . . . . . . . . . . . . . . . . . . . . . . e 6.3.2 Les solutions . . . . . . . . . . . . . . . . . . . . . . . . . . 6.3.3 La gestion du risque des produits optionnels . . . . . . . . . 6.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 Les 7.1 7.2 7.3 7.4 7.5
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . matrice de covariance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
programmes de stress-testing Directions mthodologiques choisies par les institutions bancaires . . . . e Lapproche historique . . . . . . . . . . . . . . . . . . . . . . . . . . . . Une approche subjective : le macro stress-testing . . . . . . . . . . . . . La mthode WCS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . e La thorie des valeurs extrmes . . . . . . . . . . . . . . . . . . . . . . . e e 7.5.1 Une introduction heuristique des extrmes . . . . . . . . . . . . . e 7.5.2 La thorie classique . . . . . . . . . . . . . . . . . . . . . . . . . e 7.5.2.1 Prsentation des 3 lois dextrmes . . . . . . . . . . . . e e 7.5.2.2 Quelques remarques sur les lois dextrmes . . . . . . . e 7.5.2.3 Estimation des param`tres de la distribution GEV . . . e 7.5.3 Le concept de temps de retour . . . . . . . . . . . . . . . . . . . 7.5.4 Applications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7.5.5 Le cas multidimensionnel . . . . . . . . . . . . . . . . . . . . . . 7.5.6 Annexes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7.5.6.1 Forme gnrale dune loi dextrmes . . . . . . . . . . . e e e 7.5.6.2 Jacobien analytique de la fonction de log-vraisemblance
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
III
Le risque de crdit e
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
83
85 85 86 86 86 86
8 Prsentation gnrale du risque de crdit e e e e 8.1 Origine du risque de crdit . . . . . . . . e 8.2 Le march du risque de crdit . . . . . . . e e 8.2.1 Le march des prts bancaires . . . e e 8.2.2 Le march des obligations risques e e 8.2.3 Les drivs de crdit . . . . . . . . e e e
9 Lapproche standard 9.1 La rglementation prudentielle . . . . . . . . e 9.2 Les pondrations . . . . . . . . . . . . . . . . e 9.3 Les notations externes . . . . . . . . . . . . . 9.4 Les procdures de rduction des risques . . . e e 9.4.1 Les srets ou collatraux . . . . . . . u e e 9.4.1.1 Lapproche compl`te . . . . . e 9.4.1.2 Lapproche simple . . . . . . 9.4.2 Les garanties et les drivs de crdit . e e e 9.4.3 Autres considrations . . . . . . . . . e 9.4.3.1 Compensation de bilan . . . 9.4.3.2 Le dcalage des maturits . . e e 9.4.3.3 Lasymtrie des devises . . . e 9.4.4 Quelques exemples . . . . . . . . . . . 9.4.4.1 Collateralised transactions . 9.4.4.2 On-balance sheet netting . . 9.4.4.3 Guarantees/credit derivatives
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
89 . 89 . 90 . 91 . 94 . 94 . 94 . 97 . 97 . 98 . 98 . 98 . 99 . 99 . 99 . 102 . 103 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105 105 105 106 106 106 107 107 108 112 121 121 121 121 121 121 122 122 122 122 122 122 122 122 124 125 125 129 133
10 La mthode IRB e 10.1 Les principes gnraux . . . . . . . . . . . . . . . . . . . . . . e e 10.1.1 Le schma simplie de lapproche IRB . . . . . . . . . e e 10.1.2 Dnition de la dfaillance . . . . . . . . . . . . . . . e e 10.1.3 La notation interne . . . . . . . . . . . . . . . . . . . . 10.2 Lexemple de la mthode IRB pour les entreprises . . . . . . . e 10.2.1 Formulation des pondrations de risque . . . . . . . . e 10.2.1.1 Dans lapproche IRB simple . . . . . . . . . . 10.2.1.2 Dans lapproche IRB avance . . . . . . . . . e 10.2.2 Justication de la mthode IRB . . . . . . . . . . . . . e 10.2.3 Param`tres de la fonction de pondration . . . . . . . e e 10.2.3.1 La probabilit de dfaillance . . . . . . . . . e e 10.2.3.2 La perte en cas de dfaillance . . . . . . . . . e 10.2.3.3 La maturit . . . . . . . . . . . . . . . . . . e 10.2.3.4 Lexposition en cas de dfaillance . . . . . . e 10.2.4 Les exigences minimales dligibilit . . . . . . . . . . e e 10.3 Prolongements . . . . . . . . . . . . . . . . . . . . . . . . . . 10.3.1 Risque retail . . . . . . . . . . . . . . . . . . . . . . . 10.3.2 Risque souverain . . . . . . . . . . . . . . . . . . . . . 10.3.3 Risque banque . . . . . . . . . . . . . . . . . . . . . . 10.3.4 Risque nancement de projet . . . . . . . . . . . . . . 10.3.5 Risque equity . . . . . . . . . . . . . . . . . . . . . . . 10.4 Granularit du portefeuille . . . . . . . . . . . . . . . . . . . . e 10.4.1 La mthodologie . . . . . . . . . . . . . . . . . . . . . e 10.4.2 Exemples . . . . . . . . . . . . . . . . . . . . . . . . . 10.4.3 Drivation du coecient dajustement de granularit . e e 10.4.3.1 La dtermination du coecient . . . . . . e 10.4.3.2 Du coecient ` lajustement de granularit a e 10.5 Les modications du 5 novembre 2001 . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . du . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Comit de Ble e a . . . . . . . . .
IV
137
139
11 Introduction
12 Le mod`le de la rme e 141 12.1 Le mod`le de Merton [1974] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142 e 12.2 Extensions du mod`le de Merton . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 144 e 12.2.1 Gnralisation de la notion de dfaut . . . . . . . . . . . . . . . . . . . . . . . . . . 144 e e e
12.2.2 Introduction de sauts dans le processus de valorisation des actifs 12.3 Mthodologie mise en place par K.M.V. Corporation . . . . . . . . . . . e 12.3.1 Une mesure du risque de dfaut : la distance au dfaut . . . . . . e e 12.3.2 Estimation de la distance au dfaut . . . . . . . . . . . . . . . . e 12.3.3 Calcul de lEDF . . . . . . . . . . . . . . . . . . . . . . . . . . . 12.4 Une application : le mod`le CreditMetrics . . . . . . . . . . . . . . . . . . e 13 Lapproche actuarielle de CreditRisk+ 13.1 La dmarche . . . . . . . . . . . . . . . . . . . . . e 13.2 Modlisation ` taux de dfaut xes . . . . . . . . . e a e 13.2.1 Occurrence de dfauts . . . . . . . . . . . . e 13.2.2 Pertes de dfaut . . . . . . . . . . . . . . . e 13.2.2.1 Procdure de calcul et distribution e 13.2.2.2 Application au cas multi-annuel . 13.3 Passage ` des taux de dfaut alatoires . . . . . . . a e e 13.3.1 Incertitude des taux de dfaut . . . . . . . e 13.3.2 Analyse par secteur . . . . . . . . . . . . . 13.3.3 Occurrence de dfauts . . . . . . . . . . . . e 13.3.4 Distribution des pertes de dfaut . . . . . . e 13.3.4.1 Pertes de dfaut . . . . . . . . . . e 13.3.4.2 Relation de rcurrence . . . . . . . e 13.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . des pertes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . .
145 146 146 147 148 151 153 153 155 155 156 156 157 158 158 158 159 160 160 160 161 163 163 164 165 165 165 166 166
14 Lapproche Intensit : une approche sous forme rduite e e 14.1 Cadre de lanalyse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14.1.1 Dnition de lintensit de survie . . . . . . . . . . . . . . . . . e e 14.1.2 Une autre approche de lintensit de dfaut . . . . . . . . . . . e e 14.2 Les direntes reprsentations du prix de la dette risque . . . . . . . e e e 14.2.1 Premi`res reprsentations . . . . . . . . . . . . . . . . . . . . . e e 14.2.2 Thor`me de reprsentation du prix de la dette risque . . . . . e e e e 14.3 Un exemple dapplication : le mod`le de Jarrow et Turnbull [1995] e
Le risque oprationnel e
. . . . . . . . . . . . . . . . (RMG) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . of . . . . . . . . . . . . . . . . . . . . . . the . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Basel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Committee on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
169
171 171 173 173 174 174 177 177 179 179 180 181 182
15 La rglementation prudentielle e 15.1 La dnition du risque oprationnel . . . . . . . . . e e 15.2 Les approches forfaitaires . . . . . . . . . . . . . . . 15.2.1 Basic Indicator Approach (BIA) . . . . . 15.2.2 Standardised Approach (SA) . . . . . . . 15.3 Annexe : composition du Risk Management Group Banking Supervision . . . . . . . . . . . . . . . . . . 16 Les mthodes AMA e 16.1 Lapproche IMA . . . . . . . . . . . . . . . . . 16.2 Lapproche LDA . . . . . . . . . . . . . . . . . 16.2.1 Prsentation de la mthode statistique e e 16.2.2 Robustesse de lapproche LDA . . . . . 16.3 Le mapping IMA/LDA . . . . . . . . . . . . . 16.4 Lapproche Scorecard . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Conclusion gnrale e e
185
2.1 2.2 5.1 6.1 6.2 6.3 6.4 6.5 6.6 6.7 6.8 6.9 6.10 6.11 6.12 6.13 6.14 6.15 6.16 6.17 7.1 7.2 7.3 7.4 7.5 7.6 7.7 7.8 7.9 7.10 7.11
Les dirents types de risque . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . e Reprsentation graphique de la valeur en risque . . . . . . . . . . . . . . . . . . . . . . . . e BIS Colour frequency (taux de couverture de 99%) . . . . . . . . . . . . . . . . . . . . . . Estimation dun quantile et erreur de second type . . . . . . . . . . . . . . . . . . . . . . . Une illustration de la mthode de Monte-Carlo . . . . . . . . . . . . . . . . . . . . . . . . e Caract`re lepto-kurtique dune distribution de probabilit . . . . . . . . . . . . . . . . . . e e Distribution empirique du rendement du titre BARCLAYS . . . . . . . . . . . . . . . . . . Pondration dune moyenne mobile exponentielle . . . . . . . . . . . . . . . . . . . . . . . e Pondration cumule dune moyenne mobile exponentielle . . . . . . . . . . . . . . . . . . e e Evolution de la valeur en risque (titre BARCLAYS) . . . . . . . . . . . . . . . . . . . . . . Backtesting avec le titre SOCIETE GENERALE . . . . . . . . . . . . . . . . . . . . . . . . Dtermination de la valeur optimale pour . . . . . . . . . . . . . . . . . . . . . . . . . . e Valeur optimale de pour dirents titres . . . . . . . . . . . . . . . . . . . . . . . . . . . e Variance conditionnelle du rendement du titre BARCLAYS mod`le GARCH(1,1) . . . . e Corrlation conditionnelle des rendements des titres BARCLAYS et LLOYDS/TSB mod`le e e BEEK GARCH(1,1) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Simulation du mod`le ARCH . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . e Dtermination du scaling (mod`le ARCH) . . . . . . . . . . . . . . . . . . . . . . . . . . . e e Simulation du mod`le Hull-White . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . e Dtermination du scaling (mod`le Hull-White) . . . . . . . . . . . . . . . . . . . . . . . . . e e Positions relatives des VaRs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Fonction de distribution de . . . . . . . . . . . . . . . . . . . . . . . . . N Linuence de la queue de distribution sur (N ) . . . . . . . . . . . . . . . Queue de distribution des rendements du titre LLOYDS/TSB . . . . . . . . Distribution jointe des rendements des titres BARCLAYS et LLOYDS/TSB . Exemples de distribution GEV (I) . . . . . . . . . . . . . . . . . . . . . . . . Exemples de distribution GEV (II) . . . . . . . . . . . . . . . . . . . . . . . Convergence de GN vers la distribution de Gumbel lorsque F est gaussienne Convergence de certaines distributions vers la distribution de Frchet . . . . e Quantile de la distribution GEV . . . . . . . . . . . . . . . . . . . . . . . . . Estimation des densit des lois des extrmes . . . . . . . . . . . . . . . . . . e e Relation entre lchelle de risque et le temps de retour . . . . . . . . . . . . e . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
12 13 35 40 42 46 46 48 49 49 51 52 53 54 55 57 58 58 59 60 69 70 71 72 74 74 75 76 77 79 80
Evolution de la pondration ajuste r en fonction de la sret ajuste CA (E = 100) . . . e e u e e Evolution de la pondration ajuste r en fonction de lexposition E (CA = 50) . . . . . . e e
95 96 108 109 109 114 117 117 118 118 120 129 135 135 136 144 145 147 148 149 150 150
Fonction de rfrence BRW . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ee Drive premi`re de la fonction de rfrence BRW . . . . . . . . . . . . . . . . . . . . . . e e e ee 1PD Ajustement de la maturit 1 + 0.470 PD0.44 . . . . . . . . . . . . . . . . . . . . . . . . e Reprsentation graphique de la fonction b (PD) . . . . . . . . . . . . . . . . . . . . . . . . e Inuence du seuil sur la probabilit de dfaillance conditionnelle Pi ( = 20%) . . . . . e e Inuence du seuil sur la probabilit de dfaillance conditionnelle Pi pour des valeurs e e donnes de pi ( = 20%) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . e 10.7 Inuence de la corrlation sur la probabilit de dfaillance conditionnelle Pi ( = 99.5%) e e e 10.8 Inuence de la corrlation sur la probabilit de dfaillance conditionnelle Pi pour des e e e valeurs donnes de pi ( = 99.5%) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . e 10.9 Fonction de rfrence BRW (ajustement de maturit/formule exacte) . . . . . . . . . . . . ee e 10.10Impact des param`tres sur le coecient (valeurs par dfaut : LGD = 50%, = 99.5%, e e = 20% et [X] = 2) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10.11Impact des propositions du 5 Novembre 2001 sur les pondrations en risque (I) . . . . . . e 10.12Impact des propositions du 5 Novembre 2001 sur les pondrations en risque (II) . . . . . . e 10.13Impact des propositions du 5 Novembre 2001 sur les corrlations (PD) . . . . . . . . . . e 12.1 12.2 12.3 12.4 12.5 12.6 12.7 Eet de levier (d > 1) . . . . . . . . . . . . . Eet de levier (d < 1) . . . . . . . . . . . . . Volatilit des actifs, secteur dactivit et taille e e Expected default frequency . . . . . . . . . . EDF de Bangkok Metropolitan Bank . . . . . . EDF de Burns Philip . . . . . . . . . . . . . . Valeur de march de Burns Philip . . . . . . . e . . . . . . . . . . . . . . . . . . de lentreprise . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . 154
16.1 Distribution agrge avec (i, j) LN (8, 2.2) et N (i, j) P (50) . . . . . . . . . . . . . 180 e e
1. Comit de Ble sur le Contrle Bancaire, Vue densemble du Nouvel Accord de Ble sur les fonds e a o a propres, Document soumis ` consultation, Janvier 2001 a 2. Punjabi, S. [1998], Many happy returns, Risk Magazine, June, 71-76 3. Modalits de Calcul du Ratio de Solvabilit Actualisation au 31 dcembre 2000, Commission e e e Bancaire, Secrtariat Gnral, Service des Aaires Internationales, 31 Janvier 2001 e e e 4. Derman, E. [2001], Markets and model, Risk Magazine, 14, July, 48-50 5. Rebonato, R. [2001], Model risk : new challenges, new solutions, Risk Magazine, 14, March, 87-90 6. Turc, J. [1999], Prsentation du march du risque de crdit, CDC Marchs, Sminaire INRIA du e e e e e 8 juin 1999 7. Basel Committee on Banking Supervision, Credit Ratings and Complementary Sources of Credit Quality Information, Working Paper, 3, August 2000 8. Koyluoglu, H.U. et A. Hickman [1998], Reconcilable dierences, Risk Magazine, 11, October, 56-62 9. Finger, C.C. [1999], Conditional approaches for CreditMetrics portfolio distributions, CreditMetrics Monitor, April, 14-33 10. Wilson, T. [2001], IRB approach explained, Risk Magazine, 14, May, 87-90 11. Wilson, T. [2001], Probing granularity, Risk Magazine, 14, August, 103-106 12. Basel Committee on Banking Supervision, Working Paper on the Regulatory Treatment of Operational Risk, Working Paper, 8, September 2001 13. Frachot, A., P. Georges et T. Roncalli [2001], Loss Distribution Approach for operational risk, Groupe de Recherche Oprationnelle, Crdit Lyonnais, Working Paper e e 14. Pennequin, M. [2001], Risques oprationnels : comment se prparer ` la rforme de Ble, Club e e a e a Banque, Fdration des Banques Franaises, 27 septembre 2001 e e c
Avant-Propos
Ceci est le support crit qui accompagne le cours Introduction ` la Gestion des Risques. e a Lexpos oral du cours sera sensiblement dirent de ces notes. Celui-ci portera plus sur e e la culture nanci`re du risque que sur les mthodes. e e Les mthodes seront abordes de faon plus approfondie dans deux autres cours : La e e c Thorie des Extrmes et la Gestion des Risques de March et La Gestion des Risques e e e Multiples. Cest dans ces deux cours que nous verrons la mise en uvre pratique des mthodes avec le logiciel GAUSS. A titre indicatif, le premier cours portera sur la VaR et le e stress-testing. Et nous aborderons les copulas, le risque de crdit et le risque oprationnel e e dans le second cours. Les propositions de Ble pour le nouvel Accord voluent rapidement. Par a e exemple, la publication le 28 septembre 2001 dun nouveau document consultatif sur le risque oprationnel modie sensiblement les proposie tions du 16 janvier 2001. Dans lexpos oral, je prsenterai les derniers e e travaux. Certains paragraphes du prsent document peuvent donc tre e e (partiellement) obsol`tes. e
La rdaction de ce document a t faite ` partir de dirents travaux et articles qui ont t raliss au e ee a e ee e e Groupe de Recherche Oprationnelle du Crdit Lyonnais. e e 1. Les chapitres de la partie Le risque de march reprennent la note [HRR] que jai rdige en e e e collaboration avec Sakda Hoeung et Gal Riboulet. e 2. Les chapitres sur le mod`le de Merton et lapproche Intensit sont extraits du rapport de stage long e e de Nicolas Baud. 3. Le chapitre sur CreditRisk+ est extrait du document [R] crit par Gal Riboulet. e e 4. La partie sur le risque oprationnel sinspire tr`s largement des dirents travaux que jai mens e e e e avec Antoine Frachot et Pierre Georges. Vous pouvez tlcharger les documents originaux ` ladresse internet du GRO : http ://gro.creditlyonnais.fr. ee a [B ] Baud, N. [2000], La mesure du risque de crdit, Groupe de Recherche Oprationnelle, Crdit e e e Lyonnais, Rapport de Stage [BFIMR] Baud, N., A. Frachot, P. Igigabel, P. Martineu et T. Roncalli [1999], An analysis framework for bank capital allocation, Groupe de Recherche Oprationnelle, Crdit Lyonnais, Working Paper e e (document disponible sur le site web du GRO) [BN] Bezat, A. et A. Nikeghbali [2000], La thorie des extrmes et la gestion des risques de march, e e e GT ENSAE (document disponible sur le site web du GRO) [BDNRR] Bouye, E., V. Durrleman, A. Nikeghbali, G. Riboulet et T. Roncalli [2000], Copulas for nance : a reading guide and some applications, Groupe de Recherche Oprationnelle, Crdit Lyone e nais, Working Paper (document disponible sur le site web du GRO) [C] Costinot, A. [2000], La construction dun programme de simulation de crise, Groupe de Recherche Oprationnelle, Crdit Lyonnais, Rapport de Stage e e [CRR] Costinot, A., G. Riboulet et T. Roncalli [2000], Stress-testing et thorie des valeurs extrmes : e e une vision quantie du risque extrme, Groupe de Recherche Oprationnelle, Crdit Lyonnais, e e e e Working Paper (document disponible sur le site web du GRO) [FGR] Frachot, A., P. Georges et T. Roncalli [2001], Loss Distribution Approach for operational risk, Groupe de Recherche Oprationnelle, Crdit Lyonnais, Working Paper (document disponible e e sur le site web du GRO) [HRR ] Hoeung, S., G. Riboulet et T. Roncalli [1999], Les risques de march Rglementations, e e mesures et pratiques, Groupe de Recherche Oprationnelle, Crdit Lyonnais, document interne e e [R ] Riboulet, G. [2000], Mesure du risque de crdit dun portefeuille, Groupe de Recherche Oprationnelle, e e Crdit Lyonnais, document interne e
Premi`re partie e
1
Introduction historique
La gestion des risques est une fonction relativement rcente dans les banques. An de bien comprendre e son volution, il est indispensable de disposer de certains rep`res historiques. e e
que les probl`mes de tarication. LAccord de Ble de 1988 impose aussi une nouvelle vision du risque, e a beaucoup plus rglementaire. La publication en 1994 de la mthodologie RiskMetrics par JP Morgan e e permet une diusion tr`s large des mthodes Value-at-Risk (VaR ou valeur en risque) aussi bien aupr`s e e e des professionnels que des acadmiques. e
1. Le support du contrat est appel le sous-jacent de loption. e 2. Le prix convenu ` lavance auquel peut avoir lieu la transaction est le prix dexercice (strike). a 3. Si la maturit de loption nest pas prcise, loption est dite perptuelle. e e e e 4. Lacheteur de loption paye une prime (premium) au vendeur de loption pour le droit dexercer loption. 5. Une option dachat est un call et une option de vente est un put. 6. Si la date dexercice correspond ` lchance de loption, loption est dite Europenne. Si a e e e lacheteur peut exercer ` tout moment avant la maturit de loption, nous avons une option a e Amricaine. Ces deux types doption dnissent les options Vanilles (Vanilla options). e e Lorsquil existe plusieurs dates discr`tes dexercice, on les appelle des options Bermuda e La caractrisation mathmatique de loption correspond ` la dnition de la fonction payo : e e a e European Call European Put Asian (Floating Strike) Asian (Fixed Strike) Lookback Barrier (DOC) Spread Basket (S (T ) K) + (K S (T )) + S (T ) S + K S + (S (T ) mint0 tT S (t)) + 1[mint tT S(t)L] (S (T ) K)
0
(S1 (T ) S2 (T ) K) + (S1 (T ) + S2 (T ) K)
Un swap est un change de deux chanciers de ux futurs. Par exemple, un swap de taux xe/variable e e e (xed/oating) est lchange dun taux xe contre un taux variable (Euribor, etc.). e Un cap est un contrat qui permet ` lacheteur de se garantir contre une hausse des taux en xant a un taux plafond.
The Basel Committee on Banking Supervision The Basel Committee, established by the central-bank Governors of the Group of Ten countries at the end of 1974, meets regularly four times a year. It has about thirty technical working groups and task forces which also meet regularly. The Committees members come from Belgium, Canada, France, Germany, Italy, Japan, Luxembourg, the Netherlands, Spain, Sweden, Switzerland, United Kingdom and United States. Countries are represented by their central bank and also by the authority with formal responsibility for the prudential supervision of banking business where this is not the central bank. The present Chairman of the Committee is Mr. William J. McDonough, President and CEO of the Federal Reserve Bank of New York. The Committee does not possess any formal supranational supervisory authority, and its conclusions do not, and were never intended to, have legal force. Rather, it formulates broad supervisory standards and guidelines and recommends statements of best practice in the expectation that individual authorities will take steps to implement them through detailed arrangements - statutory or otherwise - which are best suited to their own national systems. In this way, the Committee encourages convergence towards common approaches and common standards without attempting detailed harmonisation of member countries supervisory techniques. The Committee reports to the central bank Governors of the Group of Ten countries and seeks the Governors endorsement for its major initiatives. In addition, however, since the Committee contains representatives from institutions which are not central banks, the decisions it takes carry the commitment of many national authorities outside the central banking fraternity. These decisions cover a very wide range of nancial issues. One important objective of the Committees work has been to close gaps in international supervisory coverage in pursuit of two basic principles : that no foreign banking establishment should escape supervision ; and that supervision should be adequate. To achieve this, the Committee has issued a number of documents since 1975. In 1988, the Committee decided to introduce a capital measurement system commonly referred to as the Basel Capital Accord. This system provided for the implementation of a credit risk measurement framework with a minimum capital standard of 8% by end-1992. Since 1988, this framework has been progressively introduced not only in member countries but also in virtually all other countries with active international banks. In June 1999, the Committee issued a proposal for a New Capital Adequacy Framework to replace the 1988 Accord. The proposed capital framework consists of three pillars : minimum capital requirements, which seek to rene the standardised rules set forth in the 1988 Accord ; supervisory review of an institutions internal assessment process and capital adequacy ; and eective use of disclosure to strengthen market discipline as a complement to supervisory eorts. Following extensive interaction with banks and industry groups, a second consultative document, taking into account comments and incorporating further work performed by the Committee, is to be issued in January 2001, with a view to introducing the new framework in 2004. Over the past few years, the Committee has moved more aggressively to promote sound supervisory standards worldwide. In close collaboration with many non-G-10 supervisory authorities, the Committee in 1997 developed a set of Core Principles for Eective Banking Supervision, which provides a comprehensive blueprint for an eective supervisory system. To facilitate implementation and assessment, the Committee in October 1999 developed the Core Principles Methodology. In order to enable a wider group of countries to be associated with the work being pursued in Basel, the Committee has always encouraged contacts and cooperation between its members and other banking supervisory authorities. It circulates to supervisors throughout the world published and unpublished papers. In many cases, supervisory authorities in non-G-10 countries have seen t publicly to associate themselves with the Committees initiatives. Contacts have been further strengthened by an International Conference of Banking Supervisors which takes place every two years, most recently in Basel. The Committees Secretariat is provided by the Bank for International Settlements in Basel. The twelve person Secretariat is mainly staed by professional supervisors on temporary secondment from member institutions. In addition to undertaking the secretarial work for the Committee and its many expert subcommittees, it stands ready to give advice to supervisory authorities in all countries. TABLE 1.1. About Basle Committee (from http ://www.bis.org)
Bibliographie
[1] Amendment to the capital accord to incorporate market risks, Basle Committee on Banking Supervision, January 1996, N 24 [2] Bernstein, P.L. [1995], Des Ides Capitales, Presses Universitaires de France, Paris e [3] Crouhy, M., D. Galai et R. Mark [2001], Risk Management, McGraw-Hill [4] Diamond, D.W. et P.H. Dybvig [1983] Bank runs, deposit insurance and liquidity, Journal of Political Economy, 91(3), 401-419 [5] Jorion, P. [2001], Value at Risk : The new Benchmark for Controlling Market Risks, deuxi`me e dition, McGraw-Hill e
2
Dnition du risque e
Il est tr`s dicile de dnir de faon gnrale la notion de risque. Le risque est li ` la survenance dun e e c e e ea vnement que lon ne peut prvoir qui a des consquences importantes sur le bilan de la banque. Il faut e e e e donc distinguer le caractre alatoire et imprvisible (qui est lorigine du risque) de lenjeu (consquence e e e e nale).
le mod`le de slection de portefeuille de Markowitz, lagent maximise son esprance de gain pour un e e e niveau de risque donn, qui est mesur par lcart-type. e e e Cette vision du risque nest cohrente que dans un monde gaussien. Cependant, nous savons depuis e fort longtemps que lhypoth`se de normalit des rendements des actifs nanciers nest pas vrie. Ace e e e tuellement, la mesure de risque qui est la plus rpandue est la valeur en risque (Value-at-Risk ou VaR). e Statistiquement, ce nest rien dautre que le quantile de la perte potentielle pour un horizon donn. e Soit la variable alatoire reprsentant la perte potentielle. Notons F la distribution de probabilit de e e e . Nous avons VaR = F1 () (2.1)
Deux lments sont donc dterminants pour calculer la valeur en risque : la distribution de probabilit ee e e et le seuil de conance. Rating Temps de retour 1 () t1 () 4 Rglementaire (march) e e 99% 100 jours 2.33 3.75 BBB 99.75% 400 jours 2.81 5.60 A 99.9% 4 annes e 3.09 7.17 AA 99.95% 8 annes e 3.29 8.61 AAA 99.97% 13 annes e 3.43 9.83
La perte moyenne E [] est dsigne par le terme expected loss. Dans le risque de march, le capital e e e en risque (Capital-at-Risk ou CaR) correspond ` la valeur en risque. Dans le risque de crdit, il est gal a e e a ` la dirence entre le quantile et la perte moyenne cette dirence est appele la perte exceptionelle e e e (unexpected loss). Dans ce dernier cas, on suppose que les marges (et les provisions) couvrent la perte moyenne. Enn, il nous faut dnir aussi la charge en capital (capital charge) qui est fonction du e capital en risque. Cette charge en capital correspond au montant eectif de fonds propres immobiliss e pour assurer lopration. e INTRODUCTION A LA GESTION DES RISQUES 12
Bibliographie
[1] Artzner, A., F. Delbaen, J-M. Eber et D. Heath [1997], Thinking coherently, Risk magazine, 10, November, 68-71 [2] Artzner, A., F. Delbaen, J-M. Eber et D. Heath [1999], Coherent measures of risk, Mathematical Finance, 9, 203-228 [3] Augros, J-C. et M. Queruel [2000], Risque de Taux dIntrt et Gestion Bancaire, Economica, ee Paris 2.3. LOPTIMISATION DU COUPLE RENTABILITE/RISQUE 13
[4] Guldimann, Til. [1994], RiskMetricsT M Technical Document, 2nd edition, J.P. Morgan, New York [5] Markowitz, H.M. [1987], Mean-Variance Analyses in Portfolio Choice and Capital Markets, Basil Blackwell, Oxford
3
Le nouvel Accord de Ble et le ratio McDonough a
Les fonds propres (ou le capital) sont un lments du passif dune banque. Ils regroupent : ee Les actions ordinaires et les certicats dinvestissement, les rserves, e le rsultat non distribu, e e etc. Les autres lments du passif dune banque sont les dpts, lpargne des mnages, ainsi que les dettes. ee e o e e A lactif, nous trouvons les crdits et les prts aux mnages et aux entreprises, les services, le portefeuille e e e de titres, etc. Le rle des fonds propres est triple (Dubernet [1997]) : o 1. Les fonds propres sont ncessaires ` la croissance. e a Les fonds propres sont le moteur de lactivit de la banque. A cause des contraintes externes e (par exemple, la rglementation) et internes (imposes par exemple par les actionnaires), ces fonds e e propres dimensionnent le risque de la banque, et donc lactivit de la banque. La croissance de e ltablissement nancier dpend donc de lvolution de son capital. e e e Les fonds propres sont une garantie vis-`-vis des cranciers. a e Ils servent ` garantir lactivit de la banque. En particulier, ils doivent permettre dabsorber les a e fortes pertes dues ` des lments xog`nes et/ou inattendus : a ee e e Crise russe (risque pays dfaut de paiement), e Crise asiatique (implosion des syst`mes bancaires), e Crise immobili`re (krach spculatif), e e etc.
2.
Ainsi plus leur niveau est lev, plus la banque prsente des gages de solidit (` activit bancaire e e e e a e constante). Ces fonds propres sont un des lments de notation de la banque (rating), note qui ee conditionne le cot des ressources (de trsorerie et de long terme). u e 3. Les fonds propres sont les ressources les plus ch`res (exigence de rentabilit). e e Puisque les fonds propres permettent de couvrir les risques, ils sont rmunrs. Le taux de rmunration e ee e e est appel Return on Equity ou ROE. Lobjectif de la banque est donc dorir le ROE le plus e lev ` ses actionnaires (prendre le moins de risque et dgager la plus de rsultat net). Actuellement, e ea e e celui-ci varie fortement dun tablissement nancier ` un autre avec une moyenne autour de 15%. e a Notons que celui-ci a une inuence tr`s importante sur la valeur de march de la banque (Market e e Value Added ou MVA) et conditionne (partiellement) la croissance externe (OPA, OPE, fusion, etc.) de ltablissement nancier. e
La seconde motivation de lAccord est de rapprocher la rglementation des pratiques en vigueur dans e lindustrie pour le pilotage des risques, an que lexigence en fonds propres sont plus sensible au risque rel e (more risk sensitive) de la banque. A terme, lide est dautoriser les banques, sous certaines conditions, e dutiliser les mod`les internes pour mesurer le risque de crdit et le risque oprationnel, comme cela se e e e fait dj` pour le risque de march. ea e [...] Le renforcement de lgalit des conditions de concurrence et le meilleur alignement des e e exigences de fonds propres sur les risques sous-jacents sont [...] deux nalits importantes du e futur dispositif. [...] Le nouveau ratio permettra non seulement de faire converger le capital rglementaire souci des autorits de contrle et le capital conomique souci des e e o e tablissements mais aussi, au-del` des exigences de fonds propres, de poser un vritable e a e cadre prudentiel pour le contrle bancaire des prochaines annes (Pujal [2001]). o e Le nouveau dispositif se dcompose en trois piliers : e 1. First Pillar : Minimum Capital Requirement 2. Second Pillar : Supervisory Review Process 3. Third Pillar : Market Discipline Le premier pilier concerne lexigence minimale en fonds propres. Le traitement du risque de march e reste inchang. Le traitement du risque de crdit est revu en profondeur. Trois mthodes sont dsormais e e e e possibles pour mesurer le risque de crdit : e Lapproche standardise est une version actualise de lapproche rglementaire actuelle. En partie e e culier, la classication est beaucoup plus ne et la notation externe (rating) est prise en compte. 3.3. BALE II ET LE NOUVEAU RATIO DE SOLVABILITE 17
Lapproche IRB (Internal Ratings Based Approach) est une mthode de calcul base sur des e e mesures internes des probabilits de dfaillance (Probability of Default ou PD) et des mesures e e externes des autres param`tres du mod`le. e e Dans lapproche IRB avance, la banque estime aussi le taux de perte (Loss Given Default ou e LGD), lexposition au dfaut (Exposure At Default ou EAD) et le traitement des garanties. e La mthode de calcul (relativement complexe voir le chapitre 10 page 105) est standardise et impose e e e par le Comit de Ble. Pour linstant, le Comit de Ble nenvisage pas dautoriser lutilisation de mod`les e a e a e internes. Le risque oprationnel fait maintenant partie de lassiette des risques. Comme pour le risque e oprationnel, le Comit de Ble propose trois mthodes pour le mesurer : e e a e 1. La mthode Basic Indicator Approach (BIA). e Dans ce cas, le risque oprationnel dun tablissement est apprhend ` partir dun indicateur e e e e a nancier. Le Comit de Ble propose de retenir le revenu brut GI comme proxy. La charge en e a capital K se calcule alors tr`s facilement ` partir de la formule e a K = GI (3.1)
o` est un coecient x par les autorits rglementaires. Un premier calcul du Comit de Ble u e e e e a donne gal ` 30%. e a 2. La mthode Standardized Approach (SA). e Dans cette approche, ltablissement nancier est divis en business lines. Un indicateur nancier e e FI est alors utilis pour calculer la charge en capital spcique ` la business line i e e a K (i) = (i) FI (i) (3.2)
La charge en capital pour la banque au titre du risque oprationnel correspond alors ` la somme e a des charges en capital spciques : e K=
i
K (i) =
i
(i) FI (i)
(3.3)
Pour linstant, le Comit de Ble a retenu 7 business lines et nenvisage pas de prendre en compte e a les eets de diversication (cest-`-dire les corrlations). a e 3. La mthode Internal Measurement Approach (IMA). e Cest lapproche la plus sophistique. Le Comit de Ble a adopt un dcoupage matriciel du risque e e a e e oprationnel. Pour une business line i et un type de risque j, la charge en capital est dnie comme e e lunexpected loss UL (i, j) au seuil de conance de 99%. La formule suivante est utilise pour calculer e UL (i, j) : K (i, j) := UL (i, j) = EL (i, j) (i, j) RPI (i, j) (3.4)
o` EL (i, j) reprsente la perte moyenne, est un facteur dchelle rglementaire et RPI est lindice u e e e de prol de risque. Notons que le Comit de Ble propose de calculer la perte moyenne comme le e a produit de trois termes : EL (i, j) = EI (i, j) PE (i, j) LGE (i, j) (3.5)
o` EI (i, j) est lindicateur dexposition, PE (i, j) est la probabilit doccurence dune perte unitaire u e et LGE (i, j) est le montant de la perte unitaire. En combinant ces deux quations, nous obtenons e lexpression suivante pour UL (i, j) : UL (i, j) = EI (i, j) PE (i, j) LGE (i, j) (i, j) RPI (i, j) (3.6)
Parmi les 5 param`tres ncessaires au calcul, seul est un param`tre externe fourni par les autorits e e e e rglementaires. Comme pour la mthode SA, la charge en capital pour la banque au titre du risque e e oprationnel correspond alors ` la somme des charges en capital spciques : e a e K=
i j
UL (i, j)
(3.7)
18
Depuis la publication du second document consultatif, la position du Comit de Ble a volu : e a e e Les risques oprationnels pourraient reprsenter moins de 20% de lexigence en fonds propres. e e Lapproche IMA est remplace par lapproche AMA (Advanced Measurement Approach) e qui pourrait tre compose de plusieurs mthodes (IMA, ScoreCard, LDA, etc.). Il nest donc e e e pas exclu que le Comit de Ble autorise lutilisation des mod`les internes LDA. e a e Le second pilier concerne le processus de surveillance. Les autorits de contrle (la Commission Bancaire e o en France) disposeront dun pouvoir beaucoup plus important. Enn, le troisi`me pilier vise ` promouvoir e a une discipline de march plus ecace (communication publique de la structure du capital, de lallocation e de fonds propres, de lexposition aux risques et des pertes).
Bibliographie
[1] International convergence of capital measurement and capital standards, Basle Committee on Banking Supervision, July 1988, N 4 [2] Capital Adequacy Directive (CAD), directive 93/6/CEE du CONSEIL du 15 mars 1993 sur ladquation des fonds propres des entreprises dinvestissement et des tablissements de crdit, Journal e e e Ociel des Communauts Europennes, N L 141/1-26 e e [3] Amendment to the capital accord to incorporate market risks, Basle Committee on Banking Supervision, January 1996, N 24 [4] A new capital adequacy framework, Basle Committee on Banking Supervision, June 1999, N 50 [5] The New Basel Capital Accord Consultative Document, Basle Committee on Banking Supervision, January 2001 [6] Overview of The New Basel Capital Accord Consultative Document, Basle Committee on Banking Supervision, January 2001 [7] The New Basel Capital Accord : an explanatory note Consultative Document, Basle Committee on Banking Supervision, January 2001 [8] Basel part one : the new Accord, Risk Magazine, 14, February, 24-29 [9] The new Accord delayed, Risk Magazine, 14, July, 29-31 [10] Bessis, J. [1995], Gestion des Risques et Gestion Actif-Passif des Banques, Dalloz, Paris [11] Dubernet, M. [1997], Gestion Actif-Passif et Tarication des Services Bancaires, Economica, Paris [12] Pujal, A. [2001], Un nouveau ratio de solvabilit en 2004, Banque Magazine, 622, Fvrier, 36-39 e e
4
La notion de Capital Economique et lallocation de fonds propres
4.1 La problmatique e
Cadre danalyse : Utilisation dun mod`le interne dallocation de fonds propres sur base conomique. e e Objectif : Cration de valeur (EVA) pour les actionnaires (Shareholder Value Added analysis e SVA). Moyens : Calcul de la rentabilit conomique de chaque opration, de chaque projet (cest-`e e e a dire de la rentabilit de chaque projet en tenant compte du montant de fonds propres capital e conomique consomm). e e
4.3.1
Lapproche bottom-up
Lapproche bottom-up peut tre considre comme un mod`le dallocation de fonds propres et/ou e ee e comme un suivi de la consommation de fonds propres. Le principe est de mesurer le capital conomique e au niveau le plus n, cest-`-dire au niveau de la transaction, puis de consolider ces capitaux conomiques a e a ` des niveaux moins dtaills. De par sa nature, lapproche bottom-up permet eectivement de suivre la e e consommation en fonds propres.
Plusieurs questions se posent alors : Comment dcider la ralisation ou non dune opration ? e e e Comment choisir entre deux oprations ? e Que faire lorsque lenveloppe alloue est enti`rement consomme ? e e e Nous voyons bien que dans ce contexte le principe de premier arriv, premier servi ne e tient plus. Une premi`re approche consid`re le principe dEuler. Soit un portefeuille avec un vecteur de stratgie e e e u. Notons R la mesure de risque et K le vecteur de capital conomique. Nous pouvons alors dnir une e e mesure de performance raisonnable par (Tasche [1999], thor`me 4.4) : e e a (u) = u R (u) Le capital conomique est alors dni par K = (Ki (u)) avec e e Ki (u) = ui ai (u) R (u) ui u R (u) R (u) (4.1)
(4.2)
Dans le cas dune mesure de risque de type Value-at-Risk gaussienne, nous retrouvons le principe de covariance. Une deuxi`me approche consid`re lgalisation des mesures de performance ajuste du risque e e e e (RAPM) : 1. Roc (return on regulatory capital) 2. Rorac (return on risk-adjusted capital) 3. Raroc (risk-adjusted return on regulatory capital) 4. Rarorac (risk-adjusted return on risk-adjusted capital) Par exemple, la mesure RORAC est dnie par e RORAC = Revenu net Capital conomique e (4.3)
Lide sous-jacente est alors de comparer cette mesure ` une cible, et seuls les projets qui prsentent des e a e performances suprieures ` cette cible seront retenus. e a Considrons M activits relativement indpendantes. Notons Km le capital conomique allou ` la me e e e ea i`me activit. Soit (K) la fonction qui relie le capital conomique et le RORAC. C reprsente le capital e e e e de la banque. Nous pouvons alors formaliser le probl`me dallocation de la faon suivante : e c K1 + . . . + KM C m (Km ) = m (Km ) (4.4)
A moins de considrer lindpendance entre les direntes activits (ou de faire des hypoth`ses simplie e e e e catrices), lapproche bottom-up est dicile ` utiliser pour faire un vritable exercice dallocation de fonds a e propres. En fait, cette approche est beaucoup plus approprie pour suivre la consommation de fonds e e e propres, et ` posteriori pour mesurer la vritable rentabilit de chaque activit. a e
4.3.2
Lapproche top-down
Contrairement ` lapproche bottom-up qui consiste ` consolider le risque du portefeuille bancaire depuis a a le niveau lmentaire (la transaction) jusqu` lunit dallocation (la ligne de mtier), lapproche topee a e e down consiste ` dsagrger une information mesure sur lensemble du portefeuille bancaire, celle-ci tant a e e e e utilise comme un proxy pour la mesure de risque. e Concr`tement, selon la mthodologie EaR (Earnings-at-Risk) usuellement mise en uvre dans ce e e contexte, le risque dune activit est directement reli ` la volatilit de son rsultat. De ce point de vue, e ea e e INTRODUCTION A LA GESTION DES RISQUES 22
la volatilit est perue comme un intgrateur de lensemble des risques associs ` cette activit. e c e e a e Cette dmarche est une tape prliminaire naturelle de lallocation puisquelle adopte le point de vue e e e de lactionnaire qui investit son capital dans direntes activits bancaires assimiles ` autant dactifs e e e a nanciers. Cest donc une mthode proche de la thorie du portefeuille, mais avec des particularits lies e e e e a ` lactivit bancaire. e Remarque 2 Vous trouverez un exemple de mthode top-down dans larticle de Baud, Frachot, Igie gabel, Martineu et Roncalli [1999].
Bibliographie
[1] Baud, N., A. Frachot, P. Igigabel, P. Martineu et T. Roncalli [1999], An Analysis Framework for Bank Capital Allocation, Groupe de Recherche Oprationnelle, Crdit Lyonnais, Working Paper e e [2] Denault, M. [1999], Coherent allocation of risk capital, Swiss Federal Institute of Technology, Working Paper [3] Froot, K.A. et J.C. Stein [1998], Risk management, capital budgeting, and capital structure policy for nancial institutions : an integrated approach, Journal of Financial Economics, 47, 55-82 [4] Punjabi, S. [1998], Many happy returns, Risk, June, 71-76 [5] Tasche, D. [1999], Risk contributions and performance measurement, Zentrum Mathematik, TU Mnchen, Working Paper u
Deuxi`me partie e
Le risque de march e
25
5
La rglementation prudentielle e
Le dveloppement des marchs nanciers dans les annes 80 et surtout dans les annes 90, a conduit e e e e les autorits de contrle bancaire et les autorits de march ` prendre un certain nombre de dcisions e o e e a e pour rguler ces marchs. En particulier, ces dcisions ont concern fortement les risques de march. e e e e e Actuellement, ils existent plusieurs textes rglementaires relatifs ` ce sujet. Nous pouvons citer par e a exemple celui de la Commission Bancaire dat du 3 Novembre 1997 et celui de la CAD [1]. Ces textes e rglementaires ont eu pour eet de pousser les tablissements nanciers ` dvelopper des mod`les internes e e a e e de mesure de risque.
Avant de situer les enjeux pour une banque, nous devons prciser dans un premier temps la notion de e risque de march. Celui-ci est prsent de la mani`re suivante dans le texte de la Commission Bancaire e e e e (rfrence [3], section 1) : ee
Le risque de march, dni comme le risque de pertes sur les positions du bilan et du horse e bilan ` la suite de variations des prix de march, recouvre : a e Les risques relatifs aux instruments lis aux taux dintrt et titres de proprit du portee ee ee feuille de ngociation ; e Le risque de change et le risque sur produits de base encourus pour lensemble de lactivit e de bilan et hors-bilan.
Nous remarquons tout de suite le caract`re potentiel de la perte induit par cette dnition. Et nous e e voyons aussi que le prim`tre considr est relativement large. Nous devons noter tout de mme que cette e e ee e perte doit tre lie ` des possibles variations de prix de march. e e a e
De la mme mani`re que pour le risque de crdit, les exigences de fonds propres relatives aux risques e e e de march sappliquent sur une base consolide. Pour les mesurer, les tablissements ont le choix entre e e e deux types dapproches :
1. lapproche standard prsente dans les direntes annexes du document [3]. Celles-ci concernent les e e e catgories suivantes de risques et sont additionnes de mani`re arithmtique ; e e e e Catgorie de risque e Risque de Taux (risque gnral et risque spcique) e e e Risque sur Titres de Proprit ee (risque gnral et risque spcique) e e e Risque de Change Risque sur mati`res premi`res e e Risques optionnels Prim`tre de calcul e e Portefeuille de ngociation e Portefeuille de ngociation e Ensemble des oprations quelles appartiennent e au portefeuille de ngociation ou non e Ensemble des oprations quelles appartiennent e au portefeuille de ngociation ou non e Options associes ` chacune des catgories de e a e risques prcdentes e e
2. ou lapproche mod`les internes. Lutilisation de cette mthode, subordonne ` la ralisation de e e e a e certaines conditions, est soumise ` lapprobation explicite du Secrtariat Gnral de la a e e e Commission Bancaire . Le probl`me de lutilisation conjointe des mod`les internes et de la mthodologie standardise fait lobjet e e e e dun paragraphe dans lannexe 7 du document [3]. La position de la Commission Bancaire sur ce point est donc la suivante : Ainsi, un tablissement commenant ` utiliser des mod`les pour une ou plusieurs catgories e c a e e de facteurs de risque doit en principe tendre progressivement ce syst`me ` tous ses risques e e a de march et ne peut plus, pour les risques valus, revenir ` la mthodologie standardise (` e e e a e e a moins que la Commission Bancaire ne lui ait retir son agrment pour ses mod`les). e e e La Commission Bancaire tol`re donc lutilisation combine des mod`les internes et de la mthode standare e e e dise. Mais elle prte une attention particuli`re ` la permanence des mthodes, ainsi qu` leur volution e e e a e a e an de sorienter vers un mod`le global qui tient compte de lensemble des risques de march. e e Pour la banque, en plus de fournir une mesure plus juste des risques de march, la construction dun e mod`le interne est un projet qui permet aussi dassainir son syst`me dinformation, notamment sur le e e stockage et la qualit des donnes. Mais le vritable enjeu concerne lexigence en fonds propres. Nous e e e pouvons penser quune mesure plus rchie permet de mieux mesurer la consommation en fonds propres e e des activits de march. Un mod`le interne est donc un lment de rponse dans le cadre dun mod`le e e e ee e e dallocation de fonds propres, comme peuvent ltre les outils RAROC. e La lecture des textes rglementaires est intressante ` plusieurs titres. Elle permet de dgager les e e a e crit`res dnissant un bon mod`le selon les autorits rglementaires, cest-`-dire de dnir les normes e e e e e a e de validation. Elle permet aussi de sinterroger sur les aspects mthodologiques et le choix dun mod`le. e e Elle permet enn de repositionner les pratiques actuelles en mati`re de gestion du risque de march par e e rapport aux exigences rglementaires. e
Ble) sur le risque bancaire, mais celui-ci concernait plus spciquement le risque de crdit, cest-`-dire a e e a le risque de dfaillance de la contrepartie . Ce nest quen 1993 que des mthodes standardises pour e e e mesurer les risques de march ont commenc ` tre proposes dans le cadre du Comit de Ble, sans e e a e e e a encore faire lobjet dapplication en termes de contrle . Sous la pression de certains v`nements maro e e quants du dbut des annes 1990 (en particulier, la faillite de la banque Barings), de nouveaux travaux e e ont vu le jour, notamment lamendement ` lAccord sur les fonds propres de 1988 concernant les risques a de march du comit de Ble en janvier 1996. Cest sur ce texte, ainsi que sur la directive 93/6/CEE e e a du Conseil de lUnion Europenne du 15 mars 1993, que sappuie tr`s fortement la rglementation de la e e e Commission Bancaire. Les institutions nanci`res ont la possibilit dutiliser leurs propres mod`les internes de mesure de e e e risques de march ` la place des mthodes standardises. Ces mod`les internes doivent cependant tre ea e e e e valids par lautorit de tutelle, cest-`-dire quils doivent respecter des normes qualitatives et des crit`res e e a e qualitatifs et quantitatifs. Nous dveloppons ceux-ci dans les paragraphes qui suivent. e
ltablissement poss`de en nombre susant de personnel quali pour lutilisation de mod`les e e e e labors non seulement dans le domaine de la ngociation, mais aussi dans ceux du contrle des e e e o risques, de laudit interne et, du postmarch ; e les mod`les de ltablissement ont fait la preuve sur une dure signicative quils mesurent les risques e e e avec une prcision raisonnable ; e ltablissement eectue rguli`rement des simulations de crise selon les modalits prcises ` la e e e e e e a section 5.5.3. Dans la mme section, la Commission Bancaire prcise la procdure de soumission du mod`le et les e e e e modalits dutilisation : e Lutilisation des mod`les internes pour le calcul de lexigence prudentielle en fonds propres e est soumise ` lapprobation pralable de la Commission Bancaire, apr`s une priode a e e e de suivi et de test en situation relle. e
c. d.
Lorgane dlibrant et lorgane excutif doivent tre activement associs au processus de contrles e e e e e o des risques et le considrer comme un aspect essentiel de lactivit de ltablissement. e e e Les rapports quotidiens doivent tre revus par des responsables disposant de lexpertise et de e lautorit susantes pour exiger au besoin une rduction des positions prises par un oprateur e e e voire une diminution du degr dexposition global de la banque. e Les mod`les internes doivent tre troitement intgrs ` la gestion journali`re des risques. e e e e e a e Le syst`me de mesure des risques doit tre utilis conjointement avec les limites oprationnelles. e e e e Un programme rigoureux de simulations de crise doit rguli`rement complter lanalyse des e e e risques fonde sur les rsultats quotidiens des mod`les internes. Lorsque ses conclusions font ape e e para tre une vulnrabilit particuli`re ` un ensemble donn de circonstances, des mesures approe e e a e pries doivent tre prises rapidement pour rduire ces risques. e e e Les tablissements doivent disposer dun programme de vrication du respect des r`gles e e e et procdures internes relatives au fonctionnement du syst`me de mesure des risques. Ce syst`me e e e fait lobjet dune documentation dcrivant les principes de base et le dtail des techniques de e e mesure utilises. e Une analyse indpendante du syst`me de mesure des risques doit tre eectue rguli`rement e e e e e e dans le cadre du processus dun audit interne de ltablissement. Elle doit porter ` la fois sur les e a activits des units de ngociation et sur celles de lunit indpendante de contrle des e e e e e o risques. Ralise ` intervalles rguliers, si possible annuellement, elle doit couvrir au minimum : e e a e le caract`re adquat de la documentation concernant le syst`me et les processus de mesure des e e e risques ; lorganisation de lunit de contrle des risques ; e o lintgration des mesures des risques de march dans la gestion journali`re des risques ; e e e les procdures dagrment des mod`les et syst`mes de valorisation ; e e e e la validation de toute modication signicative du processus de mesure des risques ; la couverture par le mod`le des dirents risques de march ; e e e la abilit et lintgrit du syst`me dinformation et des tableaux de bord destins aux respone e e e e sables ; la prcision et lexhaustivit des donnes relatives aux positions ; e e e le contrle de la cohrence, de la mise ` jour et de la abilit des donnes utilises dans les o e a e e e mod`les internes ainsi que de lindpendance des sources ; e e lexactitude et la pertinence des hypoth`ses en mati`re de volatilit et corrlations ; e e e e la vrication de la prcision des mod`les par le biais danalyses ex-post frquentes. e e e e
e. f. g.
h.
i.
Plusieurs commentaires peuvent tre faits sur ces crit`res qualitatifs. Tout dabord, la Commission e e Bancaire insiste fortement sur lorganisation du syst`me des risques et notamment sur lunit de contrle. e e o Sans fournir la structure dsire du syst`me, elle indique des signaux forts pour lunit de contrle e e e e o concernant son indpendance, son pouvoir et sa comptence. La Commission Bancaire insiste aussi e e sur la transparence des mod`les. Ils doivent notamment faire lobjet dune description crite dtaille et e e e e doivent tre aliments par des bases de donnes ables. e e e
4. 5. 6.
La priode dobservation (chantillon historique) pour le calcul de la perte potentielle doit tre au e e e minimum dun an. Les tablissements doivent mettre ` jour leurs sries de donnes au moins une fois tous les e a e e trois mois et plus frquemment en cas daccroissement notable des volatilits observes. e e e Les tablissements peuvent prendre en compte les corrlations empiriques entre tous les face e teurs de risques sous rserve que le syst`me de mesure de celles-ci soit able, appliqu de mani`re e e e e int`gre et que la qualit des estimations soit susante. e e Les mod`les doivent apprhender avec prcision les risques particuliers lis au caract`re non e e e e e linaire du prix des options. e Chaque tablissement doit satisfaire, sur une base journali`re, ` lexigence de fonds propres core e a respondant ` la valeur la plus leve entre : i) la perte potentielle du jour prcdent ; et ii) la a e e e e moyenne des pertes potentielles sur les soixante derniers jours ouvrs, ` laquelle est appliqu un e a e facteur de multiplication. La Commission Bancaire attribue ` chaque tablissement un facteur multiplicatif en fonction de a e la qualit de son syst`me de gestion des risques, avec un minimum de 3, le complment ventuel, e e e e compris entre 0 et 1, tant directement li aux performances de son mod`le, values a posteriori. e e e e e Lorsque le risque spcique inhrent aux instruments lis au taux dintrt et aux titres de proe e e ee prit nest pas pris en compte de mani`re satisfaisante dans leurs mod`les, les tablissements sont ee e e e assujettis ` une exigence de fonds propres distincte destine ` couvrir ce risque calcule selon la a e a e mthodologie standard. e
7. 8.
9.
10.
Plusieurs des crit`res prcdents sont discuts dans la section concernant les aspects mthodologiques. e e e e e Pour rsumer, les tablissements doivent calculer la perte potentielle quotidiennement pour e e une priode de dtention de 10 jours. Notons cette perte potentielle P (t) ` la date t (jour ouvr). e e a e A chaque date t, ltablissement calcule lexigence de fonds propres FP (t) de la faon suivante e c FP (t) = max P (t 1) , (3 + ) 1 60
60
P (t i)
i=1
(5.1)
avec le complment ventuel (0 1). Il est donc important de disposer dune bonne mesure des e e risques (cest-`-dire de la perte potentielle) puisque celle-ci conditionne totalement lexigence en fonds a propres. Dans le cadre dune banque universelle, il est important de veiller ` ce que la mesure a des risques de march ne soit ni sur-estime, ni sous-estime an de ne pas dfavoriser ou e e e e favoriser lactivit Corporate March au dtriment des autres activits de la banque. De e e e e mme, nous pouvons supposer que la Commission Bancaire attribuera automatiquement un coecient e multiplicateur gal ` 4 lorsque la mesure de risque lui sera prsente pour la premi`re fois. Ce nest quau e a e e e vu du comportement de cette mesure que la Commission Bancaire modiera ce coecient et le xera peut-tre ` 3. Il convient donc de prendre conscience de limportance des rexions menes en amont sur e a e e la mesure et sur la ncessit de la priode de test. e e e Remarque 3 Lexigence en fonds propres est calcule pour une priode de dtention de 10 jours. Cepene e e dant, cette priode de dtention est ramene ` un jour lorsque lanalyse concerne le calcul des exceptions, e e e a cest-`-dire le backtesting. Il convient donc de bien distinguer ces deux mesures de risque. a Deux points sont importants dans la mise en place du mod`le. Le point 6 prcise que nous devons e e prendre en compte lensemble des facteurs de march. Il nest donc pas ncessaire de considrer chaque e e e produit comme un facteur de march. Nous pouvons donc eectuer des regroupements (notamment pour e les produits de taux) ` partir de techniques danalyse de donnes pour construire ces facteurs. Mais ces a e facteurs pris dans leur ensemble doivent parfaitement reter les possibilits de variation des prix. Cela e e sapplique en particuliers aux produits optionnels (point 7). Il nest pourtant pas prcis les types de e e non-linarit que doit apprhender le mod`le. Il est communment admis que les convexits dordre 1 et e e e e e e 2 par rapport au prix du sous-jacent (risques de Delta et Gamma) doivent tre pris en compte. Dans e lannexe 6, il est de plus prcis que nous devons tenir aussi compte de la sensibilit des options ` la e e e a e volatilit des sous-jacents (risque vega) . Nous pouvons donc supposer que les mod`les de mesure de e risque des options doivent tre bass sur des mod`les qui prennent en compte le smile de volatilit. Enn, e e e e ` 5.4. LES CRITERES QUANTITATIFS 31
la Commission Bancaire est assez imprcise concernant le cinqui`me point. Elle ne prcise pas ce qui est e e e considr comme un accroissement notable de la volatilit. Lapprciation est laisse ` la discrtion de ee e e e a e lunit de contrle. e o
5.5.1
Dune mani`re gnrale, les grandes catgories de facteurs concernent : e e e e Les taux dintrt ; ee Les cours de change ; Les prix des titres de proprit et de produits de base1 ; ee La volatilit des options correspondantes. e Plus prcisment, la commission Bancaire propose de dnir les facteurs de risque comme les param`tres e e e e de march qui aectent la valeur des positions de ngociation de ltablissement et propose un certain e e e nombre de recommandations : 1. Pour les taux dintrt, un ensemble de facteurs de risque doit exister pour chaque monnaie. ee La modlisation de la courbe des taux doit faire intervenir plusieurs bandes de maturit, e e an dapprhender la variation de la volatilit des taux tout au long de lchancier ; ` chaque e e e e a bande correspond au moins un facteur de risque. Le syst`me de mesure doit inclure des facteurs distincts destins ` saisir le risque li aux e e a e carts de taux entre types dinstruments et/ou catgories dmetteurs. e e e 2. Pour les cours de change, on doit prvoir e nationale de chaque devise. 3. des facteurs correspondant au cours contre monnaie
Les facteurs de risque doivent exister pour chacun des marchs de titres de proprit. Au minimum, e ee un facteur de risque doit apprhender les uctuations des prix dun march donn (indice de march). e e e e Une mthode plus dtaille consiste ` dnir des facteurs de risque correspondant aux dirents e e e a e e secteurs du march. Lapproche la plus compl`te consiste ` retenir comme facteurs de risque les e e a titres spciques. e
4. Pour les produits de base, un facteur de risque unique peut tre admis lorsque les positions sont e faibles. En cas dactivit plus importante, les mod`les doivent tenir compte des dirences entre e e e qualits du mme produit et maturits. e e e 5. Pour les options, on doit tenir compte de facteurs de risque apprhendant la volatilit des taux/prix/e e cours sous-jacents. Lorsque les positions sont importantes ou lorsque lactif conditionnel est complexe, on doit utiliser des volatilits direncies en fonction des chances et le cas chant des e e e e e e e prix dexercice. Ce dernier point est important, puisque la Commission Bancaire prcise comment doit tre pris en e e compte le risque de volatilit. Dune mani`re gnrale, laspect volatility skew 2 doit tre intgr dans e e e e e e e
1 Les risques de march concernent aussi les produits sur mati`res premi`res. Cela appara clairement dans lactualisation e e e t du 31 dcembre 1998 (rfrence [4]) : e ee
Enn, par instruments sur produits de base, il faut comprendre tous contrats ` terme ou dchange, a e toutes options achetes ou tous produits drivs similaires ayant pour sous-jacents des contrats sur produits e e e nergtiques, productions agricoles ou mtaux non ferreux (par exemple aluminium, cuivre et zinc), ainsi que e e e les autres mtaux non prcieux. e e
2 La notion de volatility skew (ou volatility smile) correspond au fait que la volatilit implicite des options de mme e e maturit nest pas constante et quelle dpend des prix dexercice. Si nous reprsentons sur un graphe la volatilit en e e e e fonction du prix dexercice, nous obtenons une courbe qui ressemble souvent ` un sourire. a
32
le mod`le. Il est aussi intressant de remarquer la construction du troisi`me point. A sa lecture, la e e e meilleure mthode consisterait ` prendre en compte la totalit des prix de titres pour dnir les facteurs e a e e de risque. Cependant, ce type dapproche pose des probl`mes statistiques importants lis ` la thorie de e e a e convergence des estimateurs, de telle sorte que, concr`tement, une application ` la lettre du point 3 peut e a tre dangereuse. e
5.5.2
Nous rappelons que le risque spcique vise ` tenir compte du risque de contrepartie li ` lmetteur e a ea e de linstrument (document [2], page 9). Les mod`les internes, qui prennent en compte ce risque spcique, e e doivent satisfaire les crit`res suivants : e Le mod`le est apte ` expliquer ex ante les variations historiques des valeurs du portefeuille, e a il fournit la preuve de sa sensibilit au risque de concentration dans la composition du portefeuille, e sa abilit de fonctionnement demeure bonne dans un environnement adverse, e la qualit de ses performances est justie par un contrle ex-post (backtesting), e e o la mthodologie sous-jacente doit tre en mesure de prendre en compte le risque dvnements e e e e imprvisibles (OPA, OPE, etc.) ainsi que le risque de dfaillance de lmetteur. e e e ... les exigences de fonds propres pour la couverture du risque spcique feront lobjet e dune surcharge en capital. Le mode de calcul de lexigence de fonds propres est relativement peu clair dans ce cas (voir page 53 du document [3]). Nanmoins, la Commission bancaire fournit la formule suivante : e soit 3(VaR globale) + (VaR risque spcique du portefeuille global), e soit 3(VaR globale) + (VaR des sous-portefeuilles contenant du risque spcique). e Il est dicile de faire le lien entre cette formule et la formule (5.1). Dans lactualisation du 31 dcembre e 1998 (rfrence [4]), la Commission Bancaire est encore moins prcise sur le risque spcique puisque le ee e e paragraphe traitant de ce sujet se rduit ` une peau de chagrin. Nanmoins, nous pouvons penser que e a e le coecient 3 est en fait le coecient multiplicatif 3 + . En notant VaR sp la VaR du risque spcique e (cest-`-dire la VaR risque spcique du portefeuille global ou la VaR des sous-portefeuilles contenant du a e risque spcique), il est possible que la vraie formulation soit e FP (t) = max P (t 1) + VaR sp (t 1) , (3 + ) 1 60
60
La consquence immdiate de la non prise en compte du risque spcique dans le mod`le est que e e e e
P (t i) +
i=1
1 60
60
VaR sp (t i)
i=1
(5.2)
Il est intressant de noter que la Commission Bancaire fait explicitement rfrence ` la VaR (Value-ate ee a Risk) que nous pouvons traduire sous le terme de valeur en risque. Mme si cela nest pas arm e e parfaitement, la mthode interne de rfrence est clairement la VaR. e ee
5.5.3
Simulations de crise
Nous rappelons que les simulations de crise font partie des normes gnrales dacceptation de la mthode e e e interne. Cest donc un point important dans la mise en place dun mod`le interne. Celles-ci font dailleurs e lobjet dun paragraphe dans le texte de la Commission Bancaire. 7 points sont alors voqus : e e Les tablissements... doivent se doter dun programme de simulations de crise ` la fois rie a goureux et complet. Ces simulations, qui permettent didentier les v`nements susceptibles davoir e e une forte incidence, constituent un lment-cl de lvaluation du niveau des risques. ee e e 2. Elles doivent couvrir toute la gamme des facteurs, y compris les vnements ` probabilit rduite. e e a e e Elles doivent aussi rendre compte de limpact de ces vnements sur les produits linaires et non e e e linaires. e 3. Les simulations de crise doivent revtir un caract`re quantitatif et qualitatif. En outre, ltablissement e e e doit dresser linventaire des mesures ` prendre pour rduire ses risques et prserver son capital. Leurs a e e conclusions doivent tre communiques systmatiquement ` la direction gnrale, et priodiquement, e e e a e e e au conseil dadministration. 1. 5.5. AUTRES CONSIDERATIONS 33
4. Lexercice prudentiel consiste ` tester sur le portefeuille courant des situations passes de pertubaa e tions majeures, en tenant compte des fortes variations de prix et de la vive rduction de la liquidit e e associes ` ces vnements et/ou ` valuer la sensibilit des positions de march aux modications e a e e ae e e des hypoth`ses de volatilit et corrlations, ce qui ncessite une mesure des marges de uctuations e e e e de ces valeurs dans le pass et un calcul sur la base des chires extrmes. e e 5. Ces scnarios doivent notamment comprendre les situations que ltablissement identie comme e e tant les plus dfavorables, sur la base des caractristiques de son portefeuille. e e e 6. La Commission Bancaire peut demander ` ltablissement dvaluer limpact de scnarios quelle a a e e e dnis et de lui communiquer lensemble des conclusions. e 7. Les rsultats doivent tre revus ` intervalles rgulier par la Direction Gnrale et tre pris en e e a e e e e compte dans la dnition des limites et stratgies xes. En outre, si la simulation fait appara e e e tre une vulnrabilit particuli`re ` un ensemble donn de circonstances, ltablissement doit prendre e e e a e e rapidement les mesures ncessaires ` une gestion adquate de ces risques. e a e Nous voyons ici limportance de la direction gnrale dans le syst`me de gestion des risques. Celle-ci e e e doit tre continuellement informe. Il est intressant de noter que le cur du mod`le interne doit tre e e e e e bas sur les vnements extrmes. Le mod`le doit donc bien mesurer une perte potentielle, un risque e e e e e extrme. Enn, nous devons aussi remarquer limportance de la Commission Bancaire qui, si elle le e dsire, peut intervenir et demander ` ltablissement de chirer des scnarios. e a e e
avec X la variable alatoire correspondant au nombre dexceptions pour la priode [t1 , t2 ]. X correspond e e N bien sr ` une variable alatoire Binomiale Bp . La probabilit cumule davoir n exceptions a donc pour u a e e e expression
n
Pr (X n) =
i=1
i CN pi (1 p)
N i
La Commission Bancaire dnit alors trois zones pour valuer les rsultats des contrles ex post et pour e e e o appliquer le complment ventuel au coecient multiplicateur 3 : e e Zone Verte Orange Rouge Dnition de la zone e Pr (X n) < 95% Pr (X n) < 99.99% Pr (X n) 99.99% Valeur de 0 01 1
34
A titre dillustration, nous reproduisons le tableau de la Commission Bancaire pour N gal ` 250 jours e a ouvrs. e
Zone
Verte
Probabilit (en %) e Pr (X = n) 8.1059 20.469 25.742 21.495 13.407 6.663 2.748 0.968 0.297 0.081 0.020
Probabilit cumule e e Pr (X n) 8.1059 28.575 54.317 75.812 89.219 95.882 98.630 99.597 99.894 99.975 99.995
Majoration du facteur de multiplication 0.00 0.00 0.00 0.00 0.00 0.40 0.50 0.65 0.75 0.85 1.00
Orange
Rouge
Le graphique (5.1) reprsente le nombre critique dexceptions pour la dtermination des fronti`res des e e e zones verte, orange et rouge. La lecture du graphique est la suivante : Par exemple, pour 500 jours ouvrs, e la zone verte est deni pour un nombre dexceptions infrieur ou gal ` 8, la zone orange va de 9 ` 14 e e a a exceptions et la zone rouge commence ` 15 exceptions. Toutefois, la Commission Bancaire ne prcise pas a e
comment est calcul la majoration du facteur multiplicatif dans la zone orange. Elle prcise nanmoins e e e que celles-ci ne sont toutefois pas destines ` tre appliques de faon purement automatique, e a e e c plusieurs lments dinformation pouvant tre pris en compte pour complter lvaluation. ee e e e Remarque 4 La position de la Commission Bancaire nest pas tr`s claire sur le facteur multiplicateur. e Nous avons vu dans le paragraphe consacr aux crit`res qualitatifs que le degr de conformit ` ces e e e e a ` ` 5.6. DISPOSITIF PRUDENTIEL DE CONTROLE EX POST LIE A LUTILISATION DES MODELES INTERNES 35
crit`res peut conditionner le niveau de multiplicateur. Ici, nous avons limpression que ce niveau est e presque enti`rement dtermin par la procdure de backtesting. e e e e Lactualisation du 31 dcembre 1998 permet de prciser et de modier certains points. En premier e e lieu, le backtesting porte sur la Valeur en Risque sur un jour, et non sur la Valeur en Risque pour une priode de dtention de 10 jours. Ensuite, les contrles doivent porter sur les 250 derniers jours e e o ouvrables. Cela est important, car si nous supposons que les douze derniers mois correspondent ` 260 a jours, les zones sont dnies direment ` cause du caract`re escalier de la loi Binomiale : e e a e Zone Verte Orange Rouge N = 250 moins de 5 exceptions entre 5 et 9 exceptions plus de 10 exceptions N = 260 moins de 6 exceptions entre 6 et 10 exceptions plus de 11 exceptions
Enn, les exceptions doivent tre communiques ` la Commission Bancaire : e e a An de permettre ` la Commission Bancaire de vrier en permanence ladquation du facteur a e e complmentaire, ltablissement informe sans dlai et, en tout tat de cause, dans les cinq e e e e jours ouvrables, le Secrtariat Gnral de la Commission Bancaire, des dpassements rvls e e e e e ee par leur programme de contrle ex-post qui, en fonction du tableau ci-dessus, impliqueraient o un rel`vement du facteur complmentaire. e e
Bibliographie
[1] Capital Adequacy Directive (CAD), directive 93/6/CEE du CONSEIL du 15 mars 1993 sur ladquation des fonds propres des entreprises dinvestissement et des tablissements de crdit, Journal e e e Ociel des Communauts Europennes, N L 141/1-26 e e [2] La surveillance prudentielle des risques de march supports par les tablissements de crdit, Come e e e mission Bancaire, Service des tudes bancaires, article pour la Revue dEconomie Financi`re, 26 juin e e 1996 [3] Modalits de Calcul du Ratio de Solvabilit Actualisation au 31 dcembre 1997, Commission e e e Bancaire, Cellule de contrle des Risques de march, 3 novembre 1997 o e [4] Modalits de Calcul du Ratio de Solvabilit Actualisation au 31 dcembre 1998, Commission e e e Bancaire, Secrtariat Gnral, Service des Aaires Internationales, 30 dcembre 1998 e e e e
6
La valeur en risque
6.1 Dnition e
La Valeur en Risque, plus connue sous le nom anglais Value-at-Risk ou VaR, est une mesure de la perte potentielle qui peut survenir ` la suite de mouvements adverses des prix de march. Elle permet a e de rpondre ` la question suivante : e a Combien ltablissement nancier peut-il perdre e avec une probabilit pour un horizon de temps T x ? e e Deux lments sont donc indispensables pour interprter le chire VaR (qui permet de donner une vision ee e globale du risque de march dun portefeuille) : e 1. la priode de dtention T ou holding period qui correspond ` la priode sur laquelle la variation de e e a e valeur du portefeuille est mesure ; e 2. le seuil de conance du chire VaR qui correspond ` la probabilit de ne pas dpasser cette a e e mesure du risque. Si ces deux param`tres ne sont pas spcis, nous ne pouvons pas interprter le chire VaR, car un risque e e e e a ` 10 jours avec une probabilit de 99% est beaucoup plus important quun risque ` 1 jour avec une e a probabilit de 90%. Dans le premier cas, nous avons une chance sur 100 que la perte ralise pour les e e e 10 prochains jours ouvrs soit suprieure ` celle estime par la VaR. Dans le second cas, nous avons une e e a e chance sur 10 que la perte ralise demain soit plus grande que la VaR. Avec la mesure VaR, on passe e e donc dune mesure de risque comme volatilit ` une mesure de risque comme quantile. ea Il faut bien avoir ` lesprit que la mesure VaR ne donne une image du risque que dans le cadre de a conditions normales de march et pour un niveau de conance infrieur ou gal ` 99% (dans le cas de la e e e a rglementation). Pour avoir une mesure du risque extrme, dautres techniques sont plus adaptes : les e e e mthodes de stress testing prsentes au chapitre 7 et la thorie des valeurs extrmes prsentes e e e e e e e a ` la section 7.5 permettent de mieux apprhender les risques extrmes. e e Pour calculer la VaR, nous devons identier les facteurs de march qui aectent la valeur du portefeuille. e Le nombre de ces facteurs peut tre plus ou moins grand, mais dpend gnralement du type de march e e e e e considr. En pratique, nous pouvons obtenir les facteurs de march en dcomposant les instruments du ee e e portefeuille en instruments de base (par exemple, nous pouvons dcomposer un portefeuille de contrats e forward en un portefeuille quivalent dobligations ` coupon zro). Le calcul de la VaR dpend alors e a e e de la mthodologie utilise. Dune mani`re gnrale, nous avons le choix entre trois grandes familles de e e e e e mthodes : e 1. la VaR analytique (ou paramtrique) ; e
2. la VaR historique (ou non paramtrique) ; e 3. la VaR Monte-Carlo. Ces trois mthodes utilisent les donnes du pass pour estimer les variations potentielles de la valeur du e e e portefeuille dans le futur proche. Cela suppose implicitement que ce futur se comporte comme le pass : e nous supposons donc que la variation de la valeur du portefeuille est stationnaire. Nous comprenons pourquoi lapproche Value-at-Risk nest pertinente que dans des conditions normales de march (` moins e a que les donnes utilises aient t collectes pendant des priodes anormales). e e ee e e
6.1.1
Dans le mod`le de VaR paramtrique, nous supposons que la valeur algbrique dun portefeuille est e e e reprsente par une combinaison linaire de K facteurs gaussiens. Notons P (t) la valeur du portefeuille ` e e e a linstant et F (t) le vecteur gaussien des facteurs de loi N (, ). La valeur du portefeuille en t vaut alors P (t) = a F (t) avec a le vecteur de sensibilits. A la priode t, la valeur de P (t + 1) nest pas connue e e puisque nous ne disposons que de linformation jusquen t. En t, P (t + 1) est donc une variable alatoire e gaussienne de loi N a , a a . La valeur de la VaR pour un seuil de conance correspond alors ` a Pr {P (t + 1) P (t) VaR } = (6.1)
Dans cette quation, P (t + 1)P (t) reprsente la variation du portefeuille entre linstant t+1 et linstant e e t. Cest donc une perte si la valeur ralise du portefeuille dans un jour est infrieure ` la valeur actuelle du e e e a portefeuille. Comme la VaR reprsente la perte potentielle que lon sautorise et que celle-ci est exprime e e en valeur absolue, Pr {P (t + 1) P (t) VaR } est la probabilit que la perte ne dpasse pas la VaR e e (ou perte potentielle). Par dnition, cette probabilit est notre seuil de conance . Lorsque la priode e e e de dtention nest pas 1 jour mais T jours, la mesure de VaR se dnit ` partir de la relation suivante : e e a Pr {P (t + T ) P (t) VaR } = Comme nous savons que P (t + 1) est gaussien, nous en dduisons que e Pr P (t + 1) a 1 (1 ) a a = (6.3) (6.2)
avec 1 la fonction gaussienne inverse. Or nous avons 1 (1 ) = 1 () avec 1 () le quantile a ` % de la loi gaussienne. Un rapide calcul montre que VaR = P (t) a + 1 () a a (6.4) Lorsque les facteurs F modlisent directement la variation du portefeuille, la mesure VaR devient e VaR = 1 () a a a (6.5) En gnral, nous supposons que = 0, et nous avons nalement e e VaR = 1 () a a
(6.6)
Cette mthode de calcul de la VaR est appele la mthode de variancecovariance, puisquelle drive e e e e directement de la matrice de covariance des facteurs. La relation (6.6) sinterpr`te tr`s facilement ; a a est en fait lcart-type de la variation du pore e e tefeuille : nous pouvons lassimiler ` un risque-volatilit (par rfrence ` la thorie du portefeuille de a e ee a e Markowitz) ; 1 () est un coecient que nous notons c ; nous avons donc une relation linaire entre le e risque-volatilit et la perte potentielle : e VaR = crisque-volatilit e A titre dillustration, c prend la valeur 2.33 pour une seuil de conance = 99%. Dans ce cas, la VaR correspond au risque-volatilit multipli par ce facteur 2.33. A noter que lorsque les facteurs de march e e e correspondent directement aux variations de prix des actifs du portefeuille, le vecteur est le vecteur des composantes du portefeuille. Avant de dvelopper dans la section 6.2 des lments de rexion sur la pertinence de la mthode et sur e ee e e le prim`tre de validit, nous pouvons noter tout de suite que cette mthode repose sur trois hypoth`ses : e e e e e INTRODUCTION A LA GESTION DES RISQUES 38
1. lindpendance temporelle des variations de la valeur du portefeuille ; e 2. la normalit des facteurs F (t) ; e 3. et la relation linaire entre les facteurs et la valeur du portefeuille. e Ces trois hypoth`ses simplient le calcul de la VaR, puisque les quantiles de a F (t) sont lis de faon e e c linaire au quantile de la loi normale ` une dimension. La principale dicult de cette mthode est e a e e destimer la matrice de covariance et de dterminer les sensibilits. e e Nous pouvons montrer que lexpression (6.6) de la VaR obtenue pour une priode de dtention dun e e jour peut se gnraliser ` une priode de dtention de T jours. Dans ce cas, reprsente la matrice de e e a e e e covariance des facteurs pour T jours. Nous rappelons que la priode de dtention rglementaire est xe e e e e a ` 10 jours. Les autorits rglementaires autorisent de calculer une e e VaR pour une priode de dtention de e e 1 jour et de la convertir en une VaR ` 10 jours en multipliant par 10. Ce coecient T nest autre que a ce quon dnomme le scaling factor 1 . e Enn, nous rappelons que cette mthode nest utilisable que pour les produits linaires car e e elle ne prend pas en compte le caract`re non-linaire des positions (risque Gamma par exemple). Aussi, e e le calcul dune VaR paramtrique pour un portefeuille doptions nest pas adapt (voir la section 6.3 e e consacr au produit optionnels). e
6.1.2
Contrairement ` la VaR paramtrique, la VaR historique est enti`rement base sur les variations a e e e historiques des facteurs de risque F (t). Supposons que nous disposions dun historique de longueur N . En t0 , nous pouvons valoriser le portefeuille avec les facteurs de risque de lhistorique. Cela veut dire que nous calculons pour chaque date t = {t0 1, . . . , t N } une valeur (potentielle) du portefeuille. Nous pouvons alors dterminer N variations potentielles, que nous assimilons ` N pertes potentielles e a (certaines pertes sont en fait des gains). Ainsi, ` partir de lhistorique, nous construisons implicitement a une distribution empirique. De celle-ci, nous pouvons extraire le quantile ` %. Il sut pour cela de a ranger les N pertes potentielles et de prendre la valeur absolue de la N (1 ) i -i`me plus petite e valeur. Voyons un exemple. Nous supposons que les pertes potentielles P sont ordonnes. Nous obtenons e alors un ensemble {P1 , . . . , Pn , . . . , PN } avec Pn Pm quelque soit n < m. Pour un seuil de conance de 99%, la VaR correspond ` la premi`re perte potentielle |P1 | si N = 100, ` la dixi`me perte potentielle a e a e |P10 | si N = 1000, etc. Lorsque N (1 ) nest pas un entier, dans ce cas, la VaR est calcule par e interpolation : VaR = |Pn + (N (1 ) n ) (Pn
+1
Pn )|
(6.7)
avec n = N (1 ) lentier infrieur le plus proche de N (1 ) (arrondi de type oor ). Par e exemple, si nous considrons un historique de 250 jours et un intervalle de conance de 99%, nous avons e VaR = P2 + 1 (P3 P2 ) 2 (6.8)
Il est gnralement admis que la VaR historique nimpose pas dhypoth`ses a priori sur la loi de e e e distribution des facteurs F (t) ` la dirence de la mthode paramtrique. Mais il est quand mme a e e e e ncessaire davoir un mod`le sous-jacent pour estimer les facteurs pour lhistorique de longueur N . Cela e e explique que les VaRs historiques sont principalement appliqus avec des facteurs de march qui sont e e exactement les variations des actifs (dans ce cas, nous avons autant dactifs que de facteurs). Cette mthode est vraiment tr`s simple conceptuellement et facile ` implmenter. Elle est donc tr`s e e a e e utilise. Cependant, elle prsente quelques dicults. En eet, lestimation dun quantile a une vitesse de e e e convergence beaucoup plus faible que les estimateurs de la moyenne, de la variance, de la mdiane, etc. e Cela tient au fait que lestimation dun quantile est une estimation locale qui demande donc beaucoup
1 Voir
6.1. DEFINITION
39
dobservations an den avoir susament autour du quantile. Le graphique (6.1) est une illustration de ce probl`me. Considrons un portefeuille compos dune position longue sur un seul actif. Nous supposons e e e que les variations du prix de cet actif sont gaussiennes, centres autour de la valeur zro et de variance e e gale ` 1. Nous cherchons ` calculer la perte potentielle du portefeuille en employant la VaR historique. e a a Cela revient ` calculer le quantile qN () des N variations de prix historiques. Sur le graphique, nous a avons considr plusieurs valeurs de et N . Nous mettons en vidence que lestimateur qN () converge ee e plus rapidement lorsque le nombre dobservations cro De plus, la puissance de cet estimateur dpend t. e de . Cela peut se comprendre aisment. Nous avons vu que lestimation du quantile revient ` trouver e a la valeur optimale n = N (1 ) . Cela revient aussi ` chercher n tel que pour n 1 la frquence a e soit suprieure ` et pour n + 1 la frquence soit infrieure ` . Si ces deux probabilits sont proches de e a e e a e , lerreur destimation sur le quantile est faible. Sinon, lerreur peut tre tr`s importante. Pour illustrer e e ceci, nous considrons les tableaux suivants : e Quantile associ ` ea n 1 n +1 100 98 99.1 98.9 99.01 98.99 99.0001 98.9999 Quantile associ ` ea n 5 n +5 100 94 99.5 98.5 99.05 98.95 99.0005 98.9995
n 1 10 100 10000
n 99 99 99 99
n 1 10 100 10000
n 99 99 99 99
Nous voyons donc ` quel quantile serait associ la n -i`me position si nous liminions la donne n 1 a e e e e ou n + 1 de la base de donnes. Dans le mme genre dide, la quatri`me gure du graphique (6.1) e e e e INTRODUCTION A LA GESTION DES RISQUES 40
montre comment volue la probabilit destimer un quantile avec une erreur de plus ou moins 10%. Le e e probl`me est le mme que celui considr prcdemment. Nous voyons bien que cette probabilit de e e ee e e e conance cro avec le nombre dobservations. Et il est intressant de remarquer la dirence entre le t e e seuil de conance de 99% et les autres seuils de conance.
Remarque 5 Si les autorits de rgulation dcident daugmenter le seuil de conance, cela aura un ime e e pact tr`s important sur la gestion des bases de donnes, qui devront tre plus longues. A titre dillustration, e e e il nest pas possible destimer une VaR historique ` 99.9% avec moins de 1000 observations. a
6.1.3
La VaR Monte-Carlo
La VaR Monte-Carlo est base sur la simulation des facteurs de march F (t) dont on se donne une e e loi de distribution a priori, de prfrence admissible avec lhistorique. Nous pouvons alors valoriser le ee portefeuille avec les facteurs simuls. Si nous utilisons N simulations, nous pouvons alors dterminer N e e variations simules du portefeuille, que nous assimilons ` N pertes potentielles. Il sut ensuite de calculer e a le quantile correspondant tout comme pour la mthode de la VaR historique. Les deux mthodes sont e e donc tr`s semblables. La seule dirence est que lune des mthodes utilise les facteurs passs, alors que e e e e lautre utilise des facteurs simuls. Une autre dirence concerne la taille N de lchantillon pour la calcul e e e du quantile, qui nest pas contraint dans le cas de la VaR Monte-Carlo. A titre dillustration, le schma 6.2 montre les direntes tapes de lalgorithme lorsque les facteurs e e e de march correspondent aux variations des prix des actifs. Cette mthode est tr`s intressante, puisque e e e e nous pouvons calculer directement la VaR pour une priode de dtention de T jours mme si les facteurs e e e de march correspondent ` une priode de 1 jour. e a e Il faut cependant noter que cette mthode ncessite un ordinateur tr`s performant car elle est coteuse e e e u en temps de calcul (elle convient dicilement au calcul journalier dune VaR pour un nombre trop grand dactifs). De plus, elle demande un eort important de modlisation puisque celle-ci dterminera e e enti`rement les trajectoires des facteurs de march que lon utilise pour le calcul de la VaR. e e
6.1.4
Nous avons vu que la VaR paramtrique ne convenait pas pour les portefeuilles doptions. Toutes les e mesures ne sont donc pas pertinentes pour nimporte quel type de portefeuille. Le tableau suivant montre le prim`tre dutilisation des VaRs en fonction de la normalit des facteurs de march et de la linarit e e e e e e du portefeuille :
Non
Normalit des facteurs e Oui Non Paramtrique e Monte-Carlo Historique Historique Monte-Carlo Historique Historique
A noter que nous pouvons aussi utiliser la mthode de Monte Carlo lorsque les facteurs ne sont pas e normaux, mais dans ce cas, elle peut tre extrmement dicile ` mettre en place si elle prsente des e e a e spcicits importantes. e e 6.1. DEFINITION 41
'
Nous notons : P (t1 , t2 ) la variation du portefeuille entre les priodes t1 et t2 e F (t) le vecteur des variations des prix des actifs T la priode de dtention e e t0 la date actuelle S la mthode de simulation base sur le mod`le M e e e Nous dnissons 2 processus de simulation : e ST permet de simuler F (t + T ) directement ` partir du vecteur F (t) a S1 permet de simuler F (t + 1) ` partir du vecteur F (t) a ST F (t0 ) F (t0 ) F1 (t0 + T ) . . . N (t0 + T ) F P1 (t0 , t0 + T ) N simulations PN (t0 , t0 + T )
P1 (t0 , t0 + T ) , . . . , PN (t0 , t0 + T ) = calcul du quantile = VaR T jours S1 F (t0 ) F (t0 ) F1 (t0 + 1) . . . N (t0 + 1) F F1 (t0 + 2) FN (t0 + 2) ... ... F1 (t0 + T ) FN (t0 + T ) P1 (t0 , T ) N simulations PN (t0 , T )
Remarque : Pour calculer la VaR T jours, nous pouvons aussi calculer la VaR 1 jour avec le processus de simulation ST et convertir celle-ci en VaR T jours avec la mthode T rule. e
&
GRAPHIQUE 6.2. Une illustration de la mthode de Monte-Carlo e
42
Le niveau de conance de 99.96% correspond au risque dcennal, cest-`-dire ` une occurence en e a a moyenne tous les 10 ans de perte suprieure ` la VaR. Amliorer lintervalle de conance de 0.96% revient e a e donc ` augmenter de 44.12% le montant des fonds propres. En revanche, une diminution de lintervalle a de conance de 0.96% ne permet de diminuer lexigence en capital que de 11.36%. Il ny a donc pas de relation linaire entre le seuil de conance, la probabilit de perte et lexigence en fonds propres. Nous e e
dure de retour t, qui indique le temps quil faut attendre pour la perte soit suprieure ` la VaR, est une variable e e a alatoire gomtrique de param`tre (1 ). Par consquent, la dure moyenne est bien gale ` (1 )1 (` cause de la e e e e e e t e a a proprit de lesprance mathmatique de la loi gomtrique). e e e e e e 3 A ce sujet, le trait de De Finetti commence par la cl`bre phrase La probabilit nexiste pas. e ee e 4 Nous montrons dans le prochain paragraphe que ce seuil de conance a aussi une incidence sur le coecient multiplicateur.
2 La
43
pouvons par exemple considrer que les niveaux de conance 98.5% et 99.5% sont tr`s proches du fait de e e leur faible cart absolu, ou au contraire les considrer tr`s dirents, car la VaR ` 99.5% a 3 fois moins e e e e a de chance dtre dpasse que la VaR ` 98.5%. e e e a
6.2.2
Les mod`les internes de risques de march sont majoritairement bass sur les mthodes VaR. Or, ces e e e e mthodes ne donnent quune approximation de la vraie distribution pour modliser la variation des prix. e e Cest pourquoi il est ncessaire de corriger lestimation du quantile par un facteur de prudence. Celuie ci correspond implicitement au facteur multiplicatif. Comme Stahl [1997] le montre, ce facteur, souvent prsent comme arbitraire, a des fondements thoriques rigoureux (dans le cadre dune VaR gaussienne). e e e Le probl`me est le suivant : tant donn une variable alatoire X de loi quelconque dont nous connaise e e e sons les deux premiers moments et 2 , ` quelle distance relative par rapport ` lcart-type se situe le a a e quantile ? Pour cela, nous utilisons lingalit de Bienaym-Tchebyshev : e e e Pr (|X | > k) Si la loi est symtrique, nous avons e Pr (X + k) 1 1 2k 2 (6.10) 1 k2 (6.9)
Au seuil de conance de et si nous dsignons par F 1 la fonction inverse de rpartition (qui nest rien e e dautre que la fonction de quantile), nous en dduisons que e X + k F 1 1 et donc k 1 2 2 1 2k 2 = (6.12)
En ngligeant la tendance et en assimilant X ` la perte potentielle, celle-ci se situe donc ` k carts-types. e a a e Or la VaR telle quelle est calcule se situe ` c = 1 () carts-types. Le ratio k est le coecient de e a e c multiplication qui permet dtre sr que la VaR correspond bien ` un quantile au moins gal ` lorsque e u a e a nous utilisons une approximation gaussienne et ceci quelle que soit la vraie fonction de distribution. Remarque 6 Il est facile de montrer que lorsque la fonction de distribution est asymtrique, une borne e 1 suprieure de k est (1 ) . e Le tableau suivant contient les valeurs du ratio pour direntes valeurs de . e symtrique e k k/ c 2.24 1.74 3.16 1.92 7.07 3.04 8.16 3.36 10.00 3.88 14.14 5.04 70.71 19.01 asymtrique e k k/ c 3.16 2.47 4.47 2.72 10.00 4.30 11.55 4.75 14.14 5.49 20.00 7.12 100.00 26.89
44
Nous remarquons queectivement lorsque le seuil de conance est gal ` 99%, ce ratio est proche de 3 e a (lorsque la fonction de densit est symtrique). Supposons que les autorits rglementaires xent le seuil e e e e de conance ` 99.5%, dans ce cas le ratio est proche de 4. Si les autorits rglementaires prenaient alors a e e cette valeur pour xer le coecient multiplicateur, cette mesure aurait pour incidence daugmenter les fonds propres de 41.4% par rapport ` la situation actuelle. a Il y a une remarque intressante ` faire concernant lanalyse prcdente. Dans cette prsentation, la e a e e e VaR correspond ` c , mais nous considrons que la borne suprieure de la vraie VaR est en fait k . a e e Lexigence en fonds propres correspond donc ` cette valeur k . Or les exceptions sont dtermines en a e e fonction de la VaR c , et non en fonction de la VaR k . Si nous poussons lanalyse jusquau bout, il aurait t plus logique de dterminer les exceptions en fonction de k . Donc, ce coecient multiplicateur ee e trouve bien une justication, mais les autorits rglementaires ont fait preuve de beaucoup de prudence, e e puisque la probabilit que la perte potentielle dpasse le montant des fonds propres est bien infrieure ` e e e a 1%.
6.2.3
Ce choix est primordial dans le calcul des VaRs paramtrique et de Monte-Carlo. Gnralement, nous e e e utiliserons une loi normale ou log-normale pour modliser les facteurs F (t). Cela implique que la distrie bution de F (t) est enti`rement dtermine par les deux premiers moments et . Lutilisation en nance e e e de la normalit repose sur des arguments de facilit dutilisation. Mais nous savons depuis fort longtemps e e que les sries nanci`res ne sont ni normales ni log-normales. En revanche, il est facile de calculer la e e variance dune combinaison des composantes dun vecteur gaussien. De mme, la simulation de nombres e alatoires normaux est tr`s aise ` partir dun gnrateur de nombres alatoires uniformes pour le cas e e e a e e e a ` une dimension, ou dune dcomposition de Cholesky ou en valeurs singuli`res pour le cas ` plusieurs e e a dimensions. Certains auteurs ont tent de justier le recours ` la loi normale par le thor`me central-limite qui e a e e tablit la convergence vers la loi normale sous des hypoth`ses peu contraignantes. Soit (Xn ) une suite de e e variables alatoires indpendantes et identiquement distribues, alors e e e
n i=1
(6.13)
Cependant, la convergence en loi nest rien dautre quune convergence des fonctions de rpartition. Cette e convergence est beaucoup plus rapide dans les rgions proches de la moyenne. Feller [1968] a dailleurs e 3 montrer que lapproximation nest valable quautour de n 4 carts-types de la moyenne. Nous pouvons e alors facilement construire des exemples qui illustrent le probl`me du thor`me central-limite dans la e e e mthodologie VaR paramtrique. Lexemple suivant est propos par Boulier, Brabant, Dalaud et e e e Dieu [1997]. Les auteurs consid`rent un mod`le macro-conomique de type APT o` les rentabilits sont e e e u e dcrites par lvolution alatoire dune trentaine de facteurs conomiques, quils supposent indpendants et e e e e e 3 de mme loi. Lapproximation nest alors valable quautour de 30 4 e 12.819 carts-types de la moyenne. e 5.477 fois plus grande que lcart-type initial. e Or lcart-type de la loi normale rsultante est 30 e e Cela implique que lapproximation nest plus valable au del` de la probabilit de 99.04%. Pour cet a e exemple, les VaRs au-del` de 99% ne font plus partie du domaine de validit de lapproximation par a e la loi normale. Dans le cas des portefeuilles de taux dintrt, il est recommand dutiliser au moins 13 ee e facteurs. En utilisant le mme raisonnement, cela voudrait dire que les VaRs au-del` de 97.12% sont en e a dehors du domaine de validit dni par Feller5 . Cette analyse peut tre une nouvelle explication e e e de lutilisation dun facteur multiplicatif. Comme nous lavons dj` signal, la variable alatoire X de loi normale N (, ) est enti`rement ea e e e caractrise par ces deux premiers moments = E (X) et 2 = E (X ) . Nous rappelons que e e cette fonction de distribution est utilis en nance car elle est facilement manipulable, mais il existe de e nombreux travaux qui prsentent des arguments contredisant lide que les variations des prix des actifs e e sont normaux. Cela vient notamment du fait que les moments dordre 3 et 4 dune srie nanci`re sont e e
5 La
45
46
tr`s dirents de ceux de la loi normale. La skewness (ou moment centr dordre 3) est un coecient e e e dasymtrie de la fonction de densit, alors que la kurtosis (ou moment centr dordre 4) est une mesure e e e daplatissement. Nous avons = = E (X ) 3 E (X ) 4
4 3
Pour la loi normale, et valent respectivement 0 et 3. Si < 0 (resp. > 0), on dit que la distribution est asymtrique ` droite (resp. ` gauche). Lorsque est suprieur ` 3, la distribution prsente des queues e a a e a e paisses (elle est lepto-kurtique). Le graphique (6.3) prsente direntes fonctions de densit6 . Lorsque e e e e les distributions prsentent des queues de distribution paisses, le quantile est alors bien au del` (en e e a valeur absolue) du quantile gaussien correspondant. Prenons par exemple la gure en bas ` gauche. Cellea ci contient le graphe des fonctions de rpartition pour le segment x [3, 2]. Pour la loi gaussienne, e nous vrions bien que le quantile ` 1% est 2.33. Or pour cette valeur, la quatri`me distribution e a e prsente une valeur de 5% pour la fonction de rpartition. Le quantile ` 1% est en fait bien au-del` de e e a a 2.33. Le graphique (6.4) correspond ` lvolution du cours du titre Barclays depuis 1994. Nous avons a e estim la fonction de densit des variations du cours en utilisant la mthode non paramtrique du noyau e e e e dEpanechnikov et compar celle-ci avec la fonction de densit gaussienne estime par la mthode des e e e e moments. Lestimation classique base sur les deux premiers moments ne permet donc pas de prendre en e compte les queues paisses. e Lvolution du titre Barclays nous interpelle sur le probl`me de la stationnarit du processus. Nous e e e pouvons penser quune approximation gaussienne ne peut tre valide que localement. Cela pose alors le e probl`me de la longueur de lhistorique utilis pour la VaR paramtrique. Les instance rglementaires e e e e exigent un historique dau moins 1 an. Contrairement ` lide fort rpandue que plus lhistorique a e e est long, meilleure sera la mesure des risques, lutilisation dun historique trop long peut avoir des consquences nfastes sur la VaR paramtrique. Car, dans ce cas l`, il est parfaitement e e e a clair que les proprits dergodicit et de stationnarit ne sont pas respectes. Lutilisation dun historique ee e e e long doit tre plutt rserv ` la VaR historique. e o e ea Lutilisation de la loi normale pour la VaR paramtrique nen demeure pas moins incontournable. Il e convient donc dapporter une attention particuli`re ` lestimation de la matrice de covariance. e a
6.2.4
Nous notons F (t0 ; N ) la matrice des facteurs observs pour t = t0 1, . . . , t0 N avec e F (t0 1) . . . F (t0 ; N ) = F (t0 n) . . . F (t0 N )
(6.14)
Considrons une matrice diagonale de dimension N N avec 1 diag () = 1. est appele la matrice e e des poids des observations. Nous dnissons et par e = F (t0 ; N ) 1
6 Nous
(6.15)
avons gnr celles-ci en utilisant la fonction de densit dEdgeworth (Rubinstein [1998]) : e e e e 3 4 2 5 3 x 3x + x 6x2 + 3 + x 10x3 + 15x f (x) = b (x) 1 + 6 24 72
47
Nous pouvons alors montrer que et sont deux estimateurs consistants des param`tres et de la e loi de distribution N (, ). Dans le cadre dune VaR, nous utilisons gnralement deux types de poids : e e 1. Lapproche standard consiste ` donner le mme poids ` chacune des observations. Dans ce cas, nous a e a 1 avons n,n = n = N . 2. Lapproche moyenne mobile consiste ` donner des poids dirents en fonction des positions des a e observations. Plus la date dobservation est rcente, plus le poids associ est important. Sous lime e pulsion de RiskMetrics, la mthode de la moyenne mobile exponentielle sest impose. Dans ce cas, e e N n1 nous avons n = (1 ) 1 . Le graphique (6.5) reprsente la fonction n pour N gal ` 250 jours. Nous constatons que plus la valeur de e e a est petite pour les poids exponentiels, plus les observations rcentes ont de linuence sur lestimation. e Nous remarquons aussi que les poids constants sont un cas particulier des poids exponentiels puisque lim (1 ) n1 1 N = 1 N
Nous pouvons aussi nous intresser ` la contribution de n premi`res observations, cest-`-dire ` la somme e a e a a n n . Sur le graphique (6.6), nous voyons parfaitement le caract`re exponentiel de la mthode Riske e i=1 Metrics. Ainsi, pour = 0.94 (valeur retenue par RiskMetrics), 50% des poids concernent les 12 premi`res e observations7 . Et, bien sr, ceci est indpendant de la taille de lchantillon, contrairement aux poids u e e constants.
7A
titre complmentaire, 75% et 95% des poids correspondent aux 23 et 49 premi`res observations. e e
48
49
Voyons un exemple montrant la dirence entre les deux exemples. Nous considrons une position e e longue sur le titre BARCLAYS. Le graphique (6.7) prsente lvolution de la VaR avec deux types de e e ractualisation. La taille de lchantillon est x ` 250 jours de trading. En priode de crise, la VaR e e e a e RiskMetrics est plus grande que la VaR avec les poids constants. Ce phnom`ne sinverse lors des priodes e e e calmes (ou apr`s les priodes de crises). Cela se comprend aisment ` cause de la forme des poids. Si nous e e e a considrons le nombre dexceptions (pour information, le nombre de jours de trading est gal ` 1136), e e a la VaR avec poids constants est la plus performante pour cet exemple. Cela tient au fait que la VaR RiskMetrics sous-estime le risque pour les priodes calmes, ce qui implique que d`s quil y a une variation e e plus importante, nous obtenons une exception. Cela se voit tr`s bien si nous considrons la localisation e e des exceptions. Celles-ci ont des positions direntes selon la mthodologie. Enn, nous remarquons que e e la frquence de ractualisation a une inuence non ngligeable sur la qualit de la VaR. e e e e Si nous calculons le temps de retour moyen empirique pour lexemple prcdent, nous constatons quil e e est lg`rement infrieur au temps de retour moyen thorique. Cela veut dire que nos mesures VaR ont e e e e sous-estim la perte potentielle. Hendricks [1996] remarque ce mme phnom`ne. Il compare douze e e e e mthodologies direntes et constate que e e Virtually all of the approaches produce accurate 95th percentile risk measures. The 99th percentile risk measures, however, are somewhat less reliable and generally cover only between 98.2 percent and 98.5 percent of the outcomes. On the one hand, these deciencies are small when considered on the basis of the percentage of outcomes missclassied. On the other hand, the risk measures would generally need to be increased across the board by 10 percent or more to cover precisely 99 percent of outcomes. 6.2.4.1 Un exercice de backtesting
Ce paragraphe sattache ` dterminer la mani`re optimale de calculer la matrice de covariance. Notre a e e approche se base sur le calcul du nombre dexceptions observes sur un historique des cours dtablissements e e nanciers depuis 1994. Nous nous plaons dans le cadre dune VaR analytique sous lhypoth`se de rendements gaussiens. Nous c e sommes donc en mesure de dterminer un intervalle de conance ` une certaine probabilit ` partir e a e a des deux premiers moments. Nous comparons ici de mani`re qualitative la validit de ces intervalles de e e conance selon la mthode choisie pour lestimation des deux premiers moments. Les rsultats qui suivent e e permettent de visualiser de mani`re dynamique les caractristiques sur la VaR associes ` ces mthodes. e e e a e Les estimateurs retenus pour le calcul des rendements moyens et des volatilits sont les mthodes de e e poids constants et de poids exponentiels ( = 0.94). Lenjeu inhrent au choix de la mthode destimation e e de ces param`tres est capital ; il sagit dobtenir une ractivit optimale aux variations du march, tout e e e e en conservant une inertie susante pour ne pas trop sur ou sous-estimer les variations possibles. A priori, une mthode reposant sur des poids constants accusera un petit peu de retard pour rhausser son niveau e e dans une priode ` forte volatilit. De mme, la mthode reposant sur des poids exponentiels risque de e a e e e largement sur-estimer la VaR apr`s une courte priode dagitation. e e An dillustrer ce phnom`ne, nous proposons par la suite dtudier le nombre dexceptions observes e e e e sur le cours de certains tablissements nanciers par priode. Une exception est dnie comme une valeur e e e du titre en dehors de lintervalle de conance prvu. Nous considrons les cas de positions longues et e e courtes sur un titre, ce qui nous am`ne ` dnir des bornes suprieures et infrieures de notre intervalle. e a e e e Nous nous sommes attachs ` respecter les crit`res quantitatifs de la Commission Bancaire pour le calcul e a e de la VaR. Ainsi avons nous retenu un niveau de conance de 1% sur une priode de dtention de 1 jour. e e De mme, lestimation des moments des distributions des rendements quotidiens ont t calculs sur un e ee e historique dun an renouvel tous les trois mois. Tout ceci nous a permis de dterminer les sries des deux e e e bornes Lu et Ld de notre intervalle pour les rendements journaliers : Lu t Ld t = = t 1 (0.5%) t t + 1 (0.5%) t 2.575). t et t sont
o` 1 (0.5%) est le quantile ` 0.5% de la loi normale centre rduite (1 (0.5%) u a e e respectivement la moyenne et lcart-type estims du rendement ` linstant t. e e a INTRODUCTION A LA GESTION DES RISQUES
50
Nous sommes alors en mesure de dterminer les valeurs up et down du cours ` 1 jour avec un intervalle e a de conance de 99%. Nous comptons alors le nombre de fois o` le titre est sorti de cet intervalle sur u chaque priode de 3 mois (environ 60 jours). Les graphiques suivants reprsentent les mouvements des e e titres des grands tablissements nanciers par rapport aux intervalles calculs avec les poids constants et e e exponentiels, ainsi que le nombre dexceptions constats au cours des priodes. Ceci nous donne une bonne e e ide des avantages et inconvnients des deux mthodes destimation des moments. En fait, lexemple de e e e la Socit Gnrale est particuli`rement intressant, puisquil comporte une longue priode de stagnation ee e e e e e pendant laquelle les deux mthodes sont quivalentes et performantes. Aux premiers chocs, la mthode e e e aux poids constants ragit trop tard et accuse 3 et 5 exceptions sur 60 observations (priodes 9 et 10), e e alors que la mthode aux poids exponentiels encaisse tr`s bien le choc. De mme, lors de la crise de e e e lt 1998 (priode 16), la mthode aux poids constants ragit beaucoup trop tard et ne passe pas le ee e e e backtesting. Dun autre ct les lg`res priodes de ottements suivies de brusques variations mettent oe e e e en dfaut les poids exponentiels (priodes 11 et 18). Du fait dune priode, mme courte, relativement e e e e calme, la volatilit calcule ` partir des poids exponentiels a trop vite chut et sous-estime les variations e e a e possibles du cours. Enn, nous devons mentionner le cas de la priode 6 qui correspond ` une priode e a e de stabilit exceptionnelle, ce qui entra une variance pour la priode 7 quasi nulle lorsque celle-ci est e ne e calcule avec la mthode des poids exponentiels. Cela explique le nombre dexceptions relativement lev e e e e de la VaR RiskMetrics sur cette priode relativement calme. e
Lexemple de la Socit Gnrale illustre la ncssit et la dicult dobtenir ` la fois de la ractivit ee e e e e e e a e e lors de priodes dagitations et de linertie pour les fausses priodes de calme. RiskMetrics nous recome e mande de prendre = 0.94. Ceci implique que 95% de linformation est contenue dans les trois derniers mois. Outre le fait que cela pose quelques probl`mes pour lestimation des matrices de covariance de e dimension trop grande, on peut sinterroger sur la mmoire de tels processus. En eet, mme si les toutes e e derni`res informations contribuent normment ` la dtermination du moment, signe de ractivit forte, e e e a e e e les informations de plus de trois mois ne jouent plus aucun rle, signe de faible inertie. o Les rsultats qui suivent traitent donc de linuence de sur la qualit de la VaR analytique. Nous e e avons fait varier de 0.9 ` 0.999, et nous avons compar le nombre dexceptions observes sur les priodes a e e e de trois mois suivant lestimation des moments. Sans pour autant que ce rsultat puisse tre gnralis, e e e e e 6.2. QUELQUES REFLEXIONS SUR LA VAR 51
ltude des sries des cours sur les tablissements nanciers pousse ` choisir un coecient favorisant e e e a une mmoire plus longue, cest`-dire une inertie plus importante. Il semble, de mani`re qualitative, e a e que la valeur optimale de ce coecient dans ce cas l` soit de lordre de 0.96. a Nous notons, toutefois, que la valeur optimale de est susceptible de varier selon les marchs8 . Aussi, le coecient obtenu ne peut tre adapt pour lensemble des sries e e e e nanci`res. Nous conseillons plutt une tude du march ` considrer au pralable, qui e o e e a e e permettrait de dterminer le optimal. e
6.2.4.2
Les approches prcdentes de lestimation la matrice de covariance reposent sur lhypoth`se que est e e e une matrice constante au cours du temps. Cette hypoth`se a t vivement critique par de nombreux e ee e conom`tres (voir les survey [1], [6] et [29]). An de prendre en compte les eets htroscdastiques, e e ee e Engle [1982] introduit une nouvelle classe de processus connus sous le nom de mod`les ARCH. A la suite e de cet article, de nombreux travaux dans le domaine de la modlisation de la variance conditionnelle ont e vu le jour et plusieurs formes de gnralisation ont t introduites. Dans un premier temps, Bollerslev e e ee [1986] propose dintroduire un eet autorgressif dans lquation de variance conditionnelle (mod`les e e e GARCH). Ensuite, plusieurs formes dextension au cas multidimensionnel sont apparues. Le cas unidimensionnel Soit le processus unidimensionnel {yt } en temps discret dni par e yt = + t
8 Cette
(6.17)
tude a dj` t mene par RiskMetrics, et met en vidence des dirences notables de selon les marchs (places e eae e e e e e nanci`res et produits) et la priode de dtention. = 0.94 est une valeur moyenne base sur un crit`re de moindres carrs e e e e e e de la variance quotidienne des rendements. Dans le cadre de la VaR, nous pensons que ce crit`re nest pas le plus appropri e e et quil est prfrable de considrer un crit`re de minimisation du nombre dexceptions. ee e e
52
avec t un processus stochastique. Sous lhypoth`se de normalit et de constance de la variance, nous e e avons t | It1 N 0, 2 (6.18)
o` It1 reprsente linformation passe. Lorsque nous estimons la variance avec la mthode prsente u e e e e e prcdemment, nous faisons lhypoth`se implicite que le processus est celui ci-dessus. Comme nous savons e e e que ce nest pas la bonne reprsentation, les estimations sont refaites rguli`rement pour tenir compte e e e que la variance change au cours du temps. En revanche, les mod`les de type ARCH supposent que e t | It1 N 0, h2 t (6.19)
Conditionnellement ` linformation pass, t nest plus un bruit blanc. Selon la spcication de h2 , nous a e e t dnissons plusieurs types de mod`les. Par exemple, yt est un processus ARCH(p) si e e
p
h2 = 0 + t
i=1
i 2 ti
(6.20)
h2 = 0 + t
i=1
i h2 + ti
i=1
i 2 ti
(6.21)
A titre illustratif, nous avons reprsent sur le graphique (6.11) la variance conditionnelle du rendement e e du titre BARCLAYS estime ` partir dun mod`le GARCH(1,1). A partir des estimations, il est alors e a e possible de construire des prvisions de la variance conditionnelle Et h2 . Dans le cas des mthodes e e t+h prsentes au paragraphe prcdent, la seule prvision possible de la variance en t+h est en fait la variance e e e e e observe en t, ce qui nest pas le cas des mod`les ` variances conditionnelles. Ltude de Dave et Stahl e e a e [1998] montre bien que dun point de vue dynamique, les approches traditionnelles destimation de la matrice de covariance prsentent un biais lorsque les sries ne sont pas stationnaires. Les auteurs ont fait e e une tude exhaustive sur le march des changes en considrant 5 mthodes : la mthode historique, la VaR e e e e e analytique avec des poids constants, la VaR RiskMetrics et les mod`le GARCH(1,1) et Tail GARCH(1,1). e 6.2. QUELQUES REFLEXIONS SUR LA VAR 53
La comparaison de ces mthodologies a port sur 5 mesures de performance, et notammant la mthode e e e BIS Colour frequency, qui consiste ` calculer la probabilit quun mod`le corrrespond ` une zone a e e a donne (verte, orange, rouge) pour un seuil de conance de 99%. Pour la zone rouge, les rsultats sont les e e suivants : les mthodes qui se trouvent dans cette zone le plus souvent sont les deux VaRs analytiques, e suivies par la mthode historique et le mod`le GARCH(1,1), puis enn par le mod`le Tail GARCH(1,1). e e e Le cas multidimensionnel Les mod`les GARCH peuvent se gnraliser au cas multidimensionnel. Dans ce cas, nous avons e e e Yt = + t avec Yt un processus de dimension N et t | It1 N (0, Vt ) (6.23) (6.22)
Il existe alors direntes formulations possibles pour dnir la matrice de covariance conditionnelle. Le e e tableau suivant prsente celles qui sont le plus souvent rencontres dans la litrature. : e e e
Vt = A0 +
i=1
Ai Vti +
p i=1 i=1
Bi t1 t1
q
Vt = A0 A0 +
Ai Vti Ai +
i=1
Bi t1 t1 Bi
Appliquons un mod`le GARCH multidimensionnel de type BEEK pour modliser les titres BARCLAYS e e et LLOYDS/TSB. Dans ce cas particulier, nous remarquons sur le graphique (6.11) que la corrlation e conditionnelle est la plupart du temps tr`s rguli`re. Cela se comprend aisment du fait de la nature de e e e e deux titres. Ce type de modlisation est en revanche tr`s intressante lorsque les corrlations ne peuvent e e e e pas tre considre comme constantes au cours du temps. e ee INTRODUCTION A LA GESTION DES RISQUES 54
GRAPHIQUE 6.12. Corrlation conditionnelle des rendements des titres BARCLAYS et LLOYDS/TSB mod`le e e BEEK GARCH(1,1)
6.2.5
Le probl`me du scaling e
Cette section sintresse au choix de lhorizon considr et aux dicults quil engendre pour le calcul e ee e de la VaR. Selon le type dactifs grs, nous aurons tendance ` porter notre attention ` des VaR allant ee a a de lintra-day ` quelques annes. De mani`re oprationnelle, les risques sont souvent mesurs ` 1 jour. Le a e e e e a passage ` un autre horizon peut poser quelques probl`mes. a e Le comit de Ble impose une priode de dtention de 10 jours pour mesurer les risques dun portee a e e feuille. Il conseille alors de convertir la VaR 1 jour ` la VaR 10 jours par scaling. Le scaling consiste ` a a multiplier la volatilit ` 1 jour par T , T tant lhorizon considr. Cette mthode soul`ve une certaine ea e ee e e polmique quant ` son application, et le dbat sur ladquation du scaling sintensie sans pour autant e a e e faire ressortir un consensus clair. Nous prsentons dans un premier temps les ides rencontres dans les derniers articles publis sur le e e e e sujet, puis nous eectuons quelques simulations pour tester la validit du coecient 10 pour le calcul e de la VaR. 6.2.5.1 Quelques lments thoriques ee e
Au travers des dirents articles sur le sujet, il ressort trois mthodes pour la conversion de la volatilit e e e 1 jour ` une volatilit T jours : a e La premi`re conseille par RiskMetrics est la fameuse T rule qui consiste ` appliquer le coecient e e a a e e e e multiplicatif T ` la VaR 1 jour. Cette mthode est apprcie principalement pour sa simplicit et sa tr`s facile mise en uvre. Elle repose essentiellement sur une hypoth`se de normalit et e e e dindpendance des accroissements des prix des actifs. Ces hypoth`ses sont souvent discutes, et ne e e e sappliquent pas ` toutes les maturits. a e Lalternative actuelle ` la premi`re mthode repose sur la thorie des valeurs extrmes. Elle demande a e e e e a ` estimer un coecient reprsentatif de lpaisseur des queues de distribution. Par exemple, pour e e une loi de Student, reprsente le nombre de degrs de libert (ou lexposant caractristique) et pour e e e e un processus ARCH, reprsente le nombre de moments nis de la distribution non conditionne e e 6.2. QUELQUES REFLEXIONS SUR LA VAR 55
des innovations. Ce coecient tant dtermin, nous appliquons la T rule, qui consiste ` passer e e e a 1 de la VaR 1 jour ` la VaR T jours en multipliant par T . a La derni`re mthode consiste tout simplement ` dterminer la matrice de variance-covariance des e e a e rendements ` T jours. Cette approche ncessite un historique assez long des donnes et ne peut a e e pas tre applique ` tous les horizons. Toutefois, elle permet dobtenir la vritable matrice de e e a e variance-covariance historique. Reste alors le probl`me de ladquation du mod`le ` cette maturit. e e e a e Les articles rencontrs dans la littrature sattachent plus particuli`rement ` tester la validit de la e e e a e premi`re approche et ` dvelopper la deuxi`me mthodologie au travers de mod`les semi-paramtriques. e a e e e e e il ny a pas de consensus arrt sur la question. Diebold et al. [15], [10] testent la procdure de scaling ee e sur des actifs soumis ` une dynamique de type GARCH. Leur argumentation repose sur la formule de a Drost-Nijman qui permet de corriger la volatilit ` T jours ` partir de celle obtenue ` 1 jour, sous certaines ea a a conditions de rgularit et pour des horizons susamment longs. Leurs deux principales conclusions sont e e les suivantes : pour un horizon suprieur ` 10-15 jours, la volatilit nest pas prvisible. Autrement dit, les mod`les e a e e e a ` volatilit conditionnelle ne sont plus valables pour T > 10 ; e dans tous les cas, le scaling amplie les uctuations de la volatilit. Mme si en moyenne le coecient e e T peut sembler conservateur, le vritable rapport entre les deux volatilits est souvent bien aue e dessous ou bien au-dessus de T . Danielsson et De Vries [11], [12] proposent une autre approche fonde sur des rsultats de la e e thorie des valeurs extrmes. Ils mettent quelques rserves sur lapplication de la mthode propose e e e e e e par RiskMetrics pour un horizon de 10 jours, mme si les conclusions ne sappliquent pas uniquement e au passage de la VaR 1 jour ` la VaR 10 jours. Cest plus la mthode fonde sur lunique estimation a e e de la matrice de variance-covariance qui est remise en cause. Les tests et simulations quils ont eectus e aboutissent aux conclusions suivantes : RiskMetrics sous-estime la VaR ` 1 jour par rapport ` une mthode fonde sur la thorie des a a e e e extrmes surtout pour la mesure des risques rares (i.e. 0.05% et 0.005%). Nous notons ici que les e rsultats obtenus pour une VaR ` 1% sont comparables pour les deux mthodes. e a e Pour des prvisions ` 10 jours, la mthode de RiskMetrics base sur le scaling sur-estime la VaR e a e e 1 obtenue par la T rule (en moyenne, le coecient obtenu vaut 4.6). Ces dirents rsultats ne font ressortir aucun consensus quant ` lapplication du coecient T . Les e e a seules conclusions tires soulignent que dans une approche purement RiskMetrics, le scaling nest pas e forcment conservateur (amplication des uctuations) et quen le comparant ` des mthodes plus nes, e a e il peut savrer trop conservateur. e 6.2.5.2 Un exercice de simulation
Pour illustrer les ides nonces ci-dessus, nous avons eectuer quelques simulations de rendements de e e e dirents actifs. Nous avons considr successivement une dynamique de type GARCH, puis un mod`le ` e ee e a volatilit stochastique (Hull-White). Dans ces deux cas, nous simulons des trajectoires du cours, dont nous e calculons les vraies volatilits ` 1 jour et ` 10 jours, puis nous comparons le rapport de ces deux volatilits e a a e avec le coecient 10. Cette approche a seulement le mrite de tester la validit de lapproximation e e eectue par la T rule, mais ne nous apporte aucune information quant ` la pertinence dune VaR e a analytique de type RiskMetrics qui ne dpend que de la matrice de variance-covariance. e Mod`le GARCH e Nous supposons ici que le rendement 1 jour dun actif peut tre modlis par un GARCH(1,1). Cette e e e hypoth`se nest pas tr`s restrictive et semble cadrer avec la dynamique observe sur les marchs de e e e e certains titres. Nous simulons donc un processus yt tel que : yt 2 t t = = t t 2 w + yt1 + 2 t1 N ID(0, 1) 56
Nous imposons les conditions usuelles de rgularit et de stationnarit e e e 0<w< 0, 0 + <1 Nous avons paramtr ce mod`le de telle sorte quil re`te des sries de rendements ` 1 jour en posant e e e e e a = 0.1 et = 0.85. Le choix de w est purement arbitraire et est x ` 20%. Pour illustrer le type de ea processus que nous obtenons, nous reprsentons quelques trajectoires simules (voir le graphique 6.13). e e Les rendements simuls permettent de rcuprer les volatilits historiques 1 jour et 10 jours pour chaque e e e e trajectoire simule. Nous avons eectu ceci sur 1000 simulations de trajectoires. Chacune des volatilits e e e tant calcule ` partir de 250 observations quotidiennes (donc 25 observations pour la volatilit 10 jours), e e a e nous nous sommes placs dans la situation dun historique dun an. simulations eectues rendent e Les e compte du fait que mme si le rapport des volatilits semble estimer 10 en moyenne, il subsiste un fort e e cart-type (voir le graphique 6.14). On ne retrouve pas le phnom`ne damplication des uctuations e e e en multipliant par 10. Nous ne pouvons donc pas conclure quant ` ladquation de la mthode de a e e RiskMetrics ` la VaR ` 10 jours dans le cas de mod`les GARCH. a a e
Mod`le ` volatilit stochastique e a e Nous avons dvelopper la mme mthodologie pour des prix dactifs rgis par un mod`le ` volatilit e e e e e a e stochastique de type Hull-White. Plus prcisment la dynamique des cours suit lquation direntielle e e e e stochastique suivante : dS (t) S (t) dV (t) V (t) = r dt + V (t) dW 1 (t) = dt + dW 2 (t)
1 . Ce mod`le, sorte de processus e 1 ARCH en temps continu, re`te de mani`re assez satisfaisante la dynamique suivie par les cours de e e o` W 1 et W 2 sont deux browniens de matrice de corrlation u e 6.2. QUELQUES REFLEXIONS SUR LA VAR 57
58
certains actifs. Le graphique (6.15) contient quelques exemples de trajectoires de ces processus. Comme pour le mod`le GARCH, nous avons simul 1000 trajectoires sur 1 an de ce processus. Pour chacune des e e trajecoires, nous calculons la volatilit des rendements ` 1 jour multiplie par 10 et la volatilit des e a e e rendements ` 10 jours. Nous reprsentons sur le graphique (6.16) volatilits obtenues pour ces 1000 a e les e trajectoires ainsi que le rapport des volatilits (` comparer avec 10). Nos conclusions sont les mmes e a e que pour le mod`le GARCH. e 6.2.5.3 Conclusion
Nos rsultats semblent cohrents avec les ides rencontres dans la littrature nanci`re. Nous ne e e e e e e a a a pouvons pas armer que le passage dune VaR analytique ` 1 jour ` une VaR analytique ` 10 jours par scaling soit conservateur (voir le schma 6.17). En eet, mme si les simulations eectues ont tendance ` e e a e montrer quen moyenne le ratio entre les volatilits 10 jours et 1 jour est infrieur ` 10, lcart type de e e a e ce mme ratio reste tr`s lev. Toutefois, les travaux actuels raliss dans la thorie des valeurs extrmes e e e e e e e e semblent montrer que le calcul dune VaR analytique (type RiskMetrics) est inadapt pour un horizon e suprieur ` 10 jours. Les articles publis sur le sujet saccordent ` dire que lapproche VaR analytique e a e a conduit ` une sur-estimation de la mesure de risque ` 10 jours par rapport ` un calcul bas sur la thorie a a a e e des extrmes. Si nous assimilons la mesure base sur les extrmes au vritable risque encouru, e e e e nous pouvons donc armer que la mthode du scaling est conservatrice (voir de nouveau le e schma 6.17 pour les positions relatives des direntes mesures de risque). e e
<
<
<
ou
VaR 10 jours (th. des extrmes) e < VaR 10 jours (RiskMetrics) < VaR 1 jour 10 (RiskMetrics) -
Considrons un portefeuille avec une position longue sur cette option, la variation du portefeuille entre t0 e et t0 +h est gale ` C (t + h, S (t + h))C (t0 , S0 ). Nous ne pouvons pas assimiler le risque du portefeuille e a a ` une distribution normale ou log-normale, car le prix de loption BS est une fonction non-linaire du prix e du sous-jacent S (t) qui correspond ` une distribution log-normale dans le mod`le de Black et Scholes. a e Notons fS la fonction de densit de S (t) et C (S) la fonction de la prime dachat. Comme la fonction C e est bijective, nous avons alors fC (C) = fS C 1 (C) S C (C 1 (C)) (6.26)
Puisque S C (S) nest pas une fonction ane de S, le distribution du prix de loption nest pas lognormale. Il nest donc pas possible dutiliser une mthode de type matrice de covariance pour calculer la e VaR dune option.
6.3.2
Les solutions
Plusieurs auteurs ont alors propos des mthodes de types analytique ou Monte Carlo pour calculer e e la mesure de risque des produits non linaires. Les mthodes analytiques sont gnralement base sur e e e e e des approximations de Taylor. Par exemple, Britten-Jones et Schaefer [1997] proposent dutiliser une expansion partielle ` lordre 2 an de tenir compte du Gamma de loption. Cardenas, Fruchard, a Koehler, Michel et Thomazeau [1997] int`grent dans leur analyse le risque de volatilit en considrant e e e le Vega de loption. Gnralement, ces mthodes sont assez lourdes ` mettre en place dun point de vue e e e a technique, surtout dans le cas multidimensionnel. Dun autre ct, les mthodes de Monte Carlo sont oe e beaucoup moins complexes, mais prsentent parfois des temps de calcul prohibitifs. e Finalement, la mthode historique (parfois couple avec une mthode Monte Carlo) semble tre une e e e e mthode de compromis intressante. Cependant, elle ncessite une gestion tr`s ecace des bases de e e e e INTRODUCTION A LA GESTION DES RISQUES 60
donnes. En eet, celles-ci doivent contenir beaucoup plus dinformation (par exemple, les surfaces de e volatilit) que celles des actifs linaires. Nous devons aussi mentionner le fait que dans lesprit des textes e e rglementaires, la mthode doit prendre en compte les risques de volatilit. Implicitement, cela suppose e e e donc que les pricers utiliss pour le calcul de la VaR soient des pricers intgrant le smile. Cela pose e e quelques dicults, car il nexiste pas de paradigme dominant de type Black et Scholes comme dans e le cas du pricing sans smile. Plusieurs mod`les existent, mais tous ne sont pas de mme robustesse. De e e plus, la qualit dun pricer avec smile dpend de limplmentation. Il existe ainsi plusieurs logiciels de e e e valorisation doptions de change base sur la mthode de Dupire, mais tous donnent un prix dirent, e e e car les mthodes dinterpolation du smile sont direntes, les donnes utilises sont direntes, certains e e e e e utilisent des artices numriques pour assurer la convergence, etc. Il convient donc dtre tr`s prudent e e e lors du choix de la mthodologie dune VaR sur des produits non linaires. e e Remarque 7 La mthode historique est largement utilise par les banques pour calculer les VaRs ope e tionnelles. Cependant, il semble que la Commission Bancaire demande de plus en plus dviter cette e mthodologie au prot de mthodes plus robustes. e e
6.3.3
Les produits optionnels sont parmi les actifs les plus risqus dans lactivit dune salle de march. Ils e e e font donc lobjet dune surveillance quotidienne importante. La Commission Bancaire insiste fortement sur le contrle des risques des activits de drivs : o e e e drivs actions ; e e produits structurs (options sur plusieurs sous-jacents) ; e exotiques de taux ; options de change (FX) ; drivs de crdit ; e e e etc. En particulier, la Commission Bancaire demande que les pricers soient valids par une unit quantitative e e indpendante du Front Oce. Derni`rement, elle a aussi propos de calculer des rfactions pour risque e e e e de mod`le et risque de param`tres. e e Voici une liste (non-exhaustive) des dirents risques lis aux actifs contingents : e e 1. Le risque de mod`le ou risque de mispricing e 2. Le risque dimplmentation e 3. Le risque de param`tres e 4. Le risque de volatilit ou risque de smile e 5. Le risque de convexit e 6. Le risque de corrlation e An de ne pas alourdir le cours, nous verrons des exemples tr`s simples sans entrer dans les dtails e e mathmatiques. Pour cela, nous utiliserons les rexions menes par Rebonato [2001] et Derman [2001]. e e e
6.4 Conclusion
Comme nous avons pu le voir, les mod`les de mesure des risques de march demandent beaucoup de e e savoir-faire. Celui-ci ne doit pas seulement concerner les instruments de march ou les aspects nanciers, e mais aussi les outils statistiques et la gestion des bases de donnes. Cependant, pour reprendre lexpression e de Boulier et al. [1997], mesurer nest pas grer. La gestion des risques de march ne consiste pas e e seulement ` mesurer son risque. Elle cherche surtout ` lanalyser, ` le comprendre. En dnitive, elle a a a e passe par la comprhension de la micro-structure de son risque de march. e e Toutefois, il est dicile de nir cette section sans voquer les polmiques autour la VaR. Cette mesure e e nous lavons dj` vu pose de nombreux probl`mes statistiques. Aux Etats-Unis, cela a conduit ` des ea e a 6.4. CONCLUSION 61
attaques assez violentes de la part des conom`tres et des statisticiens. Dautres critiques plus thoriques e e e ont t faites. En premier lieu, elles concernent limpossibilit de modlisation du futur par le pass (voir ee e e e la controverse entre Nassim Taleb et Phillipe Jorion rfrences [21], [27] et [28]). En second lieu, elles ee portent sur la cohrence de la VaR en tant que mesure des risques. Dapr`s laxiomatique dveloppe e e e e par Artzner, Delbaen, Eber et Heath [1998], la VaR ne vrie pas la proprit fondamentale de e ee sous-additivit9 . Deux types de mesures cohrentes du risque ont alors t proposs. Soit X la variable e e ee e alatoire dcrivant la position nette du portefeuille, Embrechts, Kluppelberg et Milkosh [1997] e e dnissent de la faon suivante : e c = E X| X x (6.27)
Dans ce cas, nest plus un quantile (comme pour la VaR), mais lesprance de perte au del` dun certain e a quantile (qui pourrait tre ventuellement le niveau de la VaR). Artzner, Delbaen, Eber et Heath e e [1997] ont suggre une deuxi`me mesure de risque proche de la prcdente : ee e e e = sup E X| X x , P = p p (6.28)
avec lensemble des distributions de probabilits des tats de la nature. est aussi appel lensemble e e e des scnarios gnraliss. Dans ce cas, pour chaque scnario appartenant ` , on calcule lesprance e e e e e a e de perte (x = 0) ou lesprance de perte au del` dun certain quantile (x < 0), puis on dtermine la e a e plus grande valeur parmi tous les scnarios de . Comme le font remarquer les auteurs, cela exige une e rexion approfondie pour dnir : e e The generalized scenarios method is the universal coherent risk measurement method : it requires thinking before calculating, which can only improve risk management.
Bibliographie
[1] Andersen, T.G. [1994], Stochastic autoregressive volatility : a framework for volatility modeling, Mathematical Finance, 4, 75-102 [2] Artzner, A., F. Delbaen, J-M. Eber et D. Heath [1997], Thinking coherently, Risk magazine, 10, November, 68-71 [3] Artzner, A., F. Delbaen, J-M. Eber et D. Heath [1998], Coherent measures of risk, Eidgenssische o Technische Hochschule, Zrick, Working Paper u [4] Baker, M., J. Tattersall et R. Wilson [1996], Cad and beyond, Risk Magazine, 9-2, February [5] Bollerslev, T. [1986], Generalized autoregressive conditional heteroskedasticity, Journal of Econometrics, 50, 987-1008 [6] Bollerslev, T., R.F. Engle et D.B. Nelson [1993], ARCH models, in The Handbook of Econometrics, Volume 4, chapter 11 [7] Boulier, J-F., A. Brabant, R. Dalaud et A-L. Dieu [1997]. Risques de march : Vue de Prol, e Direction de la Recherche et de lInnovation, Crdit Commercial de France, Quants, 28 e [8] Britten-Jones, M. et S.M. Schaefer [1997], Non-linear Value at Risk, London Business School, Working Paper [9] Cardenas, J., E. Fruchard, E. Koehler, C. Michel et I. Thomazeau [1997], VaR : One step beyond, Risk magazine, 10, October, 72-75 [10] Christoffersen, P.F., F.X. Diebold et T. Schuermann [1998], Horizon Problems and Extreme Events in Financial Risk Management, FRBNY Economic Policy Review [11] Danielsson, J. et C.G. de Vries [1997a], Value-at-Risk and Extreme Returns, Tinbergen Institute Rotterdam, Mimeo [12] Danielsson, J. et C.G. de Vries [1997b], Beyond the Sample : Extreme Quantile and Probability Estimation, Tinbergen Institute Rotterdam, Mimeo
veut dire que la VaR globale de deux portefeuilles peut tre suprieure ` la somme des VaRs individuelles des e e a deux portefeuilles !
9 Cela
62
[13] Dave, R.D. et G Stahl [1999], On the accuracy of VaR estimates based on the variance-covariance approach, Olsen & Associates, Zrich, Working Paper u [14] Derman, E. [2001], Markets and model, Risk Magazine, 14, July, 48-50 [15] Diebold, F.X., A. Hickman, A. Inoue et T. Schuermann [1997], Converting 1-Day Volatility to h Day volatility : Scaling by h is worse than you think, The Wharton School, University of Pennsylvania, 97-34 [16] Engle, R.F. [1982], Autoregressive conditional Heteroskedasticity with estimates of the variance of the U.K. ination, Econometrica, 50, 987-1008 [17] Embrechts, P., Kluppelberg, C. et T. Mikosch [1997], Modelling Extremal Events for Insurance and Finance, Springer-Verlag, Berlin [18] Feller, W. [1968], An introduction to probability theory and its applications, volume 1, trois`me e dition, John Wiley & Sons, New York e [19] Guldimann, Til. [1994], RiskMetricsT M Technical Document, 2nd edition, J.P. Morgan, New York [20] Hendricks, D. [1996], Evaluation of Value-at-Risk models using historical data, Federal Reserve Board of New York, FRBNY Economic Policy Review, April, 39-69 [21] Jorion, P. [1997], In defense of VaR, Derivatives Strategy [22] Lopez, J. [1998], Methods for evaluating Value-at-Risk estimates, Federal Reserve Bank of New York [23] Rebonato, R. [2001], Model risk : new challenges, new solutions, Risk Magazine, 14, March, 87-90 [24] Rouvinez, C. [1997], Going greek with VaR, Risk Magazine, 10, February [25] Rubinstein, M. [1998], Edgeworth binomial trees, Journal of Derivatives, spring, 20-27 [26] Stahl, G. [1997], Three cheers, Risk Magazine, 10, May [27] Taleb, N. [1997a], The world according to Nassim Taleb, interview by editor Joe Kolman, Derivatives Strategy, December/January [28] Taleb, N. [1997b], Against Value-at-Risk : Nassim Taleb replies to Phillipe Jorion, document non publi e [29] Taylor, S.J. [1994], Modeling stochastic volatility : a review and comparative study, Mathematical Finance, 4, 183-204
7
Les programmes de stress-testing
Comme le prconisent les autorits rglementaires, les tablissements nanciers doivent eectuer e e e e rguli`rement des simulations de crise an de conna e e tre le montant des pertes potentielles en cas de uctuations dangereuses et importantes du march. Il faut tout de suite prciser que malgr le caract`re e e e e obligatoire, ces simulations de crises ne sont en aucun cas utiliss pour calculer lexigence en fonds propres. e Cependant, lutilisation de simulations de crises est lun des quatre principes de base dnis e par la Commission Bancaire pour quun mod`le interne soit valid. Le but de ces simulations e e est alors de complter le dispositif de mesure des risques, et notamment les mesures de VaR 1 . e Ces simulations de crises, parfois appeles scnarios de stress, et plus connu sous le terme anaglais stress e e testing, doivent tre des outils pour apprhender lexposition de la banque ` une crise grave. Contrairement e e a a ` la VaR, elles doivent permettre de rpondre ` la question suivante : e a Quel est le montant de perte auquel la banque doit faire face lors de la prochaine crise si le portefeuille de ngociation ne change pas ? e La notion de probabilit dispara Statistiquement, les stress testing font donc rfrence ` un maximum, e t. ee a et non ` un quantile. Cest une vision du risque extrme. Le point de vue est donc assez dirent de celui a e e de la VaR, puisque le rgulateur est beaucoup moins concern par cette mesure (mme si la mthodologie e e e e doit lui tre communique). Les mesures fournies par les stress testing sont avant tout destines au risk e e e management et ` la direction gnrale. Celles-ci doivent faire lobjet dune analyse dtaille an de a e e e e bien comprendre lexposition de la banque et an de bien vrier que ce risque extrme est ` un e e a niveau supportable : The art of stress testing should give the institution a deeper understanding of the specic portfolios that could be put in jeopardy given a certain situation. The question then would be : Would this be enough to bring down the rm ? That way, each institution can know exactly what scenario it is they do not want to engage in (Michael Ong, ABN Amro, in Dunbar et Irving [1998]). Deux grandes familles de stress testing existent : les mthodes objectives et les mthodes dites subjece e tives. Le premier type utilise les faits historiques (des faits qui se sont rellement passs) pour construire e e les scnarios, alors que la seconde famille est base sur des hypoth`ses de travail. Pour tre plus prcis, e e e e e nous pouvons classer les stress testing selon trois approches (Dunbar et Irving [1998]) :
tude mene par Tucker et Lawrence [1998] sur le risk management aupr`s de 679 institutions de 25 pays montre e e e que 93% des risk managers consid`rent quune mesure VaR est insusante comme mesure de risque. e
1 Une
1. La premi`re est la plus simple : elle consiste ` utiliser les donnes des crises passes et ` employer la e a e e a mthode de simulation historique sur ces priodes troubles pour calculer une perte potentielle e e e maximale (et non une VaR). Ltablissement nancier a alors une estimation de ce que causerait e la survenance de ces mmes crises avec le portefeuille de ngociation actuel. e e 2. La deuxi`me approche est une analyse structure des scnarios. Les v`nements historiques sont e e e e e utiliss en les appliquant aux conditions actuelles de march. Par exemple, nous pouvons analyser e e lincidence de la hausse des taux de 1994 par la Federal Reserve Bank si elle survenait aujourdhui. Contrairement ` la premi`re mthode qui utilisent les donnes historiques, cette mthode va donc a e e e e utiliser des donnes simules ` partir des donnes actuelles et des v`nements passs. e e a e e e e 3. La troisi`me approche est une analyse de scnarios spciques. Pour cela, il convient didentier une e e e situation qui risque de menacer ltablissement nancier. Cette mthode ne fait donc pas rfrence e e ee aux v`nements passs, mais utilisent des hypoth`ses sur les crises potentielles futures. e e e e Les stress testing sont donc des suites de questions que doit se poser ltablissement nancier sur son e risque : In essence, a comprehensive stress-testing programme asks a series of what if questions that force risks managers to try to predict what risk banks could face next time disaster strikes (Dunbar et Irving [1998]). Par exemple, voici le genre de questions que peut se poser la banque : Quel est limpact dune hausse des taux directeurs de 100 points de base ? Que se passe-t-il si la courbe des taux sinverse ? Quelles sont les rpercussions dune dvaluation ? e e Que se passe-t-il en labsence de liquidit ? e Quel est limpact dune hausse des prix de limmobilier ? etc.
Il est tout dabord important de noter quil nexiste pas aujourdhui de standard plus prcis pour e llaboration des scnarios de crise. On se contentera donc dans un premier temps davoir ` lesprit la e e a problmatique suivante : un programme de simulation de crise doit tre en mesure de rpondre ` ces trois e e e a questions : Quelles seront les pertes si le scnario X se produit ? e Quels sont les pires scnarios pour linstitution ? e Que pouvons-nous faire pour limiter les pertes dans ce cas ? Sachant par ailleurs que lintrt de la Commission Bancaire est que ces simulations puissent inuencer ee directement les choix de la direction en mati`re de gestion du risque, il faut avoir en tte deux autres e e exigences : la crdibilit du scnario aux yeux de la direction gnrale ; e e e e e la bonne lisibilit pour cette derni`re de lexposition du portefeuille aux dirents facteurs de risque e e e pralablement dnis. e e
1 2 3 4 5 6
On assimilera les mthodes 1, 2, 4 et 5 ` des mthodes subjectives ; les mthodes 3 et 6 correspondent e a e e videmment ` lapproche historique et ` lapproche sytmatique utilisant les extrmes. e a a e e Il ressort de cette enqute quau sein dune mme banque, sont bien utilises plusieurs approches pour e e e rpondre aux direntes exigences de la Commission Bancaire. Les chocs historiques sont, et resteront, e e largement utiliss, ceci sexpliquant par le fait quils sont ` la fois explicitement demands par la Come a e mission Bancaire et facilement implementables. Cette approche ne suscite gu`re de polmiques tant sur e e le plan technique que conceptuel. Les mthodes subjectives sont elles aussi tr`s bien reprsentes : peu e e e e ables, aux dires des Risk Managers, elles restent nanmoins aujourdhui ce que lon peut faire de mieux, e ou de moins pire, lorsque lon tente danticiper lavenir. Enn, nous pouvons constater que lutilisation de la thorie des valeurs extrmes est aujourdhui marginale mais tend ` se dvelopper : ceci sexplique e e a e sans doute par son introduction relativement rcente dans le traitement des probl`mes nanciers. e e
dimpliquer dans sa construction un grand nombre de personnes aux comptences varies et jusqu` e e a des niveaux de responsabilit tr`s levs ; e e e e de crer rguli`rement de nouveaux scnarios adapts aux changements politiques et conomiques. e e e e e e Exemple 1 Herv Goulletquer, Senoir Economist au Crdit Lyonnais, nous a fourni un exemple de e e scnario de crise concernant une baisse de Wall Street dicilement grable (voir Costinot, Riboulet and e e Roncalli [2000]). Aux Etats-Unis, sous le double eet dune activit qui ralentit et dune ination qui e devient moins sage, le march des actions se retourne assez brutalement (8% sur un mois pour lindice e Dow Jones). La Rserve fdrale est incapable de rpondre de suite ` cette baisse brutale des cours. Les e e e e a taux courts restent en ltat tout au long du mois concern. Le dollar subit la pression baissi`re lie e e e e aux rapatriements de capitaux vers lEurope et le Japon. LEuro sapprcierait de 3 cents par rapport e au Dollar (toujours en un mois). La hausse de la Livre serait un peu plus forte (6 cents). Dans ce contexte de sortie de capitaux du pays, et aussi dans un environnement qui dans un premier temps reste marqu par la crainte de plus dination, le march obligataire est mal orient. Le rendement ` 10 ans e e e a dune obligation du Trsor amricain se tend assez nettement (+55 bp). En Europe, la hausse de lEuro e e freine la remonte des taux longs (+20 bp en un mois). Dans ces conditions, la baisse du CAC40 peut e dicilement se comparer ` celle de Wall Street. Elle natteint que 5%. Et la BCE ne juge pas utile de a revoir son rglage montaire. e e
1[Xn x ] N
=1
(7.1)
avec le seuil de conance. Prsent de cette faon, x nest rien dautre que la mesure VaR. En e e c revanche, lanalyse WCS consid`re la distribution de la perte maximale (ou la fonction de distribution e du pire) parmi les sous-intervalles. On cherche donc ` caractriser la fonction de distribution GN de a e = min (X1 , . . . , Xn , . . . , XN ). Si nous supposons que les variables alatoires Xn sont indpendantes e e N et de mme loi de distribution F, nous avons e GN (x) = Pr x N = 1 Pr (X1 > x, . . . , Xn > x, . . . , XN > x) = 1 [1 F (x)]
N
(7.2)
Notons gN et f les fonctions de densit correspondantes, nous pouvons montrer facilement que e gN (x) = N [1 F (x)] INTRODUCTION A LA GESTION DES RISQUES
N 1
f (x)
(7.3) 68
et G1 () = F1 1 (1 ) N N
1
(7.4)
G1 () est donc le quantile de la fonction de distribution du pire. A titre dillustration, nous avons N reprsent sur le graphique (7.1) les fonctions WCS de densit et de rpartition pour une loi normale et e e e e une loi de Student ` un degr de libert. a e e
Remarque 8 Lorsque N est gal ` 1, cest-`-dire lorsque nous ne considrons quun seul jour de trading, e a a e nous avons G1 (x) = F (x), g1 (x) = f (x) et G1 () = F1 (). Dans ce cas, G1 () est exactement 1 1 la Valeur en Risque. G1 () appara comme une extension de la mesure VaR. Nous notons celle-ci WCS . Cette mesure t N de risque dpend donc de deux param`tres, N le nombre de jours de trading et la probabilit2 que la e e e perte dpasse WCS . Prenons un exemple. Nous supposons que la position nette du portefeuille X suit e une loi gaussienne standard N (0, 1). Nous avons report les valeurs prises par G1 () dans le tableau e N suivant : N 1 5 10 100 250 0.5% 2.5758 3.0896 3.2899 3.8900 4.1069 1% 2.3263 2.8769 3.0889 3.7178 3.9432 5% 1.6449 2.3187 2.5679 3.2834 3.5334 10% 1.2816 2.0365 2.3087 3.0748 3.3384
2 Nous
69
Lorsque lhorizon considr est un jour de trading et pour gal ` 1%, la mesure de risque est bien gale ee e a e a ` 2.33, la Valeur en Risque. Lorsque nous prenons 5 jours de trading, la mesure de risque passe ` 2.88. a Nous voyons bien que le risque dpend alors du nombre de jours de trading considr. La coubure de la e ee fonction G1 () en fonction de N nous donne une certaine vision dynamique du risque3 . A partir N de la fonction de distribution du pire, nous pouvons construire dautres mesures de risque. Par exemple, nous pouvons considr lesprance du pire (N ) dnie par ee e e (N ) = E [N ] N [1 F (x)]
N 1
f (x) x dx
(7.5)
Comme le montre le graphique (7.2), cette esprance du pire dpend fortement de la fonction de densit e e e et notamment de la queue gauche de celle-ci. Nous voyons clairement que dans le cas o` la fonction de u distribution des pertes potentielles est leptokurtique (cas de la Student T1 ), la dirence de risque entre e cette distribution et la distribution gaussienne estime peut cro tr`s fortement avec N . e tre e
On associe gnralement lanalyse WCS aux simulations de crises, car elles sont toutes les deux lies ` e e e a la notion de temps de retour. En gnral, une mthodologie VaR a du mal ` apprhender les crises. En e e e a e eet, les temps de retour bass sur les VaRs manquent gnralement de ralisme. Lanalyse WCS ou la e e e e thorie des extrmes, qui fait lobjet de la prochaine section, sont des outils plus adapts dans ces cas-l` e e e a (Boulier, Brabant, Dalaud et Dieu [1997]) : On remarque dabord le ralisme des rsultats obtenus par la mthode statistique des e e e extrmes. Ainsi, lors du krach doctobre 1987, la variation quotidienne la plus forte de lindice e MSCI France fut de 8.4%. Cette chute correspond ` une dure de retour estime ` treize ans a e e a par la mthode des extrmes, alors que lapproche par la loi normale fournit une dure de e e e retour de lordre de dix milliards dannes. Ici la mthode paramtrique est mise en dfaut e e e e parce que le quantile considr (99.97%) a trait ` un vnement tr`s rare. ee a e e e
3 Cependant,
comme les variables alatoires Xn sont indpendantes, cette dynamique ne tient pas compte des eets de e e
contagion.
70
Par exemple, si nous tudions la distribution jointe des cours BARCLAYS et LLOYDS/TSB, les obsere vations qui sont proches du centre de lellipse de covariance gaussienne contiennent de linformation tr`s e peu utilisable pour modliser le risque associ ` un portefeuille compos de ces deux titres. Linformation e ea e pertinente correspond en fait aux observations qui sont ` lextrieur des ellipses de covariance 95% a e et 99% (voir la gure (7.4)). Et nous voyons notamment que lutilisation dune distribution normale ` a deux dimensions nest pas approprie pour modliser la loi jointe des cours LLOYDS/TSB et BARCLAYS, e e
4 estime e
71
puisque de nombreuses ralisations sont dans des domaines qui prsentent des occurences tr`s faibles (qui e e e sont gales numriquement ` zro). e e a e
GRAPHIQUE 7.4. Distribution jointe des rendements des titres BARCLAYS et LLOYDS/TSB
Il faut bien comprendre que la thorie des valeurs extrmes, mme si elle est lie aux recherches dans e e e e le domaine des queues paisses, nest pas un outil de modlisation du caract`re leptokurtique e e e dune distribution. En fait, elle permet de caractriser la loi des extrema. Dans la section prcdente, e e e nous dterminions la distribution des minima ` partir de la fonction de densit qui les engendrent. La e a e thorie des valeurs extrmes va nous permettre, en particulier, destimer directement la distribution ` e e a partir des donnes. Lide est donc la suivante : e e Que pouvons nous dire de la distribution limite
N
lim GN (x)
Comme lexplique McNeil [1998a], nous ne pouvons armer que la thorie des valeurs extrmes permet e e de prdire le futur avec certitude. Mais le pass contient assez dinformation (qui nest pas forcment e e e observable) sur les extrema pour pouvoir modliser G (x), sans pour autant vouloir conna la fonction e tre F. Et cela est possible, car sous certaines conditions, G (x) ne peut tre dcliner quen un nombre e e tr`s limit de lois de distribution (voir lannexe 7.5.6.1 pour une dmonstration intuitive). e e e
7.5.2
7.5.2.1
La thorie classique e
Prsentation des 3 lois dextrmes e e
Nous reprenons les notations introduites pour dnir la distribution du pire. Nous considrons N variae e bles alatoires X1 , . . . , Xn , . . . , XN indpendantes et de mme loi de distribution F dont nous cherchons ` e e e a tudier le comportement des extrmes = min (X1 , . . . , Xn , . . . , XN ) et + = max (X1 , . . . , Xn , . . . , XN ). e e N N Pour cela, nous pouvons utiliser la statistique dordre Y sur X, cest-`-dire que nous avons a = Y1 Yn YN = + N N
k(N )
(7.6)
Considrons alors la variable alatoire = e e (Yn ). Embrechts, Resnick et Samorodnitsky n=1 [1997] donnent dirents exemples dutilisation de en nance : e INTRODUCTION A LA GESTION DES RISQUES 72
Si Si Si
(y) =
1 k(N )
(y) = (y y)+ et k (N ) = N , reprsente la somme des pertes plus grandes quun seuil ; e (y) = y et k (N ) = N , est le quantile de X.
Avec la thorie des extrmes, nous nous intressons directement ` = Y1 et = YN . Pour cela, nous e e e a avons besoin du thor`me de Fisher-Tippet qui permet de caractriser la loi de distribution des extrmes : e e e e Thor`me 1 (Th. 3.2.3 de Embrechts, Kl ppelberg et Mikosch (1997)) Supposons N variables e e u alatoires X1 , . . . , Xn , . . . , XN indpendantes et de mme loi de distribution F. Sil existe des constantes e e e aN et bN et une distribution limite non dgnre G telles que e e e e lim Pr + bN N x aN = G (x) x R (7.7)
alors G appartient ` lun des trois types suivants de distribution : a Type I (Frechet) G (x) = 0 exp (x ) exp ( (x) ) 1
x0 x>0 x0 x>0 xR
g (x) =
(Weibull) (Gumbel)
G (x) =
g (x) =
exp ( (x) )
g (x) = exp (x ex )
Cest lun des rsultats les plus importants de la thorie des extrmes : sous certaines conditions, la loi e e e de distribution des extrmes est lune des trois lois paramtriques prcdentes. En fait, nous pouvons e e e e caractriser ces trois types de distribution par une distribution unique (Coles et Tawn [1999]) : e G (x) = exp 1 + x
1
(7.8)
dni sur le support = x : 1 + x > 0 et que nous notons G (, , ). Cette fonction de distribue tion correspond ` la loi de probabilit de Von Mises, mais elle est plus connue sous le nom de Generalized a e Extreme Value distribution (GEV). Nous avons alors les correspondances suivantes : Frechet Weibul Gumbel = 1 > 0 = 1 < 0 0
Remarquons que les param`tres et sont en fait les limites de bN et aN . A titre dillustration, voyons e quelques exemples de distribution GEV. Pour cela, nous pouvons facilement montrer que la fonction de densit correspondante est e 1 g (x) = 1+ x
( 1+ )
exp 1 +
(7.9)
Les graphiques (7.5) et (7.6) prsentent des fonctions de densit et de rpartition pour direntes valeurs e e e e de param`tre. Lorsque varie, nous remarquons une translation des fonctions. est donc un param`tre e e de localisation. joue le rle dune variance, cest pourquoi nous le considrons comme un param`tre o e e de dispersion. Enn, le param`tre est li au caract`re leptokurtique de la fonction de distribution F. e e e Cest pourquoi on lui donne gnralement le nom dindice de queue ou dindice de valeur extrme (Drees e e e [1997]). 7.5. LA THEORIE DES VALEURS EXTREMES 73
74
7.5.2.2
Ltude des lois dextrme est tr`s intressante. Cest un domaine de recherche prolique. Dans ce e e e e paragraphe, nous prsentons quelques rsultats remarquables. e e Remarque 9 Reprenons lanalyse WCS et appliquons celle-ci au maximum + . Nous avons alors N GN (x) = gN (x) = et
N
F (x)
N N 1
N F (x)
f (x)
(7.10)
(7.11)
Il est alors intressant dtudier la vitesse de convergence qui permet davoir une ide de la priode de e e e e rfrence de lanalyse WCS pour que celle-ci soit quivalente ` la thorie des extrmes. ee e a e e Voyons un exemple. Nous considrons la distribution gaussienne standard. Nous savons que la loi des e extrmes correspondante est une Gumbel. Sur le graphique (7.7), nous remarquons que lapproximation e de G1 (x) par une loi de Gumbel est moins bonne que celle de G10000 (x). Nous considrons maintee
nant plusieurs distributions : la loi gaussienne, la loi exponentielle, la loi de Student T4 et la loi -stable symtrique5 S0.7 (1, 0, 0). Pour mesurer la convergence, Coles et Tawn [1999] proposent dtudier grae e xbN en fonction de N et de le comparer celui-ci phiquement le comportement de ln ln GN aN de la loi limite. Pour les lois gaussienne et exponentielle, la loi limite est la distribution de Gumbel. Pour les deux autres, cest la distribution de Frchet. Le probl`me est de construire les suites (aN ) et e e (bN ). Pour la loi exponentielle, nous pouvons montrer que si aN = 1 et bN = ln (N ), NaN N converge bien en loi vers la famille de type III. Pour les autres lois, la connaissance des suites (aN ) et (bN ) nest
5 voir
+ b
Nolan [1999].
75
pas toujours vrie6 . Dans ce cas, nous pouvons construire les suites numriquement en adoptant un e e e crit`re de bonne adquation7 entre GN xbN et la loi limite G (x). Les rsultats sont prsents sur le e e e e e aN graphique (7.8). Nous voyons ainsi que la convergence de la loi exponentielle est bien plus rapide que celle de la loi gaussienne. Et les distributions qui ont des queues leptokurtiques (cest le cas des distributions T4 et S0.7 (1, 0, 0)) prsentent des vitesses de convergence plus faibles. e Remarque 10 Le quantile G1 () dordre pour la distribution GEV est donn par la formule suivante : e G1 () = 1 ( ln ) (7.12)
Ce quantile est donc fortement inuenc8 par les deux param`tres et . A titre dillustration, le graphique e e (7.9) prsente direntes courbes de quantiles en fonction de . Intuitivement, nous comprenons que plus e e la distribution F poss`de de la variance et plus elle est leptokurtique, plus ce quantile sera lv. e ee e Remarque 11 Nous pouvons montrer que le mode de la distribution GEV est atteint pour la valeur + (1 ) . Quant ` la moyenne E + , nous pouvons la calculer facilement en utilisant une procdure a e N dintgration numrique de type Gauss-Legendre ou Gauss-Hermite. e e Nous avons maintenant presque tous les lments pour appliquer la thorie des valeurs extrmes ` la ee e e a gestion du risque. Soit P la perte potentielle dun portefeuille. Mesurer le risque revient alors ` analyser a
6 Coles et Tawn [1999] fournissent deux expressions pour (a ) et (b ) pour la loi gaussienne, mais celles-ci sav`rent e N N numriquement non adquates, notamment pour des faibles valeurs de N . Cest pourquoi nous avons aussi prfr utiliser e e ee e la mthode numrique de construction des suites pour la loi gaussienne. e e 7 Nous avons utilis une norme e e e 2 pour le crit`re dadquation. 8 En eet, nous avons (7.13) G1 () = ( ln )1+
76
la loi du maximum de P, cest-`-dire la distribution du pire. A partir de celle-ci, nous pouvons calculer a les quantiles du pire, lesprance ou le mode du pire, les temps de retour, etc. Avant de voir quelques e applications, il reste cependant ` dvelopper linfrence statistique et les mthodes destimation dune a e e e distribution GEV. 7.5.2.3 Estimation des param`tres de la distribution GEV e
Il existe plusieurs mthodes pour estimer les param`tres de la distribution GEV. Nous pouvons par e e exemple citer les mthodes destimation de lindice de queue (de type Hill ou Pickands voir Drees, e De Haan et Resnick [1998]), la mthode des moments ou encore les mthodes de seuil (base par e e e exemple sur la distribution de Pareto gnralise). Mais celle qui reste la plus populaire et qui sous e e e certaines conditions est la plus ecace est la mthode du Maximum de Vraisemblance9 . e Soit le vecteur des param`tres. Nous avons e = Nous considrons un chantillon de donnes {Xt } de dimension T = N avec R. Nous divisons cet e e e chantillon en N blocs et nous dnissons + de la faon suivante e e c n + = max n X1+n(t1) , t = 1, . . . , (7.14)
exp 1 +
+ n
(7.15)
utilisons ici les notations et la terminologie de Davidson et MacKinnon [1993], ouvrage de rfrence sur la ee question du maximum de vraisemblance.
9 Nous
77
(7.16)
+ ; n
n=1
(7.17)
avec lespace des param`tres. Lestimation de lexpression (7.17) est relativement aise ` condition de e e a prendre quelques prcautions, notamment pour la spcication de (` cause de la singularit au point e e a e = 0). Pour les applications, nous avons utilis lalgorithme de Bryoden-Flectcher-Goldfarb-Shanno en e utilisant un jacobien analytique (voir lannexe 7.5.6.2).
7.5.3
Pour appliquer la thorie des extrmes ` la nance, il est ncessaire dintroduire la notion de temps de e e a e retour. Considrons un vnement E ayant une probabilit doccurence gale ` . La loi dapparition de e e e e e a cet vnement est alors une variable alatoire gomtrique de probabilit . Son esprance mathmatique e e e e e e e e est = est le temps de retour de E. Exemple 2 Considrons une VaR 99%. Le temps de retour associ ` lvnement dpassement de la e e a e e e VaR est = 1 = 100 1 0.99 (7.19) 1 (7.18)
Si la priode de dtention est de 1 jour, le temps de retour de la VaR 99% est 100 jours. Cela veut dire e e quon dpasse la VaR journali`re en moyenne tous les 100 jours. e e Dnition 1 Soit = Pr {+ x}. Le temps de retour de lvnement Pr {+ > x} est gal ` (1 ) e e e e a n n priodes de rfrence. Le temps de retour en jours est donc e ee = 1 1
1
(7.20)
Remarque 12 Nous pouvons comparer les rsultats entre une V aR traditionnelle et une V aR GEV ` e a partir de la relation suivante : GEV = 1 (1 VAR ) (7.21)
7.5.4
Applications
Nous reportons les rsultats obtenus par Bezat et Nikeghbali [2000] et Bouye, Durrleman, Nie keghbali, Riboulet et Roncalli [2000] avec la base de donnes LME (les cours considrs sont celui e ee de laluminium AL, du forward 15 mois de laluminium AL-15 et du cuivre CU). Nous laborons des scnarios de crise de la mani`re suivante. On se donne des temps de retour levs e e e e e de lordre de 5 ans, 10 ans, 25 ans, 50 ans, 75 ans et 100 ans et on utilise la formule (7.20) pour calculer la variation maximale ngative des cours sur une journe. Les rsultats obtenus sont10 : e e e
10 Pour
information, la valeurs des param`tres estims sont e e Param`tres e AL 0.022 0.007 0.344 AL-15 0.018 0.006 0.275 CU 0.028 0.013 0.095
78
Echelles de Risque (en variation journali`re) e pour des positions longues (en %) Temps de Retour AL AL-15 CU 5 -6.74 -4.82 -8.03 -8.57 -5.90 -9.35 10 -11.75 -7.68 -11.23 25 50 -14.91 -9.36 -12.76 75 -17.14 -10.49 -13.70 100 -18.92 -11.38 -14.39 Echelles de Risque (en variation journali`re) e pour des positions courtes (en %) Temps de Retour AL AL-15 CU 5 6.96 5.79 7.53 10 8.35 7.10 8.82 25 10.46 9.20 10.73 50 12.32 11.12 12.34 75 13.52 12.39 13.36 100 14.43 13.38 14.12 Nous avons report en outre sur les gures (7.10) et (7.11) la densit des lois dextrmes estimes ainsi e e e e que la relation entre lchelle de risque et le temps de retour dans le cas des positions longues. e Notons quil existe dautres alternatives ` lutilisation de la GEV. Costinot, Riboulet et Roncalli a [2000] utilisent une approche dite semi-paramtrique en sappuyant sur le fait que les sries nanci`res e e e appartiennent au domaine dattraction de la distribution de Frchet. Les quantiles extrmes se dduisent e e e des quantiles empiriques ` partir dune simple homothtie paramtre par lindice de queue (voir aussi a e e e les travaux de Straetmans [1999,2000]). Dans cette approche, lindice de queue est alors donn par e lestimateur de Hill.
79
7.5.5
Le cas multidimensionnel
Cette partie fera lobjet dun dveloppement dans le cours Gestion des risques multiples. Pour une e premi`re approche, vous pouvez consulter Bezat et Nikeghbali [2000] et Bouye, Durrleman, Nie keghbali, Riboulet et Roncalli [2000].
7.5.6
7.5.6.1
Annexes
Forme gnrale dune loi dextrmes e e e
Nous pouvons montrer que la forme gnrale dune loi dextrmes est exp (h (x)). Nous avons GN (x) = e e e N F (x) et dGN (x) = F (x) ln F (x) dN + N F (x) Nous en dduisons que e d ln GN (x) = ln F (x) dN + N f (x) dx := hN (x) F (x) (7.23)
N N 1
f (x) dx
(7.22)
Il est alors facile de montrer que sous certaines conditions de rgularit, hN (x) = h (x) lorsque N e e et F (x) 1 . En introduisant une contrainte de stabilit (la distribution des extrema dun souse chantillon doit tre la mme que celle de lchantillon original), Boulier, Brabant, Dalaud et Dieu e e e e [1997] montrent que h est la solution dune quation fonctionnelle qui ne poss`de que trois solutions. e e 7.5.6.2 Jacobien analytique de la fonction de log-vraisemblance 1 +
1
Nous avons + ; n + ; n + ; n = = =
(1 + ) (+ ) n 1
1
2 1 (+ ) n 2 ln
(+ ) n
(7.24) 80
Bibliographie
[1] Bahar, R., M. Gold, T. Kitto et C. Polizu [1997], Making the best of the worst, Risk Magazine, 10, August [2] Bezat, A. et A. Nikeghbali [2000], La thorie des extrmes et la gestion des risques de march, GT e e e ENSAE [3] Boudoukh, J., M. Richardson et R. Whitelaw [1995], Expect the worst, Risk Magazine, 8, September [4] Boulier, J-F., A. Brabant, R. Dalaud et A-L. Dieu [1997]. Risques de march : Vue de Prol, e Direction de la Recherche et de lInnovation, Crdit Commercial de France, Quants, 28 e [5] Bouye, E., V. Durrleman, A. Nikeghbali, G. Riboulet et T. Roncalli [2000], Copulas for nance : a reading guide and some applications, Groupe de Recherche Oprationnelle, Crdit Lyonnais, e e Working Paper [6] Coles, S. [1998], Extreme value theory and applications, A course presented at the 44th Reunio a Annual de RBRAS, So Paulo, 26-30 July a [7] Coles, S. et J. Tawn [1999], Statistical methods for extreme values, A course presented at the 1988 RSS conference, Strathclyde, September 1998 [8] Costinot, A., G. Riboulet et T. Roncalli [2000], Stress-testing et thorie des valeurs extrmes : e e une vision quantie du risque extrme, Groupe de Recherche Oprationnelle, Crdit Lyonnais, Working e e e e Paper [9] Davidson, R. et J. MacKinnon [1993], Estimation and Inference in Econometrics, Oxford University Press, Oxford [10] Drees, H. [1997], Optimal rates of convergence for estimates of the extreme value index, University of Cologne, Technical report [11] Drees, H., L. De Haan et S. Resnick [1998], How to make a Hill plot, University of Cologne, Technical report [12] Dunbar, N. et R. Irving [1998], This is the way the world ends, Risk Magazine, 11, December [13] Embrechts, P., Kluppelberg, C. et T. Mikosch [1997], Modelling Extremal Events for Insurance and Finance, Springer-Verlag, Berlin [14] Embrechts, P., Resnick, S.I. et G. Samorodnitsky [1997], Extreme value theory as a risk management tool, Departement Mathematik, ETHZ, Zrich, Preprint u [15] Embrechts, P., Resnick, S.I. et G. Samorodnitsky [1998], Living on the edge, Risk Magazine, 11, January [16] McNeil, A.J. [1997a], On extremes and crashes, Departement Mathematik, ETHZ, Zrich, Preprint u [17] McNeil, A.J. [1997b], Estimating the tails of loss severity distributions using extreme value theory, ASTIN Bulletin, 27, 117-137 [18] McNeil, A.J. [1998a], History repeating, Risk Magazine, 11, January [19] McNeil, A.J. [1998b], Calculating quantile risk measures for nancial return series using extreme value theory, Departement Mathematik, ETHZ, Zrich, Preprint u [20] McNeil, A.J. [1999], Extreme value theory for risk managers, Departement Mathematik, ETHZ, Zrich, Preprint u [21] Tucker, T et A. Lawrence [1998], Chain reaction, FOW, November, 25-28
Troisi`me partie e
Le risque de crdit e
83
8
Prsentation gnrale du risque de crdit e e e e
La dgradation de la qualit du crdit constitue la troisi`me source de risque portant sur une dette. e e e e Si la perception de la qualit de lemprunteur se dtriore, la prime de risque accorde par les e ee e marchs nanciers saccro en consquence. De plus, si lemprunteur bncie dune note de la part e t e e e dune agence de notation, celle-ci est susceptible de se dgrader suite ` la perception ngative des e a e marchs. e Notons que les risques de dfaut et de dgradation sont fortement corrls dans la mesure o` la dgradation e e ee u e de la qualit de la contrepartie peut tre prcurseur dun dfaut. Ce sont nanmoins deux risques bien e e e e e distincts. Le risque de dgradation se traduit par une possible dvalorisation de la dette au cours sa e e priode de vie. Les pertes lies ` la dgradation de la qualit de la contrepartie se ralisent donc en cas e e a e e e de vente anticipe de la dette sans quun dfaut se soit pour autant produit. e e
8.2.1
Ce nest pas un march au sens conomique du terme. Le risque de crdit provient dune asymtrie e e e e dinformation entre la banque et son client. Prts court terme et long terme ; e Lignes de crdit conrmes et non conrmes ; e e e Financement structurs ; e etc.
8.2.2
En ce qui concerne le march des obligations risques (risky bond), Turc [1999] considre que la e e e problmatique du risque de crdit est triple : e e Dune part, lmission des obligations implique une problmatique de la demande de crdit : pourquoi e e e se nancer par obligation ? Dautre part elle est achete, change, agrmente de drivs en tout genre, e e e e e e e sujette ` spculation do` une problmatique de trading, ou dintermdiation nanci`re : comment prendre a e u e e e en compte le risque de dfaut dans le prix dun produit driv ? Enn, lobligation est partie intgrante du e e e e portefeuille dun investisseur, ce qui engendre un problmatique de gestion : comment grer un portfeuille e e avec risque de crdit, comment estimer le risque globalement encouru par le dtenteur de ce portefeuille ? e e Linvestisseur en obligations risques cherche un placement plus rentable que celui des obligations dtat e e (sovereign debt). La dirence entre la rentabilit dune obligation risque et dune obligation sre est e e e u appele le spread de taux. Deux composantes expliquent ce spread de taux : le spread de crdit (risque e e de dprciation de la qualit de signature de lemprunteur) et la liquidit (profondeur du carnet dordre). e e e e
8.2.3
Contrairement aux prts bancaires et aux obligations risques qui sont une source de risque de crdit, e e e les drivs du crdit sont des instruments nanciers hors bilan qui permettent de transfrer le risque de e e e e lactif ` une contrepartie sans cder cet actif. a e 1. Premi`re gnration de drivs de crdit e e e e e e INTRODUCTION A LA GESTION DES RISQUES 86
Credit Guarantees Revolving Credit Repo Market Asset Swaps Structured Notes 2. Deuxi`me gnration de drivs de crdit e e e e e e Credit default swaps (CDS) Default digital put Total return swaps Credit linked notes Spread Options 3. Troisi`me gnration de drivs de crdit e e e e e e First-to-defaults (F2D) First losses Collateralized bond obligations (CBO) Collateralized loan obligations (CLO) Collateralized debt obligations (CDO) Basket credit derivatives
Bibliographie
[1] Credit risk modelling : current practices and applications, Basle Committee on Banking Supervision, April 1999, N 49 [2] Legras, J. et L. Bonnat [2001], Le Cooke est mort, vive le Cooke, Crdit Commercial de France, e Quants, 38 [3] Turc, J. [1999], Prsentation du march du risque de crdit, CDC Marchs, Sminaire INRIA du 8 e e e e e juin 1999
9
Lapproche standard
Remarque 14 Le risque de taux dintrt dans le portefeuille bancaire (risque de taux du bilan) ne fait e e pas partie de lexigence minimale (premier pilier). Celui-ci est trait dans le second pilier (ALM). e Plusieurs raisons sont voques pour justier la refonte de la mesure des actifs pondrs pour le risque e e ee de crdit : e obtenir une meilleure mesure de risque en prenant en compte les notations externes et internes, viter larbitrage rglementaire, par exemple en utilisant des drivs de crdit, e e e e e considrer de faon plus cohrente les techniques de rduction des risques. e c e e
1 Nous
Entreprises
Les risques pondrs souverains (sovereign risk weights) correspondent aux crances sur les emee e prunteurs souverains et leurs banques centrales nationales. Les notations utilises sont celles dnies par e e lagence de rating Standards & Poors. Cependant, dautres agences de notations peuvent tre utilises e e (Moodys par exemple). Actuellement, le Comit de Ble envisage la possibilit de prendre en compte les e a e scores de risques pays (country risk rating) publies par les agences de crdit ` lexportation (Export e e a Credit Agencies ou ECA) qui utilise la mthodologie 1999 de lOCDE (par exemple, la COFACE en e France). Le mapping entre les scores de risques pays et les notations S&P pourrait tre le suivant : e Notation S&P Score ECA Pondration e AAA ` AAa 1 0% A+ ` Aa 2 20% BBB+ ` BBBa 3 50% BB+ ` Ba 4`6 a 100% B- ` C a 7 150% non not e 100%
Notons aussi que la pondration est de 0% pour la Banque des Rglements Internationaux (Bank for e e International Settlements ou BIS), le Fonds Montaire International (International Monetary e Fund ou IMF), la Banque Centrale Europenne (European Central Bank ou ECB) et la Communaut e e Europnenne (European Community ou EC). e Lautorit de rgulation peut choisir de traiter les crances sur les entits du secteur public (None e e e Central Government Public Sector Entities ou PSE) comme des crances sur emprunteurs souvee rains ou comme des crances sur banques. e Concernant les banques multilatrates de dveloppement (Multilateral Development Banks ou MDB), le e e syst`me de pondration est plus complexe. Pour appliquer une pondration de 0%, la MDB doit satisfaire e e e plusieurs crit`res : e la notation de long terme est AAA, lactionnariat est principalement compos demprunteurs souverains prsentant une notation gale e e e ou suprieure ` AA, e a etc. Le Comit de Ble propose ainsi que les banques suivantes ont une pondration de 0% : e a e 1. The World Bank Group comprised of the International Bank for Reconstruction and Development (IBRD) and the International Finance Corporation (IFC) 2. The Asian Development Bank (ADB) 3. The African Development Bank (AfDB) 4. The European Bank for Reconstruction and Development (EBRD) INTRODUCTION A LA GESTION DES RISQUES 90
5. The Inter-American Development Bank (IADB) 6. The European Investment Bank (EIB) 7. The Nordic Investment Bank (NIB) 8. The Caribbean Development Bank (CDB) 9. The Council of Europe Development Bank (CEDB) Pour les banques, les autorits rglementaires ont le choix entre deux options. Dans la premi`re e e e option, la pondration dpend de la notation du pays et non de la banque. Par exemple, la e e pondration 20% est applicable aux banques dont le si`ge social est dans un tat not AAA ` AA-. Dans e e e e a la seconde option, la pondration dpend de la notation de la banque et de la maturit de e e e la crance. Ainsi, une pondration plus favorable est applique aux crances dune dure infrieure ou e e e e e e gale ` 3 mois. An de bien comprendre les deux options, voici quelques exemples : e a Caractristiques de la crance e e Rating du pays Rating de la banque Maturit e AAA BBB 1 mois AAA BBB 10 ans BB+ AA 3 mois BB+ AA 1 an non not e A 4 mois A non not e 4 mois Pondration e Option 1 Option 2 20% 20% 20% 50% 100% 20% 100% 20% 100% 50% 50% 50%
1 2 3 4 5 6
Pour les entreprises dinvestissement (securities rms), les pondrations sont les mmes que celles e e des banques. Les pondrations pour les entreprises (corporates) sappliquent aussi aux compagnies dassurance e (insurance companies). Contrairement aux banques, il ny a quune seule option et seule la notation de lentreprise est prise en compte. Nanmoins, le dcoupage des classes de rating est dirent de celui e e e des emprunteurs souverains. Concernant les entreprises non notes, le Comit de Ble consid`re que leurs e e a e crances ne sont pas gnralement de qualit faible (signal low credit quality) et quune pondration e e e e e de 150% serait trop pnalisante. e Enn, les crances garanties par des biens immobiliers rsidentiels (claims secured by residential e e property) et par des biens immobiliers commerciaux (claims secured on commercial real estate) sont pondres respectivement ` 50% et 100%. Concernant les actifs de la banque de rseau (retail assets), ee a e aucune mthodologie na encore t propose. e ee e
Crdibilit e e
La principale dicult va tre le mapping des direntes notations. Le 30 avril 2001, le Comit de Ble e e e e a proposait la correspondance suivante entre les deux grandes agences internationales de notation : Prime Maximum Safety AAA Aaa High Grade High Quality AA+ AA AAAa1 Aa2 Aa3 Upper Medium Grade A+ A AA1 A2 A3 Lower Medium Grade BBB+ BBB BBBBaa1 Baa2 Baa3
S&P Moodys
S&P Moodys
S&P Moodys
Extremely Speculative CC Ca
May be in Default C C
Default D
Des travaux sont en cours pour obtenir un mapping plus exhaustif. A titre dexemple, Bardos [2001] propose le rapprochement suivant entre les cotations Banque de France et les ratings S&P pour les risques pondrs Corporate : ee Notation Cote BdF Pondration e AAA ` AAa A37 20% A+ ` Aa Autres A37 50% BBB+ ` BBa 47 100% BB- ` C a 57, 67, 58, 59, 68 et 69 150% non not e 100%
A titre dexemples, voici quelques notations que nous pouvons trouver sur le site de S&P : http ://www.standardandpoors.com/RatingsActions/index.html Extrait de Sovereign Ratings List (October 11, 2001) : Local Currency Sovereign Argentina Belgium Canada Colombia Denmark France Suriname Longterm rating CCC+ AA+ AAA BBB AAA AAA B Outlook Negative Stable Stable Negative Stable Stable Watch Neg Shortterm rating C A-1+ A-1+ A-3 A-1+ A-1+ Foreign Currency LongShortterm Outlook term rating rating CCC+ Negative C AA+ Stable A-1+ AA+ Stable A-1+ BB Negative B AAA Stable A-1+ AAA Stable A-1+ BWatch Neg 92
Extrait de Financial Institutions Counterparty Ratings List Banque Credit Suisse First Boston Morgan Stanley Dean Witter & Co. Merrill Lynch & Co. Inc. Nomura Securities Co. Ltd. La Poste J.P. Morgan Chase & Co Bank of America Corp. Barclays Bank PLC UBS AG Deutsche Bank AG Societe Generale Credit Lyonnais Caisse des Depots et Consignations Caisse Nationale de Credit Agricole BNP PARIBAS Caisse Nationale des Caisses dEpargne et de Prevoyance International Industrial Bank (Russia) OJSC Infobank (Russia) Evolution du rating de la Fdration de Russie e e Date June 27, 2001 Dec. 8, 2000 July 27, 2000 Feb. 15, 2000 May 7, 1999 Jan. 27, 1999 Sept. 16, 1998 Aug. 17, 1998 Aug. 13, 1998 June 9, 1998 May 27, 1998 Dec. 19, 1997 Oct. 4, 1996 Local Currency Rating B/Stable/B B-/Stable/C B-/Stable/C CCC+/Positive/C CCC/Stable/C Foreign Currency Rating B/Stable/B B-/Stable/C SD/Not Meaningful/SD SD/Not Meaningful/SD SD/Not Meaningful/SD SD/Not Meaningful/SD CCC-/Negative/C CCC/Negative/C B-/Negative/C B+/Stable/B BB-/CW-Neg./B BB-/Negative/B BB-/Stable/B Notation (Long Term/Outlook/Short Term) AA/Stable/A-1+ AA-/Negative/A-1+ AA-/Negative/A-1+ BBB+/Stable/A-2 AAA/Stable/A-1+ AA-/Stable/A-1+ A+/Stable/A-1 AA/Stable/A-1+ AA+/Stable/A-1+ AA/Stable/A-1+ AA-/Stable/A-1+ A-/Positive/A-2 AAA/Stable/A-1+ AA/Stable/A-1+ AA-/Stable/A-1+ AA/Stable/A-1+ CCC+/Stable/C D
Des informations analogues sont disponibles sur le site de Moodys : http ://www.moodys.com Voici quelques exemples : Crdit Lyonnais SA e LT Senior-Most Rating : A1, Mar 27 2001 , Senior Unsecured - Fgn Curr ST Most Recent Rating : P-1, Apr 28 2000 , Other Short Term Total Fina Elf S.A. LT Senior-Most Rating : Aa2, Feb 10 2000 , Senior Unsecured - Fgn Curr ST Most Recent Rating : P-1, Sep 4 2000 , Other Short Term Groupe Danone LT Senior-Most Rating : A1, Nov 4 1993 , Senior Unsecured - Dom Curr 9.3. LES NOTATIONS EXTERNES 93
Vivendi Universal S.A. LT Senior-Most Rating : Baa2, May 15 1998 , Senior Unsecured - Fgn Curr Carrefour S.A. LT Senior-Most Rating : A1, Apr 13 2001 , Senior Unsecured ST Most Recent Rating : P-1, Aug 16 1999 , Other Short Term European Aeronautic Defence & Space Co. EADS LT Senior-Most Rating : A2, Mar 8 2001 , LT Issuer Rating
9.4.1
Dans une transaction avec un collatral, une partie du risque est couverte par une sret remise par e u e la contrepartie. Pour que cette sret soit elligible au titre de CRM, elle doit remplir certains crit`res u e e (contrat lgal, faible corrlation avec le risque de contrepartie, etc.). Les srets valides par le Comit e e u e e e de Ble sont les suivantes : a 1. Esp`ces e 2. Or 3. Titres nots AAA ` BB- demprunteurs souverains (par exemple des obligations dtat) e a e 4. Titres nots AAA ` BBB- des banques, des entreprises dinvestissement et des entreprises (par e a exemple des actions) 5. Actions qui font partie dun indice principal (par exemple les actions composant le CAC 40) 6. Actions changes sur une bourse internationale e e 9.4.1.1 Lapproche compl`te e
Dans cette approche, on applique des dcotes (Haircuts) ` la valeur de march de la suret C an de e a e e prendre en compte la volatilit du prix de la suret. Si nous notons E la valeur de lexposition et r la e e pondration de cette exposition, le risque pondr nest donc pas gal ` r (E C). En fait, le risque e ee e a pondr sera de la forme ee r (E (1 w) CA ) (9.1)
o` CA represente la valeur de la sret apr`s prise en compte des dcotes et w est un facteur plancher u u e e e (oor) appliqu ` la part scurise de la transaction (w CA reprsente le risque rsiduel ). Supposons ea e e e e que w est gal ` zro, le risque pondr est donc e a e ee r (E CA ) (9.2)
cest-`-dire le produit entre la pondration r et lexposition ajuste (E CA ). Si w est dirent de zro, a e e e e nous avons r (E (1 w) CA ) = r (E CA + wCA ) > r (E CA ) INTRODUCTION A LA GESTION DES RISQUES (9.3) 94
Lintroduction de ce facteur w correspond ` un souci de prudence de la part du Comit de Ble (an de a e a traiter le risque rsiduel). Pour linstant, w a t x ` 15%. e ee ea Si CA > E, le Comit de Ble applique la r`gle CA = E. Dans ce cas, le risque pondr devient e a e ee r (E (1 w) E) = r w E Finalement, le risque pondr est donc ee r max ((E (1 w) CA ) , w E) (9.5) (9.4)
Nous pouvons alors dnir une pondration ajuste r (cest-`-dire une pondration prenant en compte e e e a e leet du collatral) par la formule suivante : e r = = r max ((E (1 w) CA ) , w E) E r max ((1 (1 w) CA /E) , w)
(9.6)
Prenons un exemple pour bien comprendre leet de sret. Considrons une exposition de $100 sur une u e e contrepartie corporate note AA. Celle-ci apporte en esp`ces une sret de $20. Nous considrons quil e e u e e nest pas ncessaire dappliquer une dcote puisque la suret et lexposition sont exprimes dans la mme e e e e e devise. Dans ce cas, le risque pondr RWA est gal ` ee e a RWA = 20% max (($100 (1 15%) $20) , 15% $100) = $16.6 Cela revient ` utiliser une pondration (ajuste) de 16,6%. Sur les graphiques (9.1) et (9.2), nous avons a e e report la valeur de r en fonction de CA et E dans le cas dun emprunteur corporate. Nous observons e clairement linuence du facteur de seuil w, cest-`-dire linuence des risques rsiduels. a e
Voyons maintenant comment sont appliques les dcotes pour dnir la valeur ajuste du collatral e e e e e CA . La formule gnrale est e e CA = C 1 + HE + HC + HF X (9.7)
95
avec HE la dcote lie ` la volatilit de lexposition, HC la dcote lie ` la volatilit de la sret et HF X e e a e e e a e u e la dcote lie au risque de change. Pour calculer ces dcotes, nous avons deux possibilits : e e e e utiliser des dcotes prudentielles standard donnes par le Comit de Ble, e e e a ou les estimer statistiquement.
Lannexe 3 du document [1] prsente les estimations des dcotes prudentielles standard (en %) lorsque e e la priode de dtention est 10 jours et la valorisation et la reconstitution des marges sont journali`res e e e (10-business day haircuts assuming daily mark-to-market and daily remargining) : Notation AAA ` AA a Maturit rsiduelle e e 0 ` 1 an a 1` 5 ans a +5 ans 0 ` 1 an a 1` 5 ans a +5 ans Emprunteurs souverains 0.5 2 4 1 3 6 20 0 15 20 30 8 Banques/Entreprises 1 4 8 2 6 12
A ` BBB a BB
Esp`ces e Or Actions dun indice principal Actions dune bourse internationale Risque FX
Considrons une sret de de $100 sur une obligation du trsor AAA. Si la maturit rsiduelle de loblie u e e e e gation est 10 ans et si la sret est en esp`ces dans la devise de lobligation, alors nous avons u e e CA = 100 = $96.153 1 + 0.04 + 0 + 0 96
Si la devise de lobligation et la devise des esp`ces sont direntes, il y a un risque de change et nous e e obtenons CA = 100 = $89.285 1 + 0.04 + 0 + 0.08
Supposons maintenant que la sret correspond ` de lor, nous avons u e a CA = 100 = $84.033 1 + 0.04 + 0.15 + 0
Considrons maintenant une obligation dtat BB, une sret constitue par des actions dune bourse e e u e e internationale (mais qui ne sont pas dans un indice principal) libelles dans une devise trang`re. La e e e valeur ajuste de la sret devient e u e CA = 100 = $63.291 1 + 0.20 + 0.30 + 0.08
Si nous appliquons le risque rsiduel, nous obtenons (1 15%) $63, 291 = $53, 797. Dans ce dernier cas, e la valeur ajuste du colatral apr`s prise en compte du risque rsiduel ne reprsente que la moiti de la e e e e e e valeur nominale de la protection. Dans le cadre dune estimation interne des dcotes, celle-ci doit vrier les mmes crit`res quantitatifs e e e e que ceux pour le risque de march. En particulier, la priode de dtention est xe ` 10 jours et le seuil e e e e a de conance est 99%. Quelque soit lapproche retenue pour calculer les dcotes (standard ou mod`le interne), les valeurs de e e celles-ci doivent tre modies e e si la priode N de reconstitution des marges pour les oprations de march est suprieure ` la e e e e a journe e H = H10 N +9 10 (9.8)
ou si la priode N de revalorisation pour les oprations de prts garantis est suprieure ` la journe2 e e e e a e H = H10 H10 reprsente ici la dcote ` 10 jours. e e a 9.4.1.2 Lapproche simple N + 19 10 (9.9)
Dans cette approche, la pondration applicable ` la partie non couverte (E C) est celle de la contree a partie ou de lemprunteur et la pondration applicable ` la sret C est celle de linstrument de couverture e a u e (avec un plancher de 20%).
9.4.2
Pour tenir compte de garanties (et des drivs de crdit), certaines conditions doivent tre remplies e e e e (voir les articles 183 ` 199 du document [1]) : a la garantie est directe, explicite, irrvocable et inconditionnelle ; e information publique ; etc.
2 Dans
ce cas, la priode de dtention standard est 20 jours ouvrs et non 10 jours ouvrs. e e e e
97
Dans le cas dune couverture proportionnelle, on calcule les risques pondrs de la faon suivante ee c r E = r (E GA ) + [(r w) + g (1 w)] GA (9.10)
avec GA le montant de la garantie ajust du risque de change et g la pondration du risque de la garantie. e e Nous remarquons que dans le cas dune protection totale (E = GA ), cette expression devient r = (r w) + g (1 w) (9.11)
et r = g si w est gal ` zro. La mthode de calcul est proche de celle issue de lapproche simple pour e a e e les srets. En eet, si nous posons w gal ` zro, nous avons u e e a e r E = r (E GA ) + g GA (9.12)
Dans le cas dune couverture par tranches (senior et junior), nous distinguons deux cas : 1. Le risque de crdit sur la tranche junior GJ est transfr et le risque de crdit sur la tranche senior e ee e GS est conserv : e r E = r GS + [(r w) + g (1 w)] GJ Cela revient donc ` une couverture proportionelle avec GA = GJ = E GS . a 2. Le risque de crdit sur la tranche junior GJ est conserv et le risque de crdit sur la tranche senior e e e GS est transfr : ee r E = [(r w) + g (1 w)] GS On consid`re dans ce cas que le risque sur la tranche junior (qui est un risque de premi`re perte) e e doit tre dduit du montant des fonds propres. e e Concernant les risques rsiduels, voici les valeurs de w calcule par le Comit de Ble : e e e a w 0 0.15 0.15 Garantie Garantie souveraine Autres garanties Drivs de crdit e e e (9.13)
9.4.3
9.4.3.1
Autres considrations e
Compensation de bilan
Le Comit de Ble reconnait les accords de compensation de bilan dans le portefeuille bancaire des e a prts et dpts. Nanmoins, la contrepartie doit satisfaire certains crit`res. Dans ce cas, le facteur de e e o e e pondration du risque rsiduel w est gal ` 0. e e e a 9.4.3.2 Le dcalage des maturits e e
Un dcalage de maturit intervient losque la maturit rsiduelle de la couverture est plus faible que e e e e celle de lexposition sous-jacente. Dans ce cas, la pondration corrige r est e e r = r 1
TCRM TE
si TCRM 1 an si 1 an TCRM TE
r+
TCRM TE
avec r la pondration de lexposition, r la pondration ajuste de lexposition, TE la maturit de lexe e e e position et TCRM la maturit de la couverture CRM. e INTRODUCTION A LA GESTION DES RISQUES 98
9.4.3.3
Dans le cadre dune compensation de bilan, la valeur ajuste du dpt reu D est e e o c DA = D 1 + HF X (9.15)
Concernant les garanties et les drivs de crdit, une formule analogue existe e e e GA = G 1 + HF X
9.4.4
Quelques exemples
Nous reproduisons ici les exemples donnns par le Comit de Ble (annexe 4 du document [1]). e e a 9.4.4.1 Collateralised transactions
Flat repo with a bank counterparty, not satisfying the conditions for zero w Bank A repos out $1,000-worth of 10-year AAA-rated sovereign securities to Bank B (risk weighted at 20%) and receives $1,000 in cash collateral. Revaluation and remargining are conducted daily. There is no currency mismatch or maturity mismatch. In this case a haircut of 4% is applied to the sovereign securities lent out while there is no haircut for the collateral received, since it is cash. Then the adjusted value of the collateral, CA , is CA = = = C 1 + HE + HC + HF X $1000 1 + 0.04 + 0 + 0 $962
In order to calculate the risk weighted assets, the exposure E, CA , the weight for remaining risks (w = 0.15), and the risk weight of counterparty (r = 0.2) are inserted into the equation below. Note that the exposure ($1,000) exceeds the adjusted value of collateral ($962). r E = r max ((E (1 w) CA ) , w E) = 0.2 (1000 0.85 962) = $36.50
So, the risk weighted assets will be $36.50 (r = 20% and r = 3.65%). Flat reverse repo with a bank counterparty This is the opposite side of the transaction in Example above. Bank B takes in $1,000 worth of 10-year AAA-rated sovereign securities (from this banks perspective these securities are the collateral received) and provides $1,000 in cash to Bank A (counterparty risk weight 50%). Revaluation and remargining are conducted daily. There is no currency mismatch or maturity mismatch. In this case a haircut of 4% is applied to the sovereign securities reverse repoed in (i.e. taken as collateral) while there is no haircut for the cash posted. Then the adjusted value of the collateral, CA , is CA = = $1000 1 + 0 + 0.04 + 0 $962 99
In order to calculate the risk weighted assets, the exposure E, CA , the weight for remaining risks (w = 0.15), and the risk weight of Bank A (r = 0.5) are inserted into the equation below. Note that for Bank B, too, the exposure ($1,000) exceeds the adjusted value of collateral ($962). r E = r (E (1 w) CA ) = 0.5 (1000 (1 0.15) 962) = $91.20
So, the risk weighted assets will be $91.20 (r = 50% and r = 9.12%). Undercollateralised repo with a bank counterparty, not satisfying the conditions for zero w Bank A repos out $1,000-worth of 10-year AAA-rated government securities to Bank B (risk weighted at 20%) and receives $950 in cash collateral. Revaluation and remargining are conducted daily. There is no currency mismatch or maturity mismatch. In this case a haircut of 4% is applied to the government securities lent out while there is no haircut for the collateral received since it is cash. Then the adjusted value of the collateral, CA , is CA = = $950 1 + 0.04 + 0 + 0 $913
In order to calculate the risk weighted assets, the exposure E, CA , the weight for remaining risks (w = 0.15), and the risk weight of counterparty (r = 0.2) are inserted into the equation below. Note that the exposure ($1,000) exceeds the adjusted value of collateral ($913). r E = = 0.2 (1000 0.85 913) $44.71
So, the risk weighted assets will be $44.71 (r = 20% and r = 4.47%). Reverse repo with a bank counterparty, overcollateralised Bank B reverse repos in $1,000-worth of 10-year AAA-rated sovereign securities from Bank A (risk weighted at 50%) and posts $950 in cash collateral. Revaluation and remargining are conducted daily. There is no currency mismatch or maturity mismatch. In this case a haircut of 4% is applied to the government securities reverse repoed in while there is no haircut for the collateral posted since it is cash. Then the adjusted value of the collateral received, CA , is CA = = $1000 1 + 0 + 0.04 + 0 $962
In order to calculate the risk weighted assets, the exposure E, CA , the weight for remaining risks (w = 0.15), and the risk weight of counterparty (r = 0.5) are inserted into the equation below. Note that the adjusted value of collateral ($962) exceeds the exposure ($950). r E = = 0.5 0.15 950 $71.25
So, the risk weighted assets will be $71.25 (r = 50% and r = 7.50%). Flat repo with an non-bank nance company, zero w Bank repos out $1,000-worth of 10-year AAA-rated sovereign securities to nance company (risk weighted at 100%) and receives $1,000 in cash collateral. Revaluation and remargining are conducted daily. There is no currency mismatch or maturity mismatch and the conditions for a zero w are satised. A haircut of 4% is applied to the sovereign securities lent out while there is no haircut for the cash collateral received. Then the adjusted value of the collateral received, CA , is CA = = INTRODUCTION A LA GESTION DES RISQUES $1000 1 + 0.04 + 0 + 0 $962 100
In order to calculate the risk weighted assets, the exposure E, CA , the weight for remaining risks (w = 0), and the risk weight of counterparty (r = 1.0) are inserted into the equation below. Note that the exposure ($1,000) exceeds the adjusted value of collateral ($962). r E = = 1.0 (1000 962) $38.50
So, the risk weighted assets will be $38.50 (r = 100% and r = 3.85%). Securities lending transaction Bank A lends out $1,000 in 10-year AA-rated sovereign securities to Bank B (risk weight 20%) and receives $1,000 in 7-year AAA-rated corporate securities. Daily mark-to-market and daily remargining are conducted. There is no currency mismatch or maturity mismatch. A haircut of 4% is applied to the government securities lent out while a haircut of 8% is also applied to the corporate securities taken as collateral. The adjusted value of the collateral CA is CA $1000 1 + 0.04 + 0.08 + 0 = $893 =
In order to calculate the risk weighted assets, the exposure E, CA , the weight for remaining risks (w = 0.15), and the risk weight of counterparty Bank B (r = 0.2) are inserted into the equation below. Note that E ($1,000) exceeds CA ($893). r E = = 0.2 (1000 0.85 893) $48.20
So, the risk weighted assets will be $48.20 (r = 20% and r = 4.82%). Secured lending to an unrated corporate, cash against main index equities, with a currency mismatch and revaluation every 90 business days A bank lends $950 to an unrated corporate and receives as collateral main index equities denominated in a dierent currency and currently worth $1000. The equity collateral is revalued every 90 business days and there is no remargining. The collateral is pledged for the life of the exposure. With daily remargining, a haircut of 20% would be applied to the equity collateral while there is no haircut for the lending since it is cash. The ten-day standard supervisory haircut for currency mismatch is 8%. Since the frequency of revaluation is once every 90 days, both of these haircuts need to be increased, according to the following formula for secured lending transactions : H = H10 We have HF X = 0.08 and HC = 0.20 90 + 19 = 0.6603 10 90 + 19 = 0.2641 10 N + 19 10
Then HF X = 26.2% and HC = 66.0%, and the adjusted value of the collateral received, CA , is CA $1000 1 + 0 + 0.26 + 0.66 = $520 = 101
In order to calculate the risk weighted assets, the exposure E, CA, the weight for remaining risks (w=0.15), and the risk weight of counterparty (r=1.0) are inserted into the equation below. Note that the exposure ($950) exceeds the adjusted value of collateral ($520). r E = = 100% (950 0.85 520) $508.31
So, the risk weighted assets will be $48.20 (r = 100% and r = 53.51%). 9.4.4.2 On-balance sheet netting
Netting of interbank loans and deposits with a maturity and currency mismatch A bank lends $1000 to another bank (eligible for a risk weight of 20%) with a maturity of three years. The same bank counterparty places a two-year deposit in Euros currently worth $950, revalued every 250 business days. The conditions for on-balance sheet netting are satised. There is a currency mismatch and a maturity mismatch. For on-balance sheet netting, w is zero. Both loan and deposit are cash, which attracts a zero haircut. The ten-day standard supervisory haircut for currency mismatch is 8%. Since the frequency of revaluation is once every 250 business days, this haircut needs to be increased, according to the following formula for secured lending transactions : H = H10 We have HF X = 0.08 250 + 19 = 0.4149 10 N + 19 10
Then HF X = 41.5%, and the adjusted value of the collateral received CA is CA = = $950 1 + 0 + 0 + 0.42 $671
In order to calculate the risk weighted assets, the exposure E, CA , and the risk weight of counterparty (r = 0.2) are inserted into the equation below. Note that the exposure ($1,000) exceeds the adjusted value of collateral ($671). r r (E (1 w) CA ) E 20% (1000 671) = 1000 = 6.57% =
Finally, there is a maturity mismatch, so r needs to be adjusted according to the following formula, where t = 2 years and T = 3 years. r t t r+ r T T 2 2 = 1 20% + 6.57% 3 3 = 11.05% = 1
So, the risk weighted assets will be $110.48 (r = 20%, r = 6.57% and r INTRODUCTION A LA GESTION DES RISQUES
9.4.4.3
Guarantees/credit derivatives
Loan to an unrated corporate fully guaranteed by a third-party corporate eligible for a 20% risk weight A bank has lent $1000 to an unrated corporate and has obtained a guarantee for the full amount from a third-party corporate (20% counterparty risk weight). The formula is r E = r (E GA ) + [(r w) + g (1 w)] GA Here E = GA = $1000, r = 100%, g = 20%, w = 0.15 and so the risk-weighted assets are r E = [(100% 15%) + 20% (1 15%)] $1000 = $320
Loan to an unrated corporate fully protected by a guarantee with a third-party bank eligible for a 20% risk weight A bank has lent $1000 to an unrated corporate and has obtained a guarantee for the full amount from a third-party bank (20% counterparty risk weight). Since the guarantor is a bank, a zero w applies. So, the risk weighted assets will be r E = [(100% 0%) + 20% (1 0%)] $1000 = $200
Note that this result is equivalent to the present substitution approach. Pro rata guarantee from bank Bank A has an exposure of $1000 with a three-year residual maturity, and has obtained a pro rata guarantee of $500 of this exposure, also with a three-year residual maturity. The formula for r is r E = r (E GA ) + [(r w) + g (1 w)] GA = 100% ($1000 $500) + [(100% 0%) + 20% (1 0%)] $500 = $600
Bibliographie
[1] Basel Committee on Banking Supervision, The Standardized Approach to Credit Risk Consultative Document, Supporting document to the New Basel Capital Accord, January 2001 [2] Bardos [2001], Statistiques de dfaillance selon les cotations, Banque de France, Secretariat Gnral, e e e Direction des Entreprises, Observatoire des Entreprises
10
La mthode IRB e
10.1.1
Le schma simplie de lapproche IRB est le suivant : e e Une classication des expositions. Pour chaque classe dexposition, la banque doit fournir les composantes de risque (risk components). A partir de ces composantes de risque, une fonction de risques pondrs (risk-weight function) ee permet de calculer le montant des actifs pondrs. ee Le respect de certains crit`res est exig pour tre elligible ` lapproche IRB. e e e a Un processus de supervision soccupe de faire respecter ces crit`res. e Les banques devront donc classer les expositions du portefeuille en six catgories : emprunteurs souvee rains, banques, entreprises, retail (banque de dtail), nancements de projets (project nance) et equity e (actions). Concernant la dnition de la catgorie retail, lexposition devra remplir les conditions suie e vantes :
1. Le risque porte sur une ou des personnes individuelles. 2. Le risque porte sur certains produits (cartes de crdits, prts aux particuliers, crdit bail, dcouverts, e e e e crdits aux logements, etc.). e 3. Lexposition est dun montant relativement faible. 4. Lexposition est comprise parmi un grand nombre dexpositions comparables (notion de granularit du portefeuille). e Comme nous lavons vu, les composantes de risque sont la probabilit de dfaillance, la perte en cas e e de dfaillance et lexposition en cas de dfaillance. Une quatri`me composante concerne la maturit e e e e M. Quelle que soit la mthode (simple ou avance), les probabilits de dfaillance sont estimes par la e e e e e banque et doivent correspondre ` une moyenne conservatrice des probabilits de dfaillance sur le long a e e terme (conservative view of a long-run average PD). Bien sr, ces probabilits de dfaillance sont lies u e e e a ` la construction des notations internes. Dans lapproche simple, les valeurs de LGD sont fournies par les autorits de rgulation. Le document consultatif de Janvier 2001 propose une valeur de 50% pour la e e plupart des transactions (dettes seniors) et 75% pour les dettes subordonnes. Dans la mthode avance, e e e cest la banque elle-mme qui fournit la valeur. En r`gle gnrale, lexposition en cas de dfaillance sera e e e e e gale au montant nominal du crdit. Le calcul des risques pondrs RWA correspond alors e e ee RWA = r EAD (10.1)
avec r la pondration interne calcule ` partir de PD, LGD, M et la fonction de risques pondrs. e e a ee La banque peut alors calculer la valeur totale des risques pondrs par portefeuille (cest-`-dire pour ee a chaque classe dexposition) en faisant une simple somme. Finalement, un facteur dajustement qui re`te e la granularit du portefeuille est appliqu pour obtenir la valeur nale des risques pondrs. e e ee
10.1.2
Dnition de la dfaillance e e
On remarque que la notion cl dans cette approche est donc la dfaillance. Dans les paragraphes 139 e e a ` 151 du document [3], celle-ci est dnie de la faon suivante : e c La dfaillance dune contrepartie donne est suppose tre survenue si lun des quatres vnements e e e e e e a eu lieu 1. Lemprunteur ne peut plus honorer ses obligations de remboursement (principal, intrts ou comee mission) en totalit. e 2. Il est survenu un vnement de crdit (par exemple, une provision spcique). e e e e 3. Lemprunteur est en dfaut de paiement depuis 90 jours sur lun de ses crdits. e e 4. Lemprunteur est en faillite juridique. On voit donc que cette dnition recouvre deux types de crances : les crances contentieuses (le risque e e e de perte est constat) et les crances douteuses (le risque de perte est potentiel). Le Comit de Ble e e e a est conscient que cela peut poser des probl`mes de prim`tre. Cest pourquoi des travaux sont en cours e e e concernant le mapping destimations bases sur dautres dnitions. e e
10.1.3
La notation interne
Celle-ci est au cur de la mthode IRB. La table 10.1 est un exemple de syst`me de notation interne. En e e gnral, cest un syst`me avec dirents niveaux (grade) et ` chaque niveau est associe une probabilit e e e e a e e de dfaillance. Ce syst`me de notation fera lobjet dune validation par les autorits de rglementation et e e e e la banque devra dmontrer quil est conforme aux exigences minimum depuis au moins trois ans. e
Rating 1 2 3 4 A B C A B C A B C
Degree of risk No essential risk Negligible risk Some risk Better than average Average
Denition Extremely high degree of certainty of repayment High degree of certainty of repayment Sucient certainty of repayment There is certainty of repayment, but substential changes in the environment in the future may have some impact on this incertainty There are no problems foreseeable in the future, but a strong likelihood of impact from changes in the environment There are no problems foreseeable in the future, but the future cannot be considered entirely safe. There are no problems at the current time but the nancial position of the borrower is relatively weak There are problems with lending terms or fullment, or the borrowers business conditions are poor or unstable, or there are other factors requiring careful management There is a high likelihood of bankruptcy in the future The borrower is in serious nancial straits and eectively bankrupt The borrower is bankrupt
Normal
6 7
Tolerable Lower than average Needs preventive management Needs serious management
A 8 B 9 10 I II
TABLE 10.1. Exemple de syst`me de notation interne (Ieda, Marumo et Yoshiba [2000]) e
10.2.1
Les pondrations de risque (risk weights) sont obtenues ` partir dune fonction spcique continue (risk e a e weight function). Nous avons r = RW (PD, LGD, M) et RWA = = r EAD RW (PD, LGD, M) EAD (10.3) (10.2)
Les valeurs de PD, LGD, M et EAD sont exprimes en chires rels (par exemple, 100% correspond ` e e a une valeur de 100). Dans lapproche IRB simple, la maturit nest pas prise en compte. Dans ce cas, la maturit moyenne e e des expositions est suppose gale ` 3 ans. Nous avons e e a r = RW = min LGD BRW (PD) , 12.5 LGD 50 (10.4)
RW reprsente la pondration associe ` des valeurs donnes des composantes de risques et BRW est la e e e a e fonction dite benchmark calibre pour une perte en cas de dfaillance gale ` 50%. Dans la mthode IRB e e e a e avance, la maturit est prise en compte. Nous avons alors e e RW = min LGD BRW (PD) [1 + (M 3) b (P D)] , 12.5 LGD 50
Si la maturit M est gale ` 3 ans, nous retrouvons la formule de lapproche IRB simple. Le terme e e a 1 + (M 3) b (P D) est un facteur dchelle multiplicatif linaire en M . b (P D) est ici une fonction de la e e probabilit de dfaillance. e e 10.2.1.1 Dans lapproche IRB simple 1 PD PD0.44
Le Comit de Ble dnit la fonction BRW de la faon suivante : e a e c BRW (PD) = 976.5 1.118 1 (PD) + 1.288 1 + 0.470 (10.5)
Dans cette formule, PD est exprime en valeur dcimale (par exemple, 1% correspond ` 0.01). Le Comit e e a e de Ble indique que cette fonction de rfrence (Benchmark Risk Weight function) est la rsultante du a ee e produit de trois facteurs spars : e e 10.2. LEXEMPLE DE LA METHODE IRB POUR LES ENTREPRISES 107
Le terme 1.118 1 (PD) + 1.288 reprsente la somme des pertes espres et non espres e ee ee associe ` un portefeuille inniment granulaire de prts de maturit 1 an et de perte en cas de e a e e dfaillance gale ` 100%. La calibration a t faite ` partir dun mod`le de risque de crdit ` la e e a ee a e e a Merton avec un seul facteur de risque systmatique. Le seuil de conance et la corrlation moyenne e e des actifs ont t xs respectivement ` 99.5% et 20%. ee e a 1PD Le terme 1 + 0.470 PD0.44 est un coecient dajustement qui re`te une maturit moyenne gale e e e a ` 3 ans. Le facteur dchelle 976.50 a t calibr pour des valeurs PD et LGD par dfaut gales ` 0.7% et e ee e e e a 50%. Dans ce cas, la fonction BRW (PD) prend la valeur 100%. Sur le graphique 10.1, nous avons reprsent la fonction de rfrence BRW (PD) en fonction de la probae e ee bilit de dfaillance. Nous remarquons que celle-ci cro tr`s vite voir le graphique 10.2 reprsentant e e t e e la drive premi`re BRW (PD) / PD. An de bien mesurer limpact de lajustement de maturit e e e e 1PD 1 + 0.470 PD0.44 cest-`-dire la passage dune maturit un an ` une maturit trois ans, le graa e a e phique 10.3 montre le coecient dajustement dans la formule BRW (PD). Enn, nous avons report e les valeurs des pondrations (en %) des actifs risqus dans les tables 10.2 ` 10.4. Nous vrions que la e e a e fonction de rfrence a bien t calibre an que la pondration soit approximativement 100% pour une ee ee e e probabilit de dfaillance gale ` 0.7% et une perte en cas de dfaillance gale ` 50%. e e e a e e a
Nous pouvons comparer la mthode SA avec la mthode IRB simple. La table 10.5 prsente les valeurs e e e implicites de PD et LGD pour une valeur RW donne. La relation est bien sr linaire par rapport ` la e u e a variable LGD. 10.2.1.2 Dans lapproche IRB avance e
Cette approche di`re sensiblement de la mthode simple. En eet, les valeurs de perte en cas de e e dfaillance ne sont plus xes par le rgulateur (50% et 75%), mais sont estimes par la banque. Ensuite, e e e e la maturit est explicitement prise en compte (elle peut ltre aussi dans la mthode simple). Dans ce e e e cas, la valeur de la pondration devient e RW = min LGD BRW (PD) [1 + (M 3) b (PD)] , 12.5 LGD 50 (10.6)
108
1PD PD0.44
109
PD (en %) 0.0001 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.10
BRW (PD) 0.60 7.43 11.09 14.09 16.73 19.14 21.38 23.49 25.49 27.41 29.25
Maturity Adjustment 21.52 3.70 2.99 2.67 2.47 2.33 2.23 2.15 2.08 2.03 1.98
RW (LGD) 25% 50% 100% 0.30 0.60 1.19 3.71 7.43 14.85 5.55 11.09 22.18 7.04 14.09 28.18 8.36 16.73 33.46 9.57 19.14 38.27 10.69 21.38 42.75 11.74 23.49 46.97 12.75 25.49 50.98 13.70 27.41 54.82 14.63 29.25 58.51
PD (en %) 0.10 0.20 0.30 0.40 0.50 0.60 0.70 0.80 0.90 1.00
BRW (PD) 29.25 45.10 58.27 69.94 80.59 90.48 99.78 108.58 116.97 125.00
Maturity Adjustment 1.98 1.72 1.60 1.53 1.48 1.44 1.41 1.39 1.37 1.35
25% 14.63 22.55 29.14 34.97 40.30 45.24 49.89 54.29 58.48 62.50
RW (LGD) 50% 100% 29.25 58.51 45.10 90.21 58.27 116.55 69.94 139.88 80.59 161.18 90.48 180.97 99.78 199.55 108.58 217.16 116.97 233.94 125.00 250.01
PD (en %) 1.00 2.00 3.00 4.00 5.00 6.00 7.00 8.00 9.00 10.00 15.00 20.00 50.00
BRW (PD) 125.00 192.43 245.97 291.45 331.38 367.14 399.60 429.36 456.85 482.38 588.04 668.18 908.00
Maturity Adjustment 1.35 1.26 1.21 1.19 1.17 1.15 1.14 1.13 1.12 1.12 1.09 1.08 1.03
25% 62.50 96.22 122.99 145.73 165.69 183.57 199.80 214.68 228.42 241.19 294.02 312.50 312.50
RW (LGD) 50% 100% 125.00 250.01 192.43 384.87 245.97 491.95 291.45 582.90 331.38 662.76 367.14 734.28 399.60 799.21 429.36 858.73 456.85 913.70 482.38 964.76 588.04 1176.07 625.00 1250.00 625.00 1250.00
110
PD (en %) 0.025 0.05 0.075 0.10 0.25 0.50 0.75 1.00 2.50 5.00 7.50 10.00 25.00 50.00
20% 79.08 52.25 40.82 34.19 19.26 12.41 9.59 8.00 4.54 3.02 2.41 2.07 1.60 1.60
50%
RW 100%
150%
85.46 48.15 31.02 23.98 20.00 11.34 7.54 6.03 5.18 4.00 4.00
96.30 62.04 47.97 40.00 22.68 15.09 12.05 10.37 8.00 8.00
TABLE 10.5. Relation implicite entre la probabilit de dfaillance et la perte en cas de dfaut pour une valeur e e e RW donne e
La fonction de rfrence ne change pas. Le terme 1 + (M 3) b (PD) intervient ici comme un facteur de ee diminution (M < 3) ou daugmentation (M > 3) de la pondration. e La fonction b (PD) reprsente la sensibilit de la pondration par rapport ` la maturit. Par exemple, si e e e a e b (PD) est gal ` zro, la maturit M na pas dinuence sur la pondration. Notons que pour des raisons e a e e e videntes, nous devons vrier que e e 1 + (M 3) b (PD) > 0 ou encore pour M < 3 b (PD) < 1 3M (10.8) (10.7)
Pour linstant, le Comit de Ble na pas x dnitivement la fonction b (PD). Les premiers travaux e a e e montrent que cette fonction dpend de lapproche considre pour traiter le risque de crdit : approche e ee e Mark-to-Market ou approche Default Mode. Dans la premi`re approche (MtM), la calibration du e Comit de Ble sugg`re cette fonction e a e b (PD) = 0.0235 (1 PD) PD +0.470 (1 PD)
0.44
(10.9)
Dans ce cas, la valeur de la pondration devient e RW = = LGD BRW (PD) [1 + (M 3) b (PD)] 50 LGD 1 PD 976.5 1.118 1 (PD) + 1.288 1 + 0.470 50 PD0.44 0.0235 (1 PD) 1 + (M 3) 0.44 PD +0.470 (1 PD) LGD 976.5 1.118 1 (PD) + 1.288 50 1 PD 1 PD 1 + 0.470 + 0.0235 (M 3) PD0.44 PD0.44
(10.10)
Cela revient ` dnir une nouvelle fonction de rfrence : a e ee BRW (PD) = 976.5 1.118 1 (PD) + 1.288 1 + 0.470 1 PD 1 PD + 0.0235 (M 3) PD0.44 PD0.44 (10.11)
Nous remarquons que le coecient dajustement de la maturit est maintenant plus complexe puisquil e comprend deux termes : 10.2. LEXEMPLE DE LA METHODE IRB POUR LES ENTREPRISES 111
PD (en %) 0.025 0.05 0.075 0.10 0.25 0.50 0.75 1.00 2.50 5.00 7.50 10.00 25.00 50.00
(PD) 2.81 2.33 2.11 1.98 1.65 1.48 1.40 1.35 1.23 1.17 1.14 1.12 1.06 1.03
M = 0.5 0.55 0.67 0.72 0.75 0.84 0.88 0.90 0.91 0.94 0.96 0.97 0.97 0.98 0.99
(PD, M ) M =1 M =3 M =5 1.00 2.81 4.61 1.00 2.33 3.66 1.00 2.11 3.23 1.00 1.98 2.96 1.00 1.65 2.31 1.00 1.48 1.96 1.00 1.40 1.80 1.00 1.35 1.71 1.00 1.23 1.46 1.00 1.17 1.33 1.00 1.14 1.27 1.00 1.12 1.23 1.00 1.06 1.13 1.00 1.03 1.06
M =7 6.42 4.99 4.34 3.94 2.96 2.44 2.20 2.06 1.70 1.50 1.41 1.35 1.19 1.10
Nous remarquons que si la maturit est gale ` un an (M = 1), nous avons e e a BRW (PD) = 976.5 1.118 1 (PD) + 1.288 (10.12)
Nous retrouvons bien la fonction de rfrence qui a t calibre pour une maturit gale ` un an. Si la ee ee e ee a maturit vaut trois ans, alors nous obtenons lgalit BRW (PD) = BRW (PD). La table 10.6 prsente e e e e les valeurs des facteurs dajustement de maturit e (PD) = 1 + 0.470 et (PD, M ) = 1 + 0.470 1 PD 1 PD 0.44 + 0.0235 (M 3) PD PD0.44 (10.14) 1 PD PD0.44 (10.13)
Lincidence sur la valeur de la pondration est prsente dans la table 10.7. e e e Dans lapproche DM, la calibration du Comit de Ble sugg`re une fonction polynomiale e a e b (PD) = 7.6752 PD2 1.9211 PD +0.0774
+
(10.15)
Dans ce cas, b (PD) prend systmatiquement la valeur zro si la probabilit de dfaillance est suprieure e e e e e a ` 5%. A titre de comparaison, lincidence sur la pondration est prsente dans la table 10.8. Nous e e e remarquons que la sensibilit de la pondration ` la maturit est beaucoup moins forte dans lapproche e e a e DM que dans lapproche MtM (voir le graphique 10.4).
10.2.2
Dans ce paragraphe, nous suivons lexpos de Wilson [2001a]. Considrons un portefeuille de I e e crdits. Notons LGDi la perte nominale en cas de dfaillance. LGDi est une variable alatoire de moyenne e e e Ei et dcart-type Ei i . Nous supposons que la probabilit de dfaillance du i-i`me crdit dpend dun e e e e e e mod`le factoriel : e Pi = Pi (X1 , . . . , Xn ) INTRODUCTION A LA GESTION DES RISQUES (10.16) 112
PD (en %) 0.025 0.05 0.075 0.10 0.25 0.50 0.75 1.00 2.50 5.00 7.50 10.00 25.00 50.00
M = 0.5 0.20 0.29 0.34 0.38 0.51 0.59 0.64 0.67 0.76 0.82 0.85 0.87 0.92 0.96
RW / RW M =1 M =3 M =5 0.36 1.00 1.64 0.43 1.00 1.57 0.47 1.00 1.53 0.50 1.00 1.50 0.60 1.00 1.40 0.68 1.00 1.32 0.71 1.00 1.29 0.74 1.00 1.26 0.81 1.00 1.19 0.86 1.00 1.14 0.88 1.00 1.12 0.90 1.00 1.10 0.94 1.00 1.06 0.97 1.00 1.03
M =7 2.29 2.14 2.05 1.99 1.79 1.65 1.57 1.52 1.38 1.29 1.24 1.21 1.12 1.06
TABLE 10.7. Rapport entre la pondration ajuste et la pondration originale (approche MtM) e e e
PD (en %) 0.03 0.05 0.07 0.10 0.25 0.50 0.75 1.00 2.50 5.00 7.50 10.00 25.00 50.00
M = 0.5 0.81 0.81 0.81 0.81 0.82 0.83 0.84 0.85 0.91 1.00 1.00 1.00 1.00 1.00
RW / RW M =1 M =3 M =5 0.85 1.00 1.15 0.85 1.00 1.15 0.85 1.00 1.15 0.85 1.00 1.15 0.85 1.00 1.15 0.86 1.00 1.14 0.87 1.00 1.13 0.88 1.00 1.12 0.93 1.00 1.07 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00
M =7 1.31 1.31 1.30 1.30 1.29 1.27 1.25 1.24 1.14 1.00 1.00 1.00 1.00 1.00
TABLE 10.8. Rapport entre la pondration ajuste et la pondration originale (approche DM) e e e
113
Le dfaut Di est alors une variable alatoire dont la distribution est une loi de Bernoulli de param`tre e e e Pi . Nous avons donc E [Di ] = Pi et 2 [Di ] = Pi (1 Pi ). La perte du portefeuille L est alatoire e
L=
i=1
Di LGDi
(10.17)
Nous pouvons calculer les deux premiers moments sous lhypoth`se que les dfauts et les pertes nominales e e sont indpendantes. Nous avons e
E [L] = E
i=1 I
=
i=1 I
=
i=1 I
E [Di ] E [LGDi ] Ei Pi
i=1
(10.18)
114
et
I
2 [L]
= =
2
i=1 I
i=1 I
=
i=1 I
=
i=1 I
=
i=1 I
= =
i=1
2 Ei Pi (1 Pi ) + 2 Pi i
(10.19)
Notons que cette moyenne et cet cart-type sont des variables conditionnelles aux ralisations des facteurs e e X1 , . . . , Xn . Dans ce cadre danalyse, Wilson [2001a] considr`re un portefeuille M quivalent au ee e portfeuille original . Ce nouveau portefeuille est construit en remplaant chaque crdit par M crdits c e e indpendants dexposition Ei /M et de mme probabilit de dfaillance Pi (X1 , . . . , Xn ). Lorsque M tend e e e e vers linni, nous obtenons un portefeuille not . Cest le portefeuille inniment granulaire du Comit e e de Ble (innitely ne-grained portfolio). Notons L la perte de ce portefeuille. Nous avons a E [LM ] = =
i=1
1 Ei Pi M i=1 m=1
I
Ei Pi E [L] (10.20)
= et 2 [LM ] = = =
1 2 E Pi (1 Pi ) + 2 Pi i M2 i i=1 m=1 1 M
I 2 Ei Pi (1 Pi ) + 2 Pi i i=1
1 2 [L] M
(10.21)
Nous en dduisons que E [L ] = E [L] et 2 [L ] = 0. Conditionnellement aux ralisations des facteurs, e e la distribution de perte L est une variable alatoire sre qui prend la valeur E [L] : e u Pr {L = E [L]} = 1 (10.22)
Lala du portefeuille inniment granulaire ne porte donc plus que sur les facteurs X1 , . . . , Xn . Si nous e supposons un seul facteur X de distribution H et si Pi est une fonction croissante du facteur, linverse de la distribution de la perte est donc
I
F1 () :=
i=1
Ei Pi H1 ()
(10.23)
115
La contribution du crdit i est donc SRCi = Ei Pi H1 () . e Dans le paragraphe 172 du document [3], le Comit de Ble explique que la formule de la fonction de e a rfrence BRW a t calibre en utilisant un mod`le ` la Merton avec un seul facteur. Pour retrouver son ee ee e e a expression, nous utilisons les rsultats de Finger [1999]. Soit Zi la valeur de lactif normalise. Dans e e le mod`le de Merton, la dfaillance intervient si Zi passe en dessous dune barri`re Bi : e e e Di = 1 Zi < Bi ou encore (Zi ) < Pi La valeur normalise de lactif est modlise de la faon suivante e e e c Zi = X + 1 i (10.26) (10.25) (10.24)
avec X le facteur de risque systmatique et i le facteur de risque individuel. Les variables alatoires Zi , e e Z et i sont indpendantes de distribution N (0, 1). Pour interprter le param`tre , nous calculons e e e E [Zi Zj ] = = E X 2 + (1 ) i j + X (1 ) (i+ j ) (10.27)
est donc la corrlation (constante) des valeurs des actifs. Nous pouvons maintenant caractriser la e e probabilit de dfaillance conditionnelle e e Pi = Pr {Di = 1 | X} = Pr {Zi < Bi | X} = Pr X + 1 i < Bi Bi X = Pr i < 1 Bi X = 1
(10.28)
Notons pi la probabilit de dfaillance non conditionnelle. Nous remarquons que e e pi = Pr {Zi < Bi } = (Bi ) Nous en dduisons que e Pi = 1 (pi ) X 1 (10.30) (10.29)
Une couverture au seuil de conance implique donc une contribution individuelle gale `1 e a SRCi = Ei Pi = Ei 1 (pi ) 1 (1 ) 1 (10.31)
Pour = 99.5% et = 20% (valeurs prsentes dans le paragraphe 172 du document [3]), nous obtenons e e SRCi = Ei 1.1181 (pi ) + 1.288 (10.32)
Nous pouvons noter que la probabilit conditionnelle Pi est extrmement sensible au seuil de conance e e et ` la corrlation (voir les graphiques 10.5 ` 10.8). a e a
1 car
116
GRAPHIQUE 10.6. Inuence du seuil sur la probabilit de dfaillance conditionnelle Pi pour des valeurs donnes e e e de pi ( = 20%)
117
GRAPHIQUE 10.8. Inuence de la corrlation sur la probabilit de dfaillance conditionnelle Pi pour des valeurs e e e donnes de pi ( = 99.5%) e
118
Remarque 15 Nous pouvons vrier que pi est bien la probabilit non conditionnelle2 : e e pi = EX 1 (pi ) X 1 (10.40)
Remarque 16 Si est gal ` 0, alors la probabilit conditionnelle est gale ` la probabilit non condie a e e a e tionnelle : Pi = pi Si est gal ` 1, la probabilit conditionnelle vaut respectivement 0 si pi < 1 , 1/2 si pi = 1 et 1 e a e si pi > 1 . Concernant le terme reprsentant lajustement de maturit, nous pouvons pens quil a t obtenu par e e e ee une mthode de calibration ` partir dune relation conomtrique. Notons la maturit ou lhorizon du e a e e e ( ) dfaut et Di la variable alatoire associe au dfaut de maturit . Pour gal ` 1 an, nous avons e e e e e e a ( ) Di = Di et Di Probabilit e 0 1 pi 1 pi
Nous avons donc 2 tats de la nature (0 ou 1) et nous pouvons reprsenter le syst`me par une cha de e e e ne Markov stationnaire dont la matrice des probabilits de transition est e := , +1 =
2 (preuve
1 pi 0
pi 1
(10.41)
1 (pi ) x (x) dx 1
(10.33)
t x (x) dx 1
(10.34)
t x (x) dx 1 ! Z 2 t x 1 x2 exp dx 2 1 2 2 (1 ) 1 1
(10.35)
Nous mettons le trinme du second degr en x sous forme canonique : o e 2 2 t x t x x2 t2 + = + 2 2 (1 ) 2 2 (1 ) Finalement, nous obtenons
2Z 1 t 1 p t A (t) = exp exp 2 2 2 (1 )
(10.36)
2 (1 )
dx
(10.37)
(10.38)
Nous en dduisons que A (t) = (t) et nous vrions bien que e e A 1 (pi ) = pi (10.39)
119
(1 pi ) 0
1 (1 pi ) 1
(10.42)
( )
Di Probabilit e
Le Comit de Ble indique que la maturit implicite de la mthode IRB simple est 3 ans. Nous rappelons e a e e que BRW (PD) = 976.5
scaling factor
1 + 0.470
1 PD PD0.44
(10.43)
Ajustement de maturit e
En utilisant la distribution de nous en dduisons que la fonction de rfrence qui prend en compte e ee de faon explicite la maturit 3 ans est c e BRW (PD) = C
scaling factor
1.118 1 1 (1 PD)
+ 1.288
(10.44)
Nous pouvons comparer les pondrations en risque obtenues avec la formule (10.43) du Comit de Ble e e a avec celle donne par lquation (10.44) voir le graphique 10.9. Si nous prenons C gal ` 976.5, nous e e e a remarquons que lajustement propos par le Comit de Ble nest pas tr`s bons (sauf pour des probabilit e e a e e de dfaillance tr`s faibles). Nanmoins, pour comparer les formules (10.43) et (10.44), il est ncessaire de e e e e xer le facteur dchelle C an dobtenir une pondration gale ` 100% pour une probabilit de dfaillance e e e a e e de 0.7% et une perte en cas de dfaillance de 50%. Dans ce cas, C vaut 619.59 et lajustement est excellent e (lorsque PD est infrieur ` 10%). e a
Enn, la valeur 976.5 est le facteur dchelle calibr an que la pondration soit gale ` 100% pour une e e e e a probabilit de dfaillance de 0.7% et une perte en cas de dfaillance de 50%. e e e INTRODUCTION A LA GESTION DES RISQUES 120
10.2.3
10.2.3.1
Si le crdit nest pas protg par une technique CRM, la probabilit de dfaillance est celle associe ` e e e e e e a la note interne ` laquelle lemprunteur est aect pour un horizon dun an. Dans le cas dune protection, a e nous devons distingu lapproche IRB simple de lapproche IRB avance : e e Dans la premi`re approche, la probabilit de dfaillance ajuste PD (qui est applicable uniquement e e e e a ` la partie couverte de lexposition) est PD = w PD + (1 w) PDG (10.45)
o` PDG est la probabilit de dfaillance de la garantie et w est le facteur de risque rsiduel (0 ou u e e e 15%). Dans la deuxi`me approche, la probabilit de dfaillance ajuste PD est celle de la garantie. e e e e 10.2.3.2 La perte en cas de dfaillance e
Nous rappelons que les pertes en cas de dfaillance sont rglementaires (50% ou 75%) dans lapproche e e simple. Dans le cas dexistence de surets, la perte en cas de dfaillance ajuste LGD est e e e LGD = max 1 (1 w) CA LGD, w LGD E (10.46)
o` E est lexposition et CA la valeur ajuste des surets. Si le colatral est physique (une rsidence par u e e e e exemple), alors la perte en cas de dfaillance ajuste LGD est donne par le tableau suivant e e e Condition C E 30% C E > 140% C 30% < E 140% LGD 50% 40% 1 1 7
C E
50%
Dans lapproche avance, les banques pourraient utiliser leurs propres estimations. e 10.2.3.3 La maturit e
Celle-ci nintervient explicitement que dans le cas de lapproche avance. La maturit correspond ` la e e a dure rsiduelle maximum avec un plancher gal ` un an. e e e a 10.2.3.4 Lexposition en cas de dfaillance e
10.2.4
Celles-ci sont nombreuses (voir les paragraphes 189 ` 261 du document [3]). Elles concernent a la notation, laudit interne et externe, la surveillance du risque de crdit, e la qualication du personnel, lestimation des param`tres, e le mapping vers des donnes externes, e etc.
Prenons par exemple les normes minimales pour lestimation de la probabilit de dfaillance. Dans ce e e cas, la banque doit la calculer sur un an pour toutes ses catgories de notation interne. La probabilit de e e dfaillance doit tre une mesure prudente de la probabilit de dfaillance moyenne ` long terme et une e e e e a mesure prospective. La longueur des sries historiques doit tre dau moins cinq ans. La frquence e e e des estimations est annuelle... Dautres informations concernant la gestion du risque de crdit sont disponibles dans les documents e [1] et [2]. 10.2. LEXEMPLE DE LA METHODE IRB POUR LES ENTREPRISES 121
10.3 Prolongements
Les travaux du Comit de Ble sont loin dtre nis. Nous indiquons ici les principales dirences qui e a e e existent par rapport au risque corporate.
10.3.1
Risque retail
1 PD PD0.44
Le Comit de Ble propose dutiliser la fonction de rfrence suivante : e a ee BRW (PD) = 976.5 1.043 1 (PD) + 0.766 1 + 0.470 (10.47)
Cela implique que la corrlation a t xe ` 8%, ce qui est beaucoup plus faible que pour le risque e ee e a corporate. La tr`s grande dirence avec le risque corporate est la notation, ou plus prcisment la segmentation e e e e des clients. Celle-ci varie normment dune banque ` une autre. De plus il nexiste pas de mthodologies e e a e externes qui pourraient aider ` la construction dune mthodologie standardise ou fdratrice. a e e e e
10.3.2
Risque souverain
10.3.3
Risque banque
10.3.4
10.3.5
Risque equity
10.4.1
La mthodologie e
F = Pi pi (10.48)
Cest la dirence entre la probabilit de dfaillance conditionnelle et la probabilit de dfaillance non e e e e e conditionnelle. Un autre expression de F est 1 (pi ) 1 (1 ) F = pi (10.49) 1 ou encore F = 1 1 (pi ) + 0 pi INTRODUCTION A LA GESTION DES RISQUES (10.50) 122
Par exemple, pour le risque corporate3 , nous obtenons 1 = 1.118 et 0 = 1.288. Le Comit de Ble propose de calculer lajustement de granularit en deux tapes : e a e e 1. Dans une premi`re tape, le portefeuille actuel de la banque est transform en un portefeuille e e e hypothtique dexpositions homog`nes. Quatre composantes agrges de risque sont alors dnies : e e e e e (a) une probabilit de dfaillance agrge PDAG , e e e e (b) une perte en cas de dfaillance agrge LGDAG , e e e (c) une sensibilit au risque systmatique FAG , e e (d) et un nombre eectif de prts n . e 2. Dans une deuxi`me tape, on calcule lajustement par la formule suivante e e G= TNRE GSF 0.04 RWANR n (10.53)
o` TNRE est lexposition totale hors retail, GSF est le coecient dajustement de granularit et u e RWANR est la valeur des actifs pondrs hors retail. Le montant G est alors additionn aux actifs ee e pondrs. ee Avant de dnir le coecient dajustement de granularit (granularity scaling factor), nous devons e e prciser les 4 composantes agrges de risque. Nous notons C une catgorie de risque. Notons sC la part e e e e dexposition au risque de la catgorie C dans le risque total : e sC =
C iC
EADi iC EADi
sC PDC
C
= =
C
sC 1 1 (PDC ) + 0 PDC
(10.54)
Le nombre eectif de prts n est linverse de lindice dHerndahl H . H e concentration du portefeuille. Nous avons n = = 1 H
1 2 C AC HC sC
(10.56)
3 Nous
123
avec HC = et AC =
2 LGD2 PDC (1 PDC ) 0.033 FC + 0.25 PDC LGDC (1 LGDC ) C iC iC
EAD2 i EADi
2
(10.57)
LGD2 AG
(10.58)
Le coecient dajustement de la granularit correspond alors ` e a GSF = (0.6 + 1.8 LGDAG ) 9.5 + 13.75 PDAG FAG (10.59)
Remarque 17 TNRE est lexposition totale hors retail, cest-`-dire la somme des expositions en cas de a dfaillance : e TNRE =
C iC
EADi
(10.60)
10.4.2
Exemples
An de bien comprendre comment lajustement de granularit fonctionne en pratique, nous considrons e e le cas dun portefeuille avec deux catgories de risque C1 et C2 . La probabilit de dfaillance de C1 et C2 est e e e note respectivement PD1 et PD2 . Dans la premi`re catgorie de risque C1 , nous avons N1 crdits de mme e e e e e caractristiques EAD1,i et LGD1,i et un crdit dont les caractristiques sont EAD1,0 et LGD1,0 . Dans e e e la deuxi`me catgorie de risque C2 , nous avons N2 crdits de mme caractristiques EAD2,i et LGD2,i e e e e e et un crdit dont les caractristiques sont EAD2,0 et LGD2,0 . Les calculs sont prsents dans le tableau e e e e suivant. An de comprendre limpact dun coecient, nous avons laisser les cases vides correspondant ` a des param`tres qui ne changent pas dun exemple ` un autre. e a Exemple N1 PD1 EAD1,0 LGD1,0 EAD1,i LGD1,i N2 PD2 EAD2,0 LGD2,0 EAD2,i LGD2,i PDAG LGDAG FAG n GSF TNRE RWANR G RWANR +G #1 100 0.7% 1 50% 1 50% 100 0.7% 1 50% 1 50% 0.7% 50% 0.065 202 16.46 202 201.55 8.40 209.95 #2 10000 #3 #4 100 #5
10000 5%
100 1000 1000 2.85% 0.153 20432 18.09 43120 -1707 41413 4.99% 0.240 100.12 18.53 100102 331484 5268.16 336752 1 4.63% 0.226 1.344 18.48 1201 3745.96 16361 20107
Remarque 18 Attention, la perte en cas de dfaillance intervient en % dans le calcul du risque pondr, e e e alors quelle intervient en dcimal dans le calcul de la granularit. e e INTRODUCTION A LA GESTION DES RISQUES 124
10.4.3
Celle-ci est explique en dtail dans larticle de Gordy [2001]. Une formalisation plus accessible est e e prsente dans Wilson [2001a,2001b]. An de bien comprendre comment lajustement est obtenu, nous e e reprenons les principaux points de ces articles. 10.4.3.1 La dtermination du coecient e
Notons D la variable alatoire de Bernoulli reprsentant la dfaillance, LGD la perte (relative) en cas e e e de dfaillance et EAD lexposition en cas de dfaillance. Considrons un portefeuille n compos de n e e e e lignes de crdit. La perte Ln du portefeuille n est donc e
n
Ln =
i=1
Di LGDi EADi
(10.61)
Gordy [2001] dnit Ln comme le ratio de la perte du portefeuille sur le total des expositions : e Ln =
n i=1
(10.62)
Nous rappelons que pour un portefeuille inniment granulaire ou asymptotique, la perte du portefeuille est la perte systmatique e Pr {L = E [L ]} = 1 An de clarier les notations, nous crivons la perte espre conditionnelle de la faon suivante : e ee c E [Ln ] := E [Ln | X] (10.64) (10.63)
avec X le facteur de risque systmatique. Notons (X; ) le quantile de la variable alatoire X. e e Michael Gordy donne une autre interprtation statistique de la notion de portefeuille inniment granulaire e (Proposition 5 de Gordy [2001]) :
n
(10.65)
Cela veut dire que la valeur en risque dun portefeuille inniment granulaire VaR [L ; ] est bien la perte espre conditionnelle E [L | (X; )] : ee VaR [L ; ] := E [L | (X; )] ou quune charge en capital gale ` E [L | (X; )] correspond bien ` une probabilit de solvabilit e a a e e gale ` : e a [...] for an innetely ne-grained portfolio, the proposed portfolio-invariant capital rule provides a solvency probability of exactly (Gordy [2001]). Cela implique quune charge en capital gale ` E [Ln | (X; )] ne permet pas ncessairement de couvrir e a e le risque au seuil de conance dans le cas non asymtotique : VaR [Ln ; ] = E [Ln | (X; )] (10.66)
Cest pourquoi nous devons ajuster la perte espre conditionnelle an dobtenir le bon degr de couveree e ture : VaR [Ln ; ] = E [Ln | (X; )] + Ln Lajustement de granularit correspond tout simplement ` Ln . e a La question principale est alors de caractriser cet ajustement Ln . Pour cela, Gordy [2001] montre e la proposition suivante : 10.4. GRANULARITE DU PORTEFEUILLE 125 (10.67)
Proposition 1 (Gordy [2001, Proposition 6, p. 12]) If the portfolio is statistically homogeneous, the function (x) := E [Ln | X = x] is continous, arbitrarily dierentiable, and increasing, and the systematic risk factor X is drawn from an arbitrary dierentiable continuous distribution, then VaR converges to its asymptotic limit at rate 1/n, that is, VaR [Ln ; ] = ( (X; )) + O n1 Linterprtation de cette proposition est simple : e [...] it says that the dierence between the VaR for a given homogeneous portfolio and its asymtotic approximation E [Ln | (X; )] is proportional to 1/n. This suggests that the accuracy of the asymptotic capital rule can be improved by introducing a granularity add-on charge that is inversely proportional to the number of obligors in the portfolio. To calibrate such add-on charge for a homogeneous portfolio, we need to nd a constant of proportionality such that E [Ln | (X; )] + /n is a good approximation to VaR [Ln ; ] (Gordy [2001]). Nous en dduisons que e Ln /n (10.69) (10.68)
Voyons maintenant comment dterminer le coecient . Pour cela, nous utilisons les rsultats de e e Wilson [2001b]. Michael Gordy drive lajustement (10.69) sous lhypoth`se que le portefeuille est stae e tistiquement homog`ne. Cela veut dire que les lignes de crdit ont la mme exposition en cas de e e e dfaillance et la mme perte espre conditionnelle ce qui implique la mme probabilit de dfaillance e e ee e e e non conditionnelle et la mme distribution de perte en cas de dfaillance. Les portfeuilles n de Gordy e e et M de Wilson sont donc dirents, mais nous pouvons construire le portefeuille n ` partir du pore a tefeuille M . Pour cela, il sut de poser I = 1 et M = n voir le paragraphe 10.2.2. Reprenons les notations de ce mme paragraphe. La perte du portfeuille (qui se rduit ` la perte de la ligne de crdit e e a e puisque I est gal ` 1) est note L. Les deux premiers moments de la perte conditionnelle sont E [L | X] e a e et 2 [L | X] dans le paragraphe 10.2.2, nous avions utilis lcriture E [L] et 2 [L] puisque le condie e tionnement tait parfaitement explicite. Nous introduisons les fonctions (x) et (x) dnies de la faon e e c suivante : (x) := E [L | X = x] et (x) := 2 [L | X = x] Wilson [2001b] montre alors que4 VaR [L; ] ( (X; )) 1 d 2h (x) dx h (x) (x) x (x) (10.72)
x=(X;)
(10.70)
(10.71)
avec h la densit de X. Reprenons la construction du portefeuille inniment granulaire de la page 115. e Nous avons VaR [LM ; ] ( (X; )) d 1 2h (x) dx h (x) (x) x (x) M
x=(X;)
(10.73)
VaR [L ; ] +
(10.74)
5 puisque
dmonstration nest pas tr`s technique, mais assez longue (pages 104 et 105 de Wilson [2001b]). e e M = n et VaR [L ; ] = E [L | X = (X; )] = ( (X; )).
126
x=(X;)
( (X; ))
2 x ( (X; ))
[x ( (X; ))]
( (X; ))
Le Comit de Ble explique que la calibration du coecient a t faite ` partir du mod`le CreditRisk+ : e a ee a e Calibration of the coecient inevitably depends on the choice of model and its calibration. IRB benchmark risk-weights have been calibrated within a CreditMetrics style model. For the purposes of designing a granularity adjustment, however, we use a generalised version of the CreditRisk+ model. The advantage is that the functional form of CreditRisk+ risk-weights allows the granularity adjustment to be assessed with minimal reporting and computational burden. The obvious disadvantage is the greater potential for inconsistency with CreditMetricsbased IRB exposure-level risk-weights. Fortunately, it is by now well-known that CreditRisk+ can be calibrated so that the tail of its loss distribution will align closely with the tail of the CreditMetrics loss distribution. So long as care is exercised in calibration, the discrepancy between our granularity adjustment and a full CreditMetrics-based estimate can be kept to a minimum (444 du document [3]). Dans le cas du mod`le de type CreditMetrics (ou Merton), nous rappelons que la relation entre la probae bilit de dfaillance conditionnelle Pi et la probabilit de dfaillance non conditionnelle pi est e e e e Pi = 1 (pi ) X 1 (10.76)
(X 1))
(10.77)
avec i la pondration factorielle i [0, 1] et X le facteur systmatique de distribution (a, b) e e a1 h (x) = (x/b) exp (x/b) / (b (a)). Dans ce cas, les expressions (10.18) et (10.19) deviennent (x) = E [L | X = x] = E [LGD1 ] P1 = E1 p1 (1 + 1 (x 1))
(10.78)
E [LGD1 ] + [LGD1 ] P1 =
2 E1 + 2 [LGD1 ] p1 (1 + 1
(x 1))
(10.79)
1 2
E1 (1 E1 )
(10.80)
Gordy [2000].
127
Nous en dduisons que e (x) = E1 Le calcul des drives donne x (x) = E1 p1 e e (a 1) x1 b1 . Nous avons donc = 1 3 + E1 p1 (1 + 4 4
1, 1
(x 1))
1 4 3 + 4 E1 p1 1
(10.81) et x ln h ( (X; )) =
2 x (x) = 0, x (x) = E1
1 (0.25 + 0.75E1 ) 2
a1 1 x b
1 1
+ (x 1) 1
(10.82)
An de maintenir une certaine cohrence entre la formulation des pondrations en risque et le facteur de e e granularit, le Comit de Ble impose que les probabilits de dfaillance conditionnelles CreditMetrics et e e a e e CreditRisk+ co ncident : 1 (pi ) + 1 () = pi (1 + i (x 1)) (10.83) 1 Dans ce cas, la pondration factorielle e
i
vaut
i
1 Fi (x 1) pi
(10.84)
1 (pi ) + 1 () 1
pi
(10.85)
pi 1 (0.25 + 0.75E1 ) A 1 + A 2 Fi a1 1 x b
(10.86)
A=
(x 1)
(10.87)
Pour achever la calibration, le Comit de Ble indique que celle-ci a t faite sous lhypoth`se que e a ee e E [X] = 1 et [X] = 2 (445 du document [3]). Les param`tres de la distribution Gamma7 implicite sont e donc a = 0.25 et b = 4. Puisque est gal ` 99.5%, le quantile correspondant de la distribution Gamma e a (0.25, 4) est 12.007243 et la valeur prise par A est 3.4393485, ce qui donne = = 1 pi (0.25 + 0.75E1 ) 2.4393485 + 3.4393485 2 Fi pi (0.4 + 1.2E1 ) 0.76229640 + 1.0747964 Fi PD F
(10.88)
Nous retrouvons (presque) la formule donne par le Comit de Ble (456 du document [3]) : e e a = (0.4 + 1.2 LGD) 0.76 + 1.10 (10.89)
Pour retrouver exactement la formule du Comit de Ble, nous ne devons pas utiliser lapproximae a 3 2 tion P1 0 pour calculer (x). Dans ce cas, nous avons (x) = E1 1 + 4 E1 p1 (1 + 1 (x 1)) 4 2 1 3 2 2 2 2 E1 p1 (1 + 1 (x 1)) et x (x) = E1 4 + 4 E1 p1 1 2E1 p1 1 (1 + 1 (x 1)). Nous en dduisons e que = 1 (0.25 + 0.75E1 ) 2 +E1 p1 (1 + a1 1 x b 1 1 1 (x 1)) 1 + 2 1
Terme de correction
7 Nous
1 1
+ (x 1) 1 (10.90)
a1 1 x b
avons
Dans le cas o` E1 varie de 5% ` 95%, PD de 0.10% ` 15% and de 10% ` 30%, alors lerreur relative u a a a entre la formule exacte (10.90) et la formule approche (10.89) nexc`de pas 1%. e e A titre de remarque, il faut noter que le coecient est extrmement sensible aux valeurs des e param`tres : la perte en cas de dfaillance LGD, la probabilit de dfaillance PD, la corrlation des actifs e e e e e , le seuil de conance et la volatilit du facteur [X] E [X] nest pas un param`tre puisque nous e e avons lquivalence suivante E [Pi ] = pi E [X] = 1. Le graphique 10.10 illustre cette sensibilit. e e
GRAPHIQUE 10.10. Impact des param`tres sur le coecient (valeurs par dfaut : LGD = 50%, = 99.5%, e e = 20% et [X] = 2)
10.4.3.2
Nous devons dans un premier temps transformer le coecient en actifs pondrs. De plus, le Comit ee e de Ble indique quil a utilis un facteur dchelle c an dobtenir une pondration gale ` 100% pour a e e e e a une probabilit de dfaillance de 0.7%, une perte en cas de dfaillance de 50% et une maturit de 3 ans. e e e e (457 du document [3]). Dans le paragraphe 10.2.2, nous lavons dj` calcul et obtenu c ea e 1.5. Nous avons donc RWA = = 1.5 EAD n 8% PD F n (10.91)
Nous rappelons aussi que le coecient a t dtermin pour un portefeuille statistiquement homog`ne. ee e e e Dans la pratique, les portefeuilles dengagement des banques ne sont pas homog`nes. Il faut donc e pouvoir trouver un portefeuille homog`ne quivalent AG pour calculer lajustement de granularit G, e e e qui est exprim en terme dactifs pondrs. Le Comit de Ble indique aussi que la calibration eectue e ee e a e est telle que 4% du capital couvre dj` leet de granularit. Nous avons donc ea e G = EADAG (0.6 + 1.8 LGDAG ) 9.5 + 13.75 10.4. GRANULARITE DU PORTEFEUILLE PDAG FAG nAG 0.04 RWANR (10.92)
129
En utilisant les notations du Comit de Ble, nous retrouvons la formule e a G= avec GSF = (0.6 + 1.8 LGDAG ) 9.5 + 13.75 PDAG FAG (10.94) TNRE GSF 0.04 RWANR n (10.93)
Il nous reste maintenant ` justier la construction du portefeuille homog`ne quivalent AG . Celle-ci a e e est prsente dans la section 4 de Gordy [2001]. Nous reprenons les notations prcdentes en introduisant e e e e les classes de risques C. Nous avons L=
C iC
Di LGDi EADi
(10.95)
Nous notons pC la probabilit de dfaillance non conditionnelle de la classe de risque C et sC la part e e dexposition au risque de la classe C dans le risque total : sC =
C iC
EADi iC EADi
(10.96)
Le but est alors de construire un portefeuille quivalent AG au portefeuille de taille n et de e param`tres communs p , E , [LGD ], EAD , etc. (Gordy [2001]). Dans ce cas, lexpression de la e perte est LAG = D LGD EAD (10.97)
Lide sous-jacente est dajuster dirents moments ou dimposer des restrictions. Michael Gordy impose e e lgalit des taux de dfaillance et des pertes espres (pondrs par les expositions). Nous avons donc e e e ee ee E [D EAD ] = E
C iC
Di EADi
(10.98)
iC
C C
iC
sC pC
C
E
C iC
EADi
=
C iC
=
C
pC
iC
Ei EADi
(10.100)
Introduisons la perte en cas de dfaillance moyenne par classe de risque EC dnie par e e EC =
iC
Ei EADi iC EADi
(10.101)
130
EADi
=
C
pC EC
iC
EADi
(10.102)
ou encore E =
C
=
C
pC iC EADi EC p C iC EADi sC pC EC C sC pC
(10.103)
(10.104)
La variance non conditionnelle de la distribution de perte a donc pour expression8 2 [L] = = 2 [E [L | X]] + E 2 [L | X] 2
C iC
Pi Ei EADi
+E
C iC
2
C
PC EC sC EAD
+
C
pC (1 pC ) 2 [PC ]
iC
2 EAD2 Ei i
+
C
pC
iC
EAD2 2 [LGDi ] i
(10.106)
p (1 p ) 2 [P ] + p 2 [LGD ]
(10.107)
Pour dterminer n , nous allons calibrer les direntes contributions avec un mod`le de type CreditRisk+ : e e e Pi = pi (1 +
i
(X 1))
(10.108)
Nous avons dj` utilis le fait que E [Pi ] = pi ce qui implique que E [X] = 1. Pour la variance, nous ea e avons 2 [Pi ] = p2 i
2 2 i
[X] est
(10.109)
pC C EC sC p E pC C EC sC C C sC pC EC
(10.110)
8 car
nous avons
E [Pi (1 Pi )]
= =
E2 [Pi ]
(10.105)
131
[X])
2 2
iC (EADi Ei )
(EAD EC )
(10.111)
(EADi Ei )
2
(EAD EC )
iC
EAD = =
iC iC HC s 2 C
P iC Ei EADi P
iC EADi
(EADi Ei )
2 2 2
(EADi Ei ) Ei EADi
2 2 C
iC
EADi iC EADi
(EADi Ei ) Ei EADi
2 2
(10.112)
Remarque 19 Nous nobtenons pas exactement les mmes rsultats que Gordy [2001], puisque celui-ci e e utilise lexpression suivante pour HC : HC = Finalement, lexpression de n est n = avec c =
2 EC pC (1 pC ) (pC 2 C [X]) iC iC
EAD2 i EADi
2
(10.113)
1 c HC s2 C C
(10.114)
p (1 p ) (p
[X])
(10.115)
Nous retrouvons lexpression de n du Comit de Ble (445 du document [3]). Il existe nanmoins une e a e dirence fondamentale entre lanalyse de Gordy [2001] et la formulation propose par le Comit de e e e Ble concernant c . Dans le document [3], la calibration de n ne se fait pas uniquement ` partir du a a risque de dfaut idiosyncratique, mais utilise aussi le risque de recouvrement idiosyncratique. Dans ce e cas, nous avons c =
2 EC pC (1 pC ) (pC 2 C [X])
+ pC 2 [LGDC ] + p 2 [LGD ]
p (1 p ) (p
[X])
(10.116)
En reprenant les hypoth`ses du Comit de Ble, nous avons e e a (pi et [LGDi ] = 1 2 Ei (1 Ei ) (10.118)
2 i [X])
[X] Fi ( (X; ) 1)
(10.117)
Puisque X (0.25, 4), (X; 99.5%) et [X] prennent les valeurs 12.007243 et 2, et nous obtenons (pi
2 i [X])
= 0.033014360 Fi2
(10.119) 132
(10.120)
(10.121)
sC FC
(10.122)
Cest pourquoi dans un second document, le Comit de Ble propose une nouvelle formulation de la e a pondration en risque. Mme si les nouvelles formules sont tr`s direntes ` premi`re vue, elles sont e e e e a e en fait une modication des formules prcdentes. Considrons le cas du risque corporate. La nouvelle e e e pondration en risque du Comit de Ble est e e a RW = 12.50 LGD avec (PD) = 0.10 Une nouvelle criture de RW est e RW = LGD 50 625 1 (PD) + (PD)1 (99.9%) 1 (PD) 1 + 0.470 1 PD PD0.44 (10.125) 1 1 e50PD 1 e50PD + 0.20 50 1e 1 e50 (10.124) 1 (PD) + (PD)1 (99.9%) 1 (PD) 1 + 0.470 1 PD PD0.44 (10.123)
Nous voyons que cela revient ` utiliser une nouvelle fonction de rfrence. Les dirences sont les suia ee e vantes : 1. Le seuil de conance nest plus 99,5% mais 99,9%. 2. Lexpression explicite de la probabilit conditionnelle Pi est utilise car la corrlation nest pas e e e constante mais dpend de la probabilit de dfaillance PD. e e e 10.5. LES MODIFICATIONS DU 5 NOVEMBRE 2001 133
PD (en %) 0.03 0.10 0.25 0.50 0.75 1.00 1.25 1.50 2.00 2.50 3.00 4.00 5.00 10.00 20.00
Janvier 2001 corporate 14.09 29.25 51.92 80.59 104.23 125.00 143.80 161.12 192.43 220.45 245.97 291.45 331.38 482.38 625.00
retail 6.39 13.55 24.75 39.62 52.40 63.97 74.71 84.83 103.65 121.03 137.33 167.44 195.02 309.76 478.74
corporate 18.11 33.73 53.59 74.29 88.52 99.41 108.27 115.82 128.47 139.26 149.05 167.20 184.44 262.00 374.59
Novembre 2001 retail res. mortage 4.58 4.80 11.62 12.50 22.48 25.23 35.39 42.10 44.97 56.31 52.52 68.92 58.65 80.38 63.73 90.98 71.63 110.21 77.45 127.45 81.88 143.18 88.13 171.26 92.40 195.94 106.31 289.62 132.49 406.24
3. Enn, il ny a plus de rfrence ` une calibration LGD = 50% et PD = 0.7%, ce qui explique la ee a disparition du facteur dchelle 976,5. e Remarque 20 Lajustement de maturit existe toujours et na pas t modi. Il y a ici une certaine e ee e incohrence puisque celui-ci avait t calibr sur les probabilits conditionnelles de dfaillance ` 3 ans de e ee e e e a la forme Pi
(3)
= 1.118 1 1 (1 PD)
+ 1.288
(10.126)
Les hypoth`ses sous-jacentes taient alors un seuil de conance de 99,5% et une corrlation constante e e e de 20%. Pour le risque retail, le Comit de Ble propose de distinguer les prts hypothcaires (rsidential e a e e e mortgage) des autres crdits. Dans le premier cas, la formule de pondration en risque est e e RW = 12.50 LGD 1 (PD) + (PD)1 (99.9%) 1 (PD)
avec une corrlation (PD) constante et gale ` 15%. Pour les autres crdits, nous avons e e a e RW = 12.50 LGD avec (PD) = 0.04 1 1 e25PD 1 e25PD + 0.15 50 1e 1 e25 (10.128) 1 (PD) + (PD)1 (99.9%) 1 (PD) PD (10.127)
Outre les dirences mentionnes plus haut, nous remarquons que le facteur dajustement de matue e rit dispara e t. An de mesurer limpact des nouvelles propositions, nous avons report dans la table 10.10 voir e aussi les graphiques 10.11 et 10.12 les pondrations Janvier 2001 et Novembre 2001 pour une perte en e cas de dfaillance de 50%. Globalement, nous observons une diminution de la valeur des actifs pondrs e ee pour les probabilits de dfaillance leves. Ceci sexplique par une corrlation entre les valeurs des actifs e e e e e plus faible (voir le graphique 10.13).
Bibliographie
[1] Basel Committee on Banking Supervision, Best Practices for Credit Risk Disclosure, 74, September 2000 INTRODUCTION A LA GESTION DES RISQUES 134
GRAPHIQUE 10.11. Impact des propositions du 5 Novembre 2001 sur les pondrations en risque (I) e
GRAPHIQUE 10.12. Impact des propositions du 5 Novembre 2001 sur les pondrations en risque (II) e
135
GRAPHIQUE 10.13. Impact des propositions du 5 Novembre 2001 sur les corrlations (PD) e
[2] Basel Committee on Banking Supervision, Principles for the Management of Credit Risk, 75, September 2000 [3] Basel Committee on Banking Supervision, The Internal Ratings-Based Approach Consultative Document, Supporting document to the New Basel Capital Accord, January 2001 [4] Basel Committee on Banking Supervision, Results of the Second Quantitative Impact Study, 5 November 2001 [5] Basel Committee on Banking Supervision, Potential Modications to the Committees Proposals, 5 November 2001 [6] Koyluoglu, H.U. et A. Hickman [1998], Reconcilable dierences, Risk Magazine, 11, October, 56-62 [7] Finger, C.C. [1999], Conditional approaches for CreditMetrics portfolio distributions, CreditMetrics Monitor, April, 14-33 [8] Gordy, M.B. [2000], A comparative anatomy of credit risk models, Journal of Banking and Finance, 24, 119-149 [9] Gordy, M.B. [2001], A risk-factor model foundation for ratings-based bank capital rules, Board of Governors of the Federal Reserve Systems, Working Paper [10] Ieda, A., K. Marumo et T. Yoshiba [2000], A simplied method for calculating the credit risk of lending portfolios, Institute for Monetary and Economic Studies, Bank of Japan, Discussion Paper, 2000-E-10 [11] Wilson, T. [2001a], IRB approach explained, Risk Magazine, 14, May, 87-90 [12] Wilson, T. [2001b], Probing granularity, Risk Magazine, 14, August, 103-106
Quatri`me partie e
137
11
Introduction
Si le risque de march est aujourdhui plutt bien contrl par les tablissements bancaires, le risque de e o oe e crdit demeure un phnom`ne dicile ` apprhender. En eet, le risque de crdit di`re des risques de e e e a e e e march dans la mesure o` il est troitement li ` la performance individuelle et la structure capitalistique e u e ea de lemprunteur. La modlisation du risque de crdit ncessite donc la connaissance de donnes structue e e e relles mais celles-ci sont inobservables pour la plupart des oprateurs nanciers. La collecte des donnes e e constitue la limite majeure des premiers mod`les de risque de crdit dvelopps ` partir des annes 70. e e e e a e Une deuxi`me approche plus mathmatique a vu le jour au cours de annes 90, qui cherche ` contourner e e e a la dicult en limitant les donnes ncessaires au calibrage des mod`les ` la seule information disponible e e e e a sur les marchs de crdit. Si cette approche sous forme rduite est tr`s sduisante a priori, elle prsente e e e e e e nanmoins deux inconvnients importants. e e Dune part, les donnes de march utilisables sont peu nombreuses. Les mod`les sous forme rduite e e e e utilisent les spreads de taux comme param`tres permettant dvaluer le risque de crdit. Si les e e e spreads contiennent eectivemment une composante lie au risque de crdit, ce dernier nen est pas e e lunique dterminant : les probl`mes de liquidit ou de taxation jouent un rle tout aussi important. e e e o Dautre part, contrairement aux marchs dactions, les marchs dobligations des grandes entreprises e e sont tr`s peu liquides. Les donnes disponibles ne re`tent donc pas ncessairement les prix que e e e e lon devrait observer sous les hypoth`ses dabsence dopportunit darbitrage et de compltude des e e e marchs. e
12
Le mod`le de la rme e
Lapproche structurelle du risque de crdit est fonde sur les mthodes dvaluation des options mises e e e e en place par Black et Scholes [1973] et Merton [1974]. Il sagit dune approche relativement intuitive dans la mesure o` le risque de crdit encouru par le dtenteur dune obligation est directement reli ` la u e e ea ralit conomique de la rme : le dfaut intervient d`s que la valeur de march de lensemble des actifs e ee e e e de la rme passe sous un certain seuil dtermin par le niveau global de la dette contracte. Il sagit dune e e e vision optionnelle de la dette : lmetteur reoit le droit de faire dfaut sur sa dette, droit quil exerce d`s e c e e que la valeur de ses actifs ne permet plus de la couvrir. Merton est le premier ` proposer ce type de mod`le. Il lapplique ` la forme de dette la plus simple : a e a lobligation zro coupon. Dans ce cadre, Merton obtient une formule ferme dvaluation de la dette e e e faisant appara le spread de taux comme une prime lie au risque de dfaut de la rme. Dun point de tre e e vue throrique, ce mod`le est tr`s sduisant car il explicite directement les fondements conomiques du e e e e e risque obligataire : le taux sans risque ; la volatilit de la valeur de march des actifs de lentreprise, cest-`-dire lincertitude pesant sur le e e a rendement de lensemble des actifs de la rme ; le levier, cest-`-dire le rapport entre la valeur actualise au taux sans risque de la dette, et la valeur a e initiale des actifs : plus le levier est important (i.e. plus la part de la dette dans le total des actifs, vu daujourdhui, est importante) plus la dette est risque. e Nanmoins, dun point de vue pratique, la prise en compte de variables conomiques propres ` chaque e e a entreprise limite le champ dapplication du mod`le de Merton. De faon gnrale, les mod`les structurels e c e e e sav`rent diciles ` mettre uvre parce quils requi`rent la connaissance de nombreux param`tres : e a e e 1. la valeur des actifs, la structure nanci`re de lmetteur : e e Ces param`tres sont propres aux mod`les structurels. Si lon souhaite valuer la dette dun metteur e e e e de faon prcise, il convient davoir une tr`s bonne connaissance de la valeur de march totale de ses c e e e actifs et de la faon dont elle est susceptible dvoluer au cours du temps. Cette valeur ntant pas c e e directement observable, il faut lestimer le plus prcisment possible. Une telle dmarche ncessite e e e e une base de donnes particuli`rement riche portant sur la structure nanci`re de lentreprise et sa e e e valorisation boursi`re. Lexemple de Credit Monitor TM , outil de gestion du risque de crdit mis en e e place par K.M.V. (c.f. section 12.3), illustre la faon dont ces donnes peuvent tre utilises pour c e e e estimer les probabilits de dfaut dune entreprise. Cependant, dun point de vue oprationnel, il e e e est tr`s dicile daccder ` ce type dinformation, ce qui limite la porte des mod`les structurels e e a e e pour la majorit des acteurs nanciers engags sur les marchs obligataires. Notons de plus quon e e e ne peut contrler la structure capitalistique dune entreprise en temps continu dans la mesure o`, o u la plupart du temps, les comptes sont publis une fois par an. e
2. les conditions dmission de la dette : e Il sagit ici de prendre en compte les termes du contrat xant entre autres la maturit, les ux e verss, les ventuelles options de conversion, les ordres de priorit en cas de dfaut. e e e e 3. La perte sachant le dfaut : e Une fois la faillite dclare, une procdure de liquidation judicaire est mise en place. Un liquidateur e e e est alors nomm, dont le rle est de raliser les actifs de la rme an de rembourser les cranciers e o e e suivant leur ordre de priorit. Notons que les modalits dune telle procdure varient en fonction des e e e rglementations propres ` chaque pays et que le montant total recouvr par les cranciers dpend de e a e e e la mani`re dont est mene la liquidation : par exemple, si la liquidation est rapide, les actifs risquent e e dtre brads. Dans les dirents mod`les structurels, la partie de la dette recouvre correspond ` e e e e e a une fraction de la valeur de march de la rme ` linstant de dfaut (Merton [1974], Leland e a e et Toft [1996]). Il peut galement sagir dune fonction de la valeur faciale de la dette, ou dun e processus stochastique. 4. le processus du taux sans risque et la correlation entre ce processus et le prix des actifs : Les spreads de taux peuvent dicilement tre analyss indpendemment de la structure des taux e e e sans risque. En eet, ce dernier dpend fortement du cycle conomique, tout comme le risque de e e crdit. Par exemple, en priode de forte activit, on peut sattendre ` ce que dune part, lcart e e e a e entre taux court et taux long sacroisse, et dautre part ` ce que la meilleure qualit du crdit a e e conduise ` une rduction des spreads (ltude [4] mene par Duee en 1998 met en vidence ce type a e e e e de rsultats). Pour pouvoir dterminer le prix des instruments de crdit, il faut donc conna le e e e tre lien entre la structure des taux sans risque et les probabilits de dfaut des entreprises. e e
o` reprsente le taux de rendement instantan des actifs de la rme, C le montant des payouts (diu e e videndes et intrts) par unit de temps, et 2 la variance du processus de rendement. (W (t) , t 0) ee e est un mouvement brownien standard. Les avoirs de la rme sont diviss en deux classes : une classe unique et homog`ne de dette, le reste e e correpondant aux capitaux propres. De plus, la rme ne verse aucun dividende et ne peut procder e a ` aucun remboursement partiel de sa dette avant la maturit. e 2. Conditions dmission de la dette : e La rme promet de payer un montant B ` la maturit T . De plus, elle ne peut ni mettre de nouvelle a e e dette, ni rembourser une partie de sa dette avant la maturit. Compte tenu de ces conditions e dmission et de la structure nanci`re de la rme, le param`tre C de lquation (12.1) vaut 0 et la e e e e dynamique suivi par la valeur des actifs devient : dV (t) = dt + dW (t) V (t) (12.2)
3. Perte sachant le dfaut : e En cas de dfaut, le dtenteur de la dette devient propritaire de la rme. Merton suppose que la e e e rme fait dfaut si la valeur V (T ) ` la maturit T des actifs est infrieure ` B. En cas de dfaut, le e a e e a e dtenteur de la dette reoit donc V (T ) , et il perd B V (T ). Le payo nal peut d`s lors scrire e c e e D (T ) = B max (B V (T ) , 0) (12.3)
La dtention dune dette risque sinterpr`te alors comme une stratgie o` lon aurait achet un zroe e e e u e e coupon sans risque dont on aurait nanc une partie du cot par la vente dun put de sous-jacent e u V , de prix dexercice B et de maturit T . e INTRODUCTION A LA GESTION DES RISQUES 142
4. Processus de taux sans risque : le taux dintrt sans risque demeure constant au cours du temps, gal ` r. Les probl`mes lis ` la ee e a e e a dynamique des taux ne sont pas abords dans ce premier mod`le. e e La dette est valorise en supposant que les deux conditions suivantes sont vries : e e e il y a absence dopportunit darbitrage : il est impossible de gnrer un prot presque sr ` partir e e e u a dun investissement nul ; les marchs sont complets : il est possible de rpliquer tout produit driv ` laide dune stratgie e e e ea e dynamique fonde sur les actifs sous-jacents. e Ce sont deux hypoth`ses fortes qui, dun point de vue pratique, assurent lexistence (absence dopportunit e e darbitrage) et lunicit (compltude des marchs) des prix de march. Nanmoins, contrairement aux e e e e e marchs dactions, les marchs obligataires sont particuli`rement peu liquides. Supposer dans ce cas e e e prcis lexistence darbitrageurs qui contraignent les prix ` vrier certaines relations ne semble donc pas e a e tr`s raliste. e e Par contre, si on consid`re que ces hypoth`ses sont vraies sur le march des actions, la valorisation f e e e de la rme sur le march des actions (qui est connue) re`te les anticipations du march concernant la e e e valeur de la rme ` la maturit et en utilisant lidentit vraie ` chaque instant a e e a F =V f (12.4)
on obtient la valeur F aujourdhui de la dette contracte en fonction de f et de la valeur de march V e e des actifs de la rme. Notons que le param`tre V ntant pas accessible, il faut lestimer. Comme nous e e le verrons ` la section 12.3, une telle estimation peut tre rlise ` partir de la valeur des actions f a e e e a et de la valeur comptable de la dette B. Les prix obtenus par une telle mthode peuvent tre qualis e e e dimplicites : ce ne sont pas les prix observs sur le march mais les prix que lon devrait observer compte e e tenu de la valorisation boursi`re de la rme. e Dans le cadre de ces hypoth`ses, la valeur de la dette correspond ` lesprance des ux futurs actualiss e a e e quelle gn`re. Merton explicite alors le spread de taux par rapport au taux r du zro-coupon certain, e e e rsultant du risque de dfaut : e e R (T ) r = 1 ln h2 d, 2 T T 1 + h1 d, 2 T d (12.5)
o` reprsente la fonction de rpartition dune loi normale centre rduite et u e e e e B d = V (0)erT 1 h (x, y) = y 2 1 y ln x 2 1 h (x, y) = y 1 1 y + ln x 2 2 2
(12.6)
Pour une maturit T donne, la prime de risque dpend uniquement de la volatilit 2 de la valeur des e e e e actifs et du levier d. Merton montre que R (T ) r est une fonction croissante de ces deux param`tres, ce e qui est conforme ` lintuition : a La volatilit de la valeur de march dune rme re`te lincertitude des oprateurs sur les rendements e e e e a ` venir de cette rme. Par consquent, plus la volatilit est leve, plus le risque encouru par le e e e e dtenteur de la dette est important et plus la prime doit tre consquente. e e e Leet de levier permet aux propritaires dune entreprise (les actionnaires) daccro e tre le niveau dactivit sans augmenter pour autant le montant de leurs engagements. Le risque supplmentaire e e li au surplus dactivit est alors support par les cranciers, ce qui se traduit par une meilleure e e e e rmunration de leurs placements. e e Les graphiques suivants illustrent la faon dont le levier inuence la structure par terme des spreads c de taux : ` 12.1. LE MODELE DE MERTON [1974] 143
1. Dans le premier cas, d > 1 : le spread est une fonction dcroissante du temps restant avant maturit. e e La valeur anticipe (au taux sans risque) des actifs de la rme ` la maturit T est infrieure au e a e e montant de ses engagements. Or, il est dautant plus probable que la valeur anticipe des actifs se e ralise que la date dchance se rapproche. Par consquent, pour un niveau de levier d > 1, plus le e e e e temps avant maturit est court, plus le risque encouru par le dtenteur de la dette est lev et plus e e e e la prime qui en rsulte est importante. e 2. Dans le second cas, d < 1 : la valeur anticipe des actifs de la rme est suprieure au montant de e e ses engagements. Par consquent, dans le cas limite o` la maturit de la dette est atteinte (T = 0), e u e la rme peut enti`rement rembourser ses cranciers, ce qui se traduit par un spread nul. Par contre, e e en sloignant de lchance, lincertitude pesant sur lvolution de la valeur des actifs ( = 10%) e e e e fait cro la probabilit de dfaut et donc le spread (premi`re partie de la courbe). Dans un second tre e e e temps, on retrouve un eet similaire ` celui observ sur la premi`re courbe (d > 1) : lloignement a e e e de la maturit rend plus certain, pour un niveau de levier d x, le recouvrement de la dette, si e e bien que le spread diminue (seconde partie de la courbe).
Notons que ces deux courbes font appara le dfaut comme un v`nement parfaitement prvisible : tre e e e e le spread tend soit vers 0 soit vers linni lorsque lon se rapproche de la maturit. Dans le premier cas, e juste avant la maturit, le march sait quil ny aura pas de dfaut et na donc aucune raison daccorder e e e une prime de risque. Dans le second cas, on observe le phnom`ne inverse. e e
12.2.1
Les extensions du mod`le de Merton utilisent une vision moins simpliste du dfaut. La faillite est en e e gnral dclare bien avant lchance de la dette, sans attendre de constater que celle-ci ne pourra tre e e e e e e e rembourse. Un certain nombre de mod`les cherchent donc ` rendre compte de cette ralit. e e a e e INTRODUCTION A LA GESTION DES RISQUES 144
Lextension la plus directe du mod`le de Merton suppose que le dfaut peut se produire ` chaque date e e a de paiement du principal ou des intrts (mod`le de Geske [1977]). Les actionnaires disposent dune ee e option compose quils peuvent exercer ` chaque date de versement. e a Un second type dextension consiste ` apprhender le dfaut non plus de faon discr`te mais en temps a e e c e continu : la rme peut faire dfaut ` nimporte quelle date entre la date dmission et la maturit, quil e a e e sagisse ou non dune date de paiement. Black et Cox [1976] reprennent le cadre danalyse de Merton en supposant de plus que la rme peut-tre mise en faillite d`s que la valeur de march V (t) passe sous un seuil critique K (t) tel que e e e K (t) = Ker(T t) , 0<KB (12.7)
Black et Cox dnissent ainsi un levier maximal d = B/K 1 que les actionnaires ne peuvent franchir e pour nancer lactivit de leur entreprise. Notons que la barri`re K est xe de faon exog`ne : elle doit e e e c e tre dnie de faon explicite dans le contrat de dette. e e c
12.2.2
Comme nous lavons dj` remarqu, le mod`le de Merton spcie le dfaut comme un phnom`ne ea e e e e e e parfaitement prvisible si bien que le spread tend vers zero ` mesure que lon se rapproche de la maturit. e a e Dans la pratique, on nobserve pas de tel phnom`ne : les spreads restent importants mme pour des e e e dates de maturit assez proches. e Zhou [1997] propose une solution ` ce probl`me tout en conservant un cadre danalyse proche de a e celui de Merton : il int`gre un processus de sauts au processus de valorisation des actifs, si bien que les e trajectoires suivies par la valeur de march de la rme ne sont plus ncessairement continues. Dans ce e e contexte, Zhou montre que les spreads demeurent signicatifs mme pour une dette risque proche de la e e maturit : les investisseurs demandent une prime permettant de sassurer contre le risque supplmentaire e e engendr par les sauts. e ` 12.2. EXTENSIONS DU MODELE DE MERTON 145
12.3.1
Le mod`le de Merton laisse entendre quune mesure pertinente de la valeur nette dune rme est sa e valeur de march moins la valeur comptable de sa dette, le dfaut intervenant d`s que la valeur nette e e e sannule : La valeur de march des actifs rend compte de la rentabilit espre de lactivit de lentreprise. Il e e ee e sagit dune mesure dynamique de sa valeur. Savoir si lentreprise dispose du cash ncessaire pour e faire face ` ses engagements nest d`s lors pas fondamental. Si la valeur de march des actifs est a e e susante, lentreprise peut toujours faire face au paiement de sa dette en vendant une partie de ses actifs. Ce qui compte est donc davantage la valeur espre de lentreprise reposant sur son activit ee e future (valeur de march), que la valeur de lentreprise rsultant de son activit passe (derni`re e e e e e ligne du bilan de lentreprise). Il faut en revanche considrer la valeur comptable de la dette car elle correspond ` ce que la rme e a devra eectivement payer. Dans la pratique, le dfaut peut se produire pour des valeurs nettes ngatives. Ceci tient ` la nature des e e a engagements de lentreprise, sa dette pouvant se dcomposer en dette ` long terme et dette ` court terme. e a a La prsence dune dette ` long terme dans le bilan de lentreprise apporte donc une certaine exibilit. e a e Le point de dfaut se situe en gnral entre le montant total de la dette et le montant de la dette de court e e e terme. Pour valuer le risque de dfaut, la valeur nette ne peut tre considre indpendamment du risque e e e ee e li ` lactivit de lentreprise. En eet, il nest intressant de conna lcart entre la valeur de march ea e e tre e e des actifs et le point de dfaut que si lon sait dans quelle mesure il risque dtre combl. La distance au e e e point de dfaut K dnie par K.M.V normalise donc la valeur nette de lentreprise en la comparant ` son e e a cart-type : e DD = VA K A VA (12.8)
DD correspond au nombre dcarts-type sparant la valeur de march des actifs du point de dfaut. On e e e e peut remarquer que cette mesure fait la synth`se des facteurs de risque mis en vidence par le mod`le de e e e Merton : elle int`gre ` la fois le levier et la volatilit des actifs. Notons de plus que la distance au dfaut e a e e prend en compte linuence du secteur dactivit, de la zone gographique et de la taille de lentreprise e e par lintermdiaire de la volatilit des actifs. Le graphique 12.3 publi par K.M.V met en vidence limpact e e e e de deux de ces facteurs sur la volatilit. e La volatilit des actifs est dautant plus importante que la taille de lentreprise est faible. Une grande e entreprise peut donc sendetter davantage quune petite entreprise pour nancer son activit sans e que le risque de crdit associ soit pour autant suprieur. e e e De faon analogue, parmi les cinq secteurs dactivit prsents, le secteur bancaire est celui qui c e e e autorise les niveaux de levier les plus levs, le rendement des actifs y tant moins incertain. e e e La connaissance de la distance au dfaut et de la distribution de la valeur des actifs permet de calculer e directement les probabilits de dfaut. e e INTRODUCTION A LA GESTION DES RISQUES 146
12.3.2
Valeur de march et volatilit des actifs sont deux grandeurs inobservables. K.V.M utilise la vision e e optionnelle du passif de la rme pour estimer ces deux param`tres. La mthode sapparente ` celle e e a utilise par les traders de produits drivs pour dterminer la volatilit implicite dun sous-jacent ` partir e e e e e a de lobservation du prix de march dune option. e Dans le mod`le de Merton, les actionnaires reoivent max (VA B, 0) ` la maturit T . La valeur de la e c a e rme sur le march des actions est donc le prix dun call europen de sous-jacent la valeur de march des e e e actifs et de strike la valeur comptable B de la dette. En supposant, comme le fait Merton, que VA volue e suivant un processus de diusion log-normal, on explicite le syst`me de deux quations ` deux inconnues e e a permettant destimer VA et A ` partir le la valorisation boursi`re VE : a e VE = VA (d1 ) erT B (d2 ) VA E = VE (d1 ) A avec
1 d1 = 1 T ln VA + r + 2 2 T A A B d2 = d1 A T
(12.9)
(12.10)
Dans la pratique, il convient de prendre en compte la plus grande complexit de la structure capitalistique e de lentreprise. K.M.V dtermine donc deux fonctions f1 et f2 et rsout un syt`me analogue au syst`me e e e e (12.9) an destimer VA et A : VE = f1 (VA , A , Structure Capitalistique, r) E = f2 (VA , A , Structure Capitalistique, r) (12.11)
La valeur de march et la volatilit des actifs ainsi obtenues sont les valeurs implicites dtermines par e e e e le march des actions. Notons que lon pourrait de faon analogue dterminer VA et A en utilisant la e c e valorisation de la dette sur les marchs obligaires. Nanmoins, comme nous lavons dj` soulign ` la e e ea e a section 12.1, les marchs obligataires sont beaucoup moins ecients que les marchs dactions car les e e transactions y sont plus rares. Linformation que lon peut obtenir sur les marchs dactions est donc plus e pertinente. 12.3. METHODOLOGIE MISE EN PLACE PAR K.M.V. CORPORATION 147
12.3.3
Calcul de lEDF
La probablit de dfaut pour un horizon H donn correspond ` la probablitit que la valeur de march e e e a e e des actifs de la rme ` la date H passe sous le point de dfaut. Comme le montre le graphique 12.4, le a e calcul de lEDF requiert la connaissance de 5 param`tres : e 1. 2. 3. 4. 5. la valeur de march initiale des actifs ; e la fonction de rpartition de la valeur des actifs ` la maturit H ; e a e la volatilit future des actifs ` la date H ; e a le niveau du point de dfaut K (cest ` dire le montant des engagement) ` la date H ; e a a le rendement espr des actifs. ee
Dans le mod`le de Merton, le syst`me dquations (12.9) permet destimer VA , la valeur de march e e e e initiale des actifs, et A T , la volatilit des actifs ` la maturit T . Le rendement espr des actifs e a e ee est suppos connu et le niveau du point de dfaut est gal ` la valeur faciale B de la dette zro-coupon. e e e a e Lquation (12.2) spcie le processus suivi par la valeur des actifs, si bien que la fonction de rpartition e e e des actifs ` la maturit est connue : a e 1 ln VA (T ) = ln VA + 2 T + A T avec N (0, 1) (12.12) 2 A La distance au dfaut de la rme ` la date T scrit donc e a e DD = et la probabilit de dfaut P (T ) vaut e e P (T ) = P (VA (T ) B | VA (0) = VA ) = ( DD) (12.14) ln
VA B 1 + 2 2 T A A T
(12.13)
Dans la pratique, la probabilit de dfaut ne peut pas tre calcule en supposant une distribution e e e e gaussienne de la valeur des actifs. La principale raison est que, contrairement ` ce que lon a suppos a e INTRODUCTION A LA GESTION DES RISQUES 148
jusqu` prsent, le point de dfaut nest pas dterministe : une rme proche dune situation de dfaut a e e e e cherchera ` ajuster le niveau de sa dette. En gnral, on observe que lendettement des entreprises a e e commerciales ou industrielles saccro lorsque la situation se dteriore tandis que lendettement des t e institutions nanci`res diminue. Ceci est d ` la plus ou moins grande liquidit des actifs de lentreprise : e ua e plus les actifs sont liquides plus il est facile pour une entreprise dajuster le niveau de son levier en cas de dicult. e Par consquent, K.M.V relie directement la distance au dfaut ` la probabilit de dfaut en se fondant e e a e e sur des donnes empiriques : leur base de donnes contient environ 100 000 entreprises et 2000 incidents e e de dfaut par an. Ainsi, pour calculer la probabilit de dfaut ` 1 an dune entreprise distante du point e e e a de dfaut de 7 carts-type, K.M.V calcule la proportion dentreprises prsentes dans leur base, distante e e e du point de dfaut de 7 carts-type et ayant fait dfaut sous un an. e e e Les graphiques suivants fournis par K.M.V illustrent dans deux cas dirents la faon dont se comporte e c lEDF, et son aptitude ` anticiper le dfaut. En particulier, ces deux exemples montrent bien limportance a e des donnes de march dans la calibration des mod`les. Dans le cas de Bangkok Metropolitan Bank, lEDF e e e na cesse de cro depuis juillet 1993 jusqu` janvier 1998, date de dfaut de la banque. En revanche, e tre a e dans le cas de Burns Philip, une entreprise australienne du secteur agro-alimentaire, lEDF na pas su anticiper la dgradation de la situation de lentreprise : le march sest laiss surprendre, il na pris e e e conscience de la survaluation de la rme quen juillet 1997. e
En rsum, lapproche structurelle du risque de crdit permet dvaluer de faon assez performante le e e e e c risque de dfaut des entreprises pour deux raisons : e la structure capitalistique de lentreprise (levier) est prise en compte ; lvaluation des probabilits de dfaut est ralise ` partir de linformation de march la plus e e e e e a e pertinente : la valorisation boursi`re des entreprises. e Nanmoins cette approche est tr`s dicile ` implmenter car elle ncessite de nombreux param`tres en e e a e e e entre qui sont soit inobservables, soit dicilement accessibles. Cest pourquoi, au cours des annes 1990, e e un deuxi`me type de mod`le est apparu, dont lobjetif principal est de limiter les inputs aux donnes e e e observables sur les marchs. e 12.3. METHODOLOGIE MISE EN PLACE PAR K.M.V. CORPORATION 149
150
Bibliographie
[1] Black, F. and M. Scholes [1973], The pricing of options and corporate liabilities, Journal of Political Economy, 81, 637-659 [2] Black, F. and J. Cox [1976], Valuing corporate securities : some eects of bond indenture provisions, Journal of Finance, 31, 351-367 [3] Crosbie, P. [1997], Modeling default risk, K.M.V., Working Paper [4] Duffee, G.R. [1998], The relation between treasury yields and corporate bond yield spreads, Journal of Finance, 53(6), 2225-2241 [5] Geske, R. [1977], The valuation of corporate liabilities as compound options, Journal of Financial and Quantitative Analysis, 12(4), 541-552 [6] Leland, H. [1994], Corporate debt value, bond convenants, and optimal capital structure, Journal of Finance, 49, 1213-1252 [7] Leland, H. and K. Toft [1996], Optimal capital structure, endogenous bankruptcy, and the term structure of credit spreads, Journal of Finance, 51, 987-1019 [8] Merton, R.C. [1974], On the pricing of corporate debt : the risk structure of interest rates, Journal of Finance, 29, 449-470 [9] Zhou, C. [1997], A jump-diusion approach to modeling credit risk and valuing defaultable securities, Federal Reserve Board, Working Paper
13
Lapproche actuarielle de CreditRisk+
Ce mod`le propos par Credit Suisse Financial Product (CSFP) appara comme une alternative aux e e t deux principales mthodologies rencontres sur le march, ` savoir celles de J.P. Morgan et de KMV. Ce e e e a mod`le est fond sur une approche probabiliste du processus de dfaut de paiement dune contrepartie e e e sans faire aucune hypoth`se sur la cause du dfaut. Le mod`le CreditRisk+ consid`re le taux de dfaut e e e e e comme une variable alatoire continue. La prise en compte dune volatilit du taux de dfaut associe e e e e a ` une analyse par secteur permettent de rendre compte ` la fois de lincertitude du niveau de dfaut a e et des ventuelles corrlations existant entre plusieurs obligations. Ce choix sexplique dapr`s CSFP par e e e linstabilit des corrlations de dfaut et par le manque de donnes empiriques pour suivre la dmarche e e e e e propose par CreditMetrics. e En appliquant des techniques mathmatiques plus souvent rencontres dans le domaine de lassurance e e que dans celui de la nance, ce mod`le cerne les caractristiques essentielles de loccurrence de dfauts e e e de paiement et permet un calcul explicite de la distribution des pertes dun portefeuille comportant un risque de crdit. e
13.1 La dmarche e
les concepts cls qui sont ` la base de CreditRisk+ sont les suivants : e a Les taux de dfaut sont stochastiques. e Le niveau du taux de dfaut a une incidence sur loccurrence du dfaut, mais il ny a pas de relations e e causales entre ces occurrences.
Le mod`le est alors structur selon le schma 13.1. La dmarche suivie focalise tout dabord son tude e e e e e sur un mod`le simpli dans lequel la volatilit des taux de dfaut nest pas prise en compte. Une fois la e e e e distribution des pertes obtenue dans un cas simple, on int`gre cette volatilit dans le processus, ce qui au e e vu des rsultats correspond ` une dimension alatoire supplmentaire et donc ` une simple composition e a e e a de lois de probabilits. On montre alors lexistence de cas o` le mod`le ` volatilit converge vers le e u e a e cas simple. Finalement, on tend la premi`re approche sectorielle ` un cas plus complet. On est alors e e a en mesure dexploiter les rsultats, notamment pour dterminer les direntes contributions au risque e e e dun portefeuille des metteurs qui le composent ou les corrlations des taux de dfaut entre ces mmes e e e e metteurs. e
154
# ! $ "
( 1 ' & 1 9 1 1
8 7 6 5 $ # $
On introduit alors la fonction gnratrice associe au nombre D de dfauts survenus parmi les obligations e e e e du portefeuille :
F (z) =
n=0
P (D = n) z n
(13.2)
Or, chaque metteur fait ou ne fait pas dfaut ; la fonction gnratrice dun portefeuille compos dune e e e e e unique obligation sobtient donc facilement : FA (z) = 1 PA + PA z = 1 + PA (z 1) De plus, les vnements sont supposs indpendants, ce qui induit e e e e F (z) =
A
(13.3)
FA (z) =
A
(1 + PA (z 1))
(13.4)
ln (1 + PA (z 1))
(13.5)
Or, nous pouvons raisonnablemement penser que les probablilits sont susamment faibles pour approxie mer cette derni`re expression par un dveloppement limit au premier ordre, ce qui se traduit par : e e e F (z) = exp
A
PA (z 1)
= exp ( (z 1))
(13.6)
avec =
A
PA
(13.7)
reprsente en fait le nombre moyen de dfauts attendus en un an parmi les missions du portefeuille e e e considr. On remarque de plus que la derni`re expression peut secrire sous une autre forme, grce aux ee e a sries enti`res, ce qui donne une formule explicite de la rpartition de la variable alatoire D : e e e e F (z) = exp ( (z 1)) = do` u P (D = n) = e n n! (13.9) e n n z n! n=0
(13.8)
Finalement, sous les hypoth`ses faites plus haut, le nombre de dfaut ` survenir suit une loi de Poisson de e e a param`tre . Ce param`tre est lunique inconnue du mod`le, il ne dpend ni du nombre de titres prsents e e e e e dans le portefeuille ni des probabilits individuelles de dfaut de chaque obligation, pourvu quelles soient e e susamment petites pour valider les approximations eectues. Reste ` noter, pour la suite, quune loi e a de Poisson de param`tre a pour moyenne et pour cart-type . e e Evidemment, les hypoth`ses faites ne sont pas satisfaisantes et ne cadrent pas avec la ralit. Toutefois, e e e ces rsultats seront utiles pour la suite, notamment pour le passage ` des taux variables et ` lintroduction e a a de volatilit des taux de de dfauts. e e ` 13.2. MODELISATION A TAUX DE DEFAUT FIXES 155
13.2.2
Pertes de dfaut e
Lobjectif principal est de quantier le risque de perte dun portefeuille. Or, un mme niveau de perte e peut tre obtenu par un seul gros dfaut aussi bien que pour de nombreux petits dfauts. Cette constae e e tation a incit CSFP ` regrouper les missions contenues dans un portefeuille par tranche dexposition. e a e Ceci a pour eet de rduire considrablemment le nombre de donnes ` lentre pour limplmentation. e e e a e e Cette approximation sera dautant plus lgitime que les tranches dexpositions seront nombreuses et e troites en comparaison avec lexposition moyenne du portefeuille. Ainsi, ces approximations seront utiles e sans pour autant modier signicativement les rsultats. e On adopte les notations suivantes : Rfrence ee Emetteur Exposition Probabilit de dfaut e e Pertes attendues Notation A LA PA A
Lexposition et les pertes attendues sont exprimes en L, qui reprsente une unit arbitraire choisie, si e e e bien que pour chaque metteur A, on dnit A et A de la mani`re suivante : e e e LA = A L et A = A L (13.11) (13.10)
Le passage important est darrondir chaque A ` lentier le plus proche. Ainsi, pour un gros portefeuille, a un choix adapt de L permettra de rduire ` un nombre relativement petit les valeurs A partages par e e a e plusieurs missions. Le portefeuille se retrouve alors divis en m tranches dexposition, indexe par j, ce e e e qui revient ` ne retenir que les notations suivantes : a Rfrence ee Exposition commune dans la tranche j en L Pertes attendues dans la tranche j en L Nombre de dfaut attendu dans la tranche j e De plus, ces trois variables sont relies par la relation suivante e j = j j donc j = Nous utiliserons aussi par la suite
m m
Notation j j j
(13.12)
j = j
A| A = j
A A
(13.13)
=
j=1
j =
j=1
j j
(13.14)
13.2.2.1
On adopte ici le mme point de vue que pour le nombre de dfauts ; on dnit la distribution des pertes e e e agrges ` travers sa fonction gnratrice e e a e e
G(z) =
n=0
P (Pertes agrges = n L) z n e e
(13.15)
156
Nous faisons alors intervenir le fait que les titres ont t regroups par niveau dexposition, et que les ee e tranches sont indpendantes entre elles, ce qui scrit de mani`re plus formalise : e e e e
m
G(z) =
j=1
Gj (z)
(13.16)
On consid`re alors chaque tranche comme un portefeuille ` part enti`re, et on applique le rsultat suivant e a e e o` on note Dj la variable alatoire rendant compte du nombre de dfaut ` survenir dans la tranche j u e e a
Gj (z) =
n=0
P (Dj = n) z n j =
ej n n j j z = exp j + j z j n! n=0 j z j
j=1
(13.17)
G(z) = exp
j=1
j +
(13.18)
Cest la formule dsire qui nous renseigne sur la distribution des risques crdits du portefeuille. e e e On remarque que si on pose P (z) le polynme o
m
1 P (z) =
j z
j=1
j=1 m j=1
j j j j
zj (13.19)
la fonction gnratrice des pertes agrges se prsente alors sous la forme e e e e e G(z) = exp ( (P (z) 1)) = F (P (z)) (13.20)
G(z) sexprime alors comme la compose de deux sources dincertitude : la loi de Poisson du nombre de e dfauts et la variabilit des montants dexposition. On remarque galement quelle ne dpend que de deux e e e e types de donnes et . Ainsi, les seules entres ncessaires ` la mesure du risque crdit dun portefeuille e e e a e sont la connaissance des direntes tailles dexposition et les pertes attendues pour chaque taille. CSFP e estime que cela reprsente peu deorts, mme pour un portefeuille assez important. e e Toutefois, la derni`re expression de la fonction gnratrice nest pas tr`s maniable et ne nous renseigne e e e e pas explicitement sur la distribution des pertes. Aussi, on est amen ` dterminer les probabilits associes ea e e e a ` une perte de n L par un autre algorithme. En eet dapr`s lexpression (13.15), on a : e 1 dn G (0) = An (13.21) n! dz n On applique alors successivement la formule de Leibnitz pour obtenir une formule de rcurrence nous e permettant de calculer An : m j A = G(0) = exp () = exp 0 j j=1 (13.22) j A n = n An j P (Pertes agrges = n L) = e e
j| j n
13.2.2.2
Il peut sembler plus intressant de considrer ltude du risque de crdit dun portefeuille sur une e e e e priode plus longue quune anne. En eet, la maturit dun portefeuille pourrait sembler tre un horizon e e e e lgitime. Dans cet optique, il faut tre capable dadapter les expressions prcdentes ` ce cas multi-annuel, e e e e a moyennant la dnition de notations plus adaptes : e e Rfrence ee Exposition commune dans la tranche j en L pendant lanne t e Pertes attendues dans la tranche j en L pendant lanne t e Nombre de dfaut attendu dans la tranche j pendant lanne t e e ` 13.2. MODELISATION A TAUX DE DEFAUT FIXES Notation (t) j (t) j (t) j 157
Alors, en supposant les vnements de direntes annes indpendants, on applique les rsultats obtenus e e e e e e prcedemment, do` e u (t) j (t) (z j 1) (13.23) G(z) = exp (t) t,j j ce qui implique une relation de rcurrence semblable ` la prcdente : e a e e (t) j A0 = G(0) = exp () = exp (t) j
j,t
A n
=
j,t| j n
(t)
j n
(t)
(13.24)
An (t)
j
13.3.2
Le second point nonc souligne lexistence de facteurs susceptibles dagir sur la qualit crdit de e e e e plusieurs missions ` la fois. Pour mesurer cet eet, et donc tre en mesure de quantier limpact des e a e volatilits des taux de dfaut individuelles au niveau du portefeuille, CSFP a eu recours ` une analyse par e e a secteur. Lconomie est alors divise en K secteurs, et CreditRisk+ suppose que chaque secteur peut tre e e e modlis par un unique facteur sous-jacent. Cest ce facteur qui nous permettra dexpliquer la variabilit e e e dans le temps du nombre total de dfaut mesur pour ce secteur. e e Pour chaque secteur k, nous introduisons une variable alatoire xk qui reprsente le nombre moyen de e e dfauts dans ce secteur. Lesprance de xk sera note k , et lcart-type k . e e e e Variable par secteur Unit dexposition au risque e Tranche dexposition Pertes attendues dans chaque tranche dexposition Notation L (k) (k) Lj = j L (1 k K et 1 j m(k)) (k) (k) j = j L (1 k K et 1 j m(k))
k =
(k)
(k) j=1 j
=
Ak
A A
(13.25)
158
o` A est la probabilit de dfaut sur la priode de A. Pour obtenir une estimation semblable de lcartu A e e e e type du taux de dfaut pour chaque secteur, on est contraint dassigner un cart-type pour le taux de e e dfaut de chaque metteur du secteur considr. Une mani`re pratique de faire cela revient ` supposer que e e ee e a cet cart-type dpend de la qualit crdit de lmetteur. On obtient donc k ` partir des A , sachant que la e e e e e a probabilit de dfaut de chaque metteur appartenant au secteur k sera considre comme proportionnelle e e e ee a ` la variable alatoire xk , ce qui scrit : e e xA = On peut noter que lesprance de xA vaut e selon lquation suivante : e
A A
A xk A k
(13.26)
A =
Ak Ak
Les statistiques montrent que le ratio PA est de lordre de 1, si bien que lcart-type du nombre de dfauts e e A parmi les metteurs dun mme groupe de qualit crdit est du mme ordre que le nombre moyen annuel e e e e e de dfauts. Cest la mme chose ` lchelle du secteur, comme le montre la relation suivante : e e a e
k = k
A
Ak
PA =
Ak Ak
A PA
PA
Ak
PA
(13.28)
Ainsi, en labsence de donnes susamment dtailles, les estimations caractristiques de chaque metteur e e e e e A e e k pour le secteur, ce qui induit alors : PA peuvent tre remplacs par un unique ratio k = Chercher ` estimer k est alors quivalent ` estimer a e a
k
k
k.
(13.29)
13.3.3
Occurrence de dfauts e
En suivant la mme dmarche que prcdement, et en incluant la volatilit du taux de dfaut dans le e e e e e e mod`le, on obtient une fonction gnratrice du nombre de dfauts du type : e e e e
K K
F (z) =
k=1
Fk (z) =
k=1x=0
(13.30)
o` fk (x) est la densit de la variable xk . Pour prolonger les calculs, il est alors ncessaire de donner une u e e loi de distribution ` xk . CreditRisk+ conseille de choisir une loi Gamma de moyenne k et dcart-type a e k . Sous ces hypoth`ses fk (x) est alors dni de la mani`re suivante : e e e P (x xk x + dx) = fk (x) dx = o` k = u
2 k , 2 k
1 x exp k (k ) k k
xk 1 dx
(13.31)
k =
2 k k
et () =
x=0
ex x1 dx.
k 1+ k , k
= (1 pk )
n + k 1 n n pk z n
(13.32)
P (Dk = n) = (1 pk )k
n + k 1 n pk n
(13.33)
Dk qui est le nombre de dfaut dans le secteur k suit donc une Loi Binomiale Ngative. e e ` 13.3. PASSAGE A DES TAUX DE DEFAUT ALEATOIRES 159
13.3.4
13.3.4.1
Nous reprenons lapproche dnie dans le cas o` les taux de dfaut taient xes, et nous gnralisons ce e u e e e e procd en y incorporant la volatilit de ces taux de dfauts. On obtient alors des expressions semblables e e e e a ` celles rencontres plus haut : e
K K K
G(z) =
k=1
Gk (z) =
k=1
Fk (Pk (z)) =
k=1x=0
(13.34)
o` u
m(k) j
(k) (k)
Pk (z) =
j=1
zj
(k)
m(k) j=1
(k) j (k) j
1 = k
m(k)
(k)
j=1
(k) j
zj
(k)
(13.35)
Et l` encore les intgrales peuvent tre calcules, ce qui abouti ` lexpression analytique suivante : a e e e a k
K
G(z) =
k=1
1 pk 1
pk k m(k) j=1 j
(k) (k)
(k)
j
(13.36)
13.3.4.2
Relation de rcurrence e
Pour tre susamment exploitable, la fonction gnratrice doit tre mise sous forme de srie enti`re e e e e e e o` les probabilits associes aux pertes sont lues sans aucun eort. Or, pour arriver ` cette forme, on est u e e a amen ` traiter la derni`re expression obtenue de G(z) et mettre en vidence les coecients An dnis de ea e e e la mme mani`re que ceux rencontrs plus haut. Le fait que G(z) se prsente sous la forme de fractions e e e e rationnelles nous facilite la tche. en eet, il existe de nombreuses mthodes pour transformer une fraction a e rationnelle et la prsenter sous forme de polynme de degr inni. Ces algorithmes sont plutt techniques e o e o et ne mritent pas dtre dtaills ici. Ils semblent, en outre, ne pas poser de diculter particuli`res. Il e e e e e est en eet prfrable de livrer le type de raisonnement suivi et la relation de rcurrence ` laquelle on ee e a aboutit apr`s la mise en uvre dun de ces algorithmes. Ainsi, on cherche les An tels que : e
G(z) =
n=0
An z n
(13.37)
Or, si G(z) vrie une relation du type : e G (z) A(z) = G(z) B(z) o` A(z) et B(z) sont respectivement deux polynmes de la forme suivante : u o A(z) = a0 + .... + ar zr B(z) = b0 + .... + bs z s alors les coecients An vrient la relation de rcurrence e e min(r,n) min(s1,n1) 1 ai Ani An+1 = bl+1 (n l)Anl b0 (n + 1) i=0
l=0
(13.38)
(13.39)
(13.40)
On applique alors cette relation, sachant que G(z) vrie la condition sur sa driv logarithmique. En e e e eet, nous avons G (z) = G(z)
K k=1 p k k k m(k) j=1 m(k) j=1
j z j
j
(k) (k)
(k)
(k)
(13.41) z
(k) j
pk k
160
On applique alors la relation de rcurrence, apr`s avoir rduit au mme dnominateur la derni`re exe e e e e e pression. Evidemment, un choix judicieux de L, lunit dexposition, permettrait de rduire le degr du e e e polynme B(z) de telle sorte que les calculs soient plus faciles ` traiter. On se retrouve alors en possession o a de la forme explicite de la distribution des pertes du portefeuille.
13.4 Conclusion
Tout dabord, notons que cette approche peut tre gnralise en considrant lventuelle appartenance e e e e e e dun metteur ` plusieurs secteurs. On fait alors intervenir des coecients A,k qui pour chaque mission e a e A donne la proportion de linuence de son taux de dfaut par la variable xk . En gnralisant de la sorte, e e e on accorde ` tous les titres dtre dpendants de plusieurs secteurs. Cette hypoth`se est traite dans a e e e e CreditRisk+, qui donne alors le processus et la nouvelle distribution des pertes encourus. Remarquons, de plus, que la notion de corrlation napparait pas explicitement dans le mod`le, mais e e est pris en compte indirectement dans les volatilits de chaque secteur et ventuellement dans le prol e e des coecients A,k . On peut toutefois calculer les contributions marginales de chacun des titres ainsi que les corrlations entre ces mmes titres a posteriori. Les tapes ncessaires pour aboutir ` ces corrlations e e e e a e et ` ces contributions ne sont pas prsentes ici mais le sont dans CreditRisk+. a e e Le principal reproche adress ` CSFP rside dans le fait que leur mod`le ignore la possibilit dun e a e e e changement de spread des titres composant le portefeuille sans pour autant observer un quelconque dfaut. Par analogie avec CreditMetrics, ce mod`le ne tient pas compte de la perte ou du gain de valeur e e du portefeuille provoqus par des changements de rating. Ce mod`le semble, en fait, sadapter au cas de e e banques accordant des crdits, et cherchant ` se couvrir contre un certain niveau de risque d au dfaut e a u e de paiement dune contrepartie. Mais cet outil ne convient pas ` une gestion de portefeuille qui a pour a vocation dtre assez liquide et qui tire son rendement des spreads des titres qui le composent. e
Bibliographie
[1] Credit Suisse Financial Products [1997], CreditRisk+ : A credit Risk Managment Framework, London
14
Lapproche Intensit : une approche sous forme rduite e e
Lapproche sous forme rduite ne sintresse pas aux raisons conomiques du dfaut : ce type dape e e e proche envisage le dfaut comme un v`nement imprvisible. Le lien entre la structure de lentreprise, e e e e la valorisation boursi`re et le risque de dfaut nest pas exhib. Les mod`les ` intensit sintressent e e e e a e e davantage aux donnes que lon peut trouver sur les marchs de crdit : les spreads de taux en sont le e e e principal input. Comme nous lavons dj` soulign, ce type de mod`le est confront au probl`me dabsence de liquidit ea e e e e e sur le march obligataire des grandes entreprises. Il est d`s lors peu probable quune valuation risquee e e neutre des actifs conduise ` des prix correspondant aux prix observs sur le march. a e e De plus, si les spreads observs sur le march peuvent tres utiliss pour calibrer les mod`les, il convient e e e e e nanmoins de dterminer la composante lie au risque de dfaut : liquidit, taxation, risque de march, e e e e e e zone gographique sont autant de facteurs pouvant intervenir dans la formation des spreads. e
Pour une maturit T > 0 donne, on reprsente par une variable alatoire X FT mesurable le montant e e e e auquel a droit le dtenteur dun actif risqu ` la date T , ` condition que le dfaut ne se soit pas produit. e ea a e Le payo en cas de dfaut est modlis par un processus Z Fprvisible. Il sagit donc du processus de e e e e recouvrement. Notons que lhypoth`se faite ici est tr`s forte et loin dtre vrie sur les marchs : supposer que e e e e e e Z est Fprvisible revient ` dire quil est possible de couvrir le risque li au recouvrement ` partir de e a e a produits disponibles sur le march. Ceci nest certainement pas le cas, notamment lorsquune procdure e e
de liquidation judiciaire est mise en place : le montant recouvr dpendra de la faon dont la procdure e e c e se droulera. e Linstant avant dfaut est modlis par une variable alatoire dnie sur lespace (, G, P). On ine e e e e troduit le processus de saut H associ ` : Ht = 1{ t}, t R+ , et on dnit H = (Ht )tR+ comme la ea e ltration engendre par ce processus : Ht = (Hu , u t) , t R+ . e Lobservation des donnes de march montre quil est impossible de dire avec certitude si le dfaut e e e est survenu ou non uniquement ` partir de celles-ci. En eet, il se peut tr`s bien qu` une date donne, a e a e deux obligations aient un prix identique alors mme que lun des deux metteurs vient de faire dfaut. e e e Mathmatiquement, cela signie que Ft Ht : nest pas un Ftemps darrt. e e Si loccurence du dfaut ne peut pas se lire dans les prix de march, on peut nanmoins supposer e e e que les oprateurs nanciers disposent de cette information par un autre biais. Autrement dit, ` une e a date t donne, linformation disponible peut tre modlise par la tribu Gt = (Fu , Hu , u t). On note e e e e G = F H la ltration associe. Le temps de dfaut est alors un Gtemps darrt. e e e A la date t, les oprateurs nanciers disposent de deux types dinformation bien distincts : e Dune part, ils savent si le dfaut est survenu ou non. Cette information est contenue dans la tribu e Ht . Dautre part, ils ont acc`s ` ce que lon a appel dans un premier temps linformation de march e a e e (provenant des prix). Cette information, modlise par Ft , permet de formuler des hypoth`ses sur la e e e qualit de lmetteur de la dette. Il sagit donc de linformation utile, si le dfaut ne sest pas encore e e e produit, pour tablir le prix de la dette risque ` la date t . D`s lors, Ft ne se rduit pas forcment e e a e e e aux prix de march, elle peut contenir toute information permettant une meilleure apprciation de e e la qualit de la contrepartie (notes de rating par exemple). e
Dans lhypoth`se o` est un processus absolument continu, il existe un processus Fprogressivement e u t mesurable tel que t = 0 u du. La relation (14.1) peut donc se rcrire ee t < s, P ( > s | Gt ) = 1{ >t} EP e
Rs
t
u du
| Ft
(14.2)
La signication intuitive de appara ici : il sagit de lintensit de survie (ou encore intensit de dfaut) t e e e sachant le ux dinformation de march (Ft )tR+ . e Si de plus, on suppose que est un processus croissant (i.e. > 0), alors le processus m dni par e
t
mt = Ht
0
u du, t R+
(14.3)
est une Gmartingale. Cette proprit est particuli`rement importante car elle permet dtablir une ee e e nouvelle reprsentation du prix de la dette risque. De plus, historiquement, cest ` partir de cette e e a proprit que lintensit de dfaut a t dnie (cf. Duffie, Schroder et Skiadas [1996]). ee e e ee e INTRODUCTION A LA GESTION DES RISQUES 164
14.1.2
La dcomposition de la ltration G en deux sous-ltrations F et H a permis de mettre en vidence le e e processus . Nanmoins, si lon raisonne sans prendre en compte cette dcomposition, on peut montrer1 e e quil existe un processus positif Gadapt tel que le processus M dni par e e
t
Mt = Ht
0
u du, t R+
(14.4)
est une Gmartingale. En gnral, lintensit de dfaut est dnie ` partir de ce processus . Nanmoins, linterprtation de e e e e e a e e reste dicile. En particulier on ne peut rien dire de la relation existant entre et lintensit de survie e . Il se peut par exemple que le processus soit dni sans que existe. De plus, la caractrisation du e e processus reste problmatique dans la mesure o` il nest dni de faon unique que jusqu` linstant de e u e c a dfaut . e Compte tenu de ce que lon a dit jusquici, on sait que si est un processus croissant absolument continu, alors t = t , t R+ . Lintrt de la dcomposition de G en deux sous-ltrations F et ee e H appara ` nouveau ici : elle met en vidence de faon assez intuitive la signication de lintensit de t a e c e dfaut , tant lobjet mathmatique gnralement introduit dans les mod`les ` intensit. e e e e e e a e Par la suite, nous dnirons lintensit de dfaut ` partir de ce processus . Pour de plus amples e e e a dveloppements concernant les liens entre les processus et , on pourra se rfrer ` larticle [5] de e ee a Jeanblanc et Rutkowski.
Zu dHu + X (1 HT ) 1{t=T }
(14.5)
Vt = Bt EP
]t,T ]
(14.6)
(14.7)
(14.8)
En particulier, cette derni`re relation implique que la valeur de la dette ` la maturit est VT = X1{T < } . e a e De plus on retrouve bien dans cette relation que la valeur de la dette apr`s linstant de dfaut est nulle : e e on a suppos dans le mod`le que le porteur de lactif risqu est indmnis ` hauteur de Z d`s que le e e e e e a e dfaut se produit. e En utilisant la relation (14.4) dnissant le processus , on peut rcrire (14.7) de la faon suivante : e ee c Vt = Bt EP
]t,T ] 1 1 Bu Zu u 1{u } du + BT X1{T < } | Gt
(14.9)
1 La
14.2.2
La reprsentation suivante du prix de la dette risque est le rsultat le plus intressant, qui justie e e e e le dveloppement de lapproche ` intensit. Il appara que le prix dune dette risque peut tre calcul e a e t e e e comme sil sagissait dun actif sans risque de dfaut ` condition dincorporer une prime de risque dans e a le facteur dactualisation. Pour aboutir ` un tel rsultat, il convient de formuler les deux hypoth`ses a e e suivantes : Il y a continuit de la valeur de march de la dette risque ` linstant de dfaut. Autrement dit, la e e e a e probabilit quun saut inattendu se produise ` linstant de dfaut est nulle. e a e Toute Fmartingale est une Gmartingale, ce qui peut tre formul de faon quivalente par la e e c e relation suivante : P ( u | Ft ) = P ( u | F ) 0 < u t Ainsi, si le dfaut sest produit avant la date t, lvolution des prix sur le march apr`s cette date e e e e ne senrichira pas dinformation nouvelle ` ce sujet. a Compte tenu de ces deux hypoth`ses, la valeur Vt de la dette ` la date t peut scrit : e a e Vt = 1{t< } Bt EP o` Bt = exp u
t 0 T t
1 1 Bu Zu u du + BT X | Ft
(14.10)
(ru + u ) du .
Notons que le conditionnement nest plus eectu par rapport ` la ltration G : seule linformation e a de march F est prise en compte. On sest donc ramen au cadre classique o` la ltration considre est e e u ee la ltration brownienne des prix. Ceci permet dintgrer les mod`les ` intensit dans une thorie plus e e a e e gnrale (les mod`les drivs de la thorie de Black et Scholes ou bien encore les dirents mod`les de e e e e e e e e taux sont toujours spcis en considrant la ltration des prix). e e e
Le processus de dfaut (Ht ) associ ` linstant de dfaut correspond ` un simple saut poissonien e ea e a entre deux tats. Autrement dit, lintensit de dfaut est suppose constante au cours du temps3 . e e e e Le processus du taux sans risque est suppos indpendant du processus de dfaut. Il sagit ici dune e e e hypoth`se simplicatrice et peu raliste, que lon retrouve dans la plupart des mod`les ` intensit. e e e a e
peut dpendre du niveau de priorit de lobligation risque au sein de lensemble de la dette mise par lentreprise. e e e e que Jarrow, Lando et Turnbull [1997] proposent une extension de ce mod`le dans laquelle le processus de e dfaut est associ ` une cha de Markov dont les dirents tats sont les classes de rating des agences de notation. A e e a ne e e chaque classe de rating correspond alors une intensit de dfaut. Une telle modlisation permet de faire voluer la valeur e e e e de la dette risque en fonction de la note qui lui est associe. e e
3 Notons 2
166
Compte tenu de ces quatre hypoth`ses supplmentaires, lquation (14.10) devient e e e Vt = 1{t< } p (t, T ) 1 e(T t) + e(T t) o` p (t, T ) = EP u
Bt BT
(14.11)
Cette derni`re formule est tr`s intuitive : le prix dun zro-coupon risqu est gal au prix du zro-coupon e e e e e e sans risque multipli par lesprance du payo ` la maturit sous la probabilit risque-neutre. e e a e e Nous allons maintenant utiliser cette formule pour calculer le spread de taux entre le zro-coupon e sans risque et la dette risque. Notons F (t, T ) = T log Vt le taux forward dun zro-coupon risqu e e e et f (t, T ) le taux forward dun zro-coupon sans risque. En utilisant lquation (14.11), on obtient la e e relation suivante : F (t, T ) = f (t, T ) + (1 ) e(T t) 1 e(T t) + e(T t) (14.12)
En faisant tendre T vers t, on obtient la relation liant le taux spot risqu R au processus de taux sans e risque r : R (t) = r (t) + (1 ) (14.13)
Ce rsultat intressant montre que le spread de taux observ sur les marchs est d au risque de crdit. e e e e u e En outre, il appara que ce spread dpend tout autant du processus de dfaut que du processus de t e e recouvrement. On retrouve ici un rsultat analogue ` celui obtenu par Due et Singleton de faon plus e a c gnrale (cf. articles [1] et [3]). e e
Bibliographie
[1] Duffie, D. et K. Singleton [1997], An econometric model of the term structure of interest rate swap yields, Journal of Finance, 52, 1287-1321 [2] Duffie, D., M. Schroder et C. Skiadas [1996], Recursive valuation of defaultable securities and the timing of resolution of uncertainty, Annals of Applied Prbability, 6, 1075-1090 [3] Duffie, D. et K. Singleton [1999], Modeling term structures of defaultable bonds, Review of Financial Studies, 12-4, 687-720 [4] Jarrow], R., D. Lando et S. Turnbull [1997], A markov model for the term structure of credit risk spreads, Review of Financial Studies, 10-2, 481-523 [5] Jeanblanc, M. et M. Rutkowski [1999], Modelling of default risk : an overview, Working Paper
Cinqui`me partie e
Le risque oprationnel e
169
15
La rglementation prudentielle e
Les documents consultatifs du Comit de Ble ouvrent la voie ` une prise en compte explicite des e a a risques oprationnels dans le calcul des fonds propres rglementaires bancaires, ` linstar de ce qui existe e e a dj` sur les risques de crdit et de march. Toutefois, sur le plan mthodologique, la mesure du risque ea e e e oprationnel na pas encore la maturit quon constate sur les autres risques. En eet, sur ces derniers e e risque de crdit et risque de march les banques ont consacr des ressources importantes et ont ainsi e e e abouti ` des mod`les de type Value-At-Risk qui, mme sils sont loin dtre parfaits, ont atteint un degr a e e e e de sophistication et de robustesse remarquable. Ce manque de maturit intellectuelle sur les risques oprationnels nest videmment pas appel ` durer : e e e ea ce risque fera lobjet dans un avenir proche dun traitement analogue aux autres, fond sur la construction e dun mod`le interne et lvaluation dun capital conomique plus prcis quun calcul forfaitaire. Cette e e e e volution est dans le sens de lhistoire rglementaire. Elle rsultera aussi dune volont des banques de e e e e piloter en interne la cration de valeur (Value-based management) et, en loccurrence, de rduire au e e minimum les destructions de valeur dues ` des dfauts de procdure ou ` un manque de best practices a e e a que rv`le la matrialisation des risques oprationnels. Raliser ce pilotage imposera tt ou tard de e e e e e o disposer de mesures des risques oprationnels fondes sur des calculs autres que des calculs forfaitaires. e e Il convient de nuancer tr`s fortement les rexions prcdentes. Lors de la sortie du document consultatif e e e e du 16 janvier 2001, il semblait queectivement les banques taient largement plus avances sur la e e modlisation du risque de crdit que sur celle du risque oprationnel. La mise en place de Groupes e e e de Travail (par exemple, WGOR Working Group on Operational Risk cr par lInstitute ee International Finance) a montr que certaines banques (mais le nombre est relativement faible) sont e tout ` fait capables de mesurer le risque oprationnel avec un mod`le interne. Il est devenu a e e vident aussi que le risque de crdit est beaucoup plus dicile ` modliser que le risque e e a e oprationnel. Au mois de septembre 2001, la situation est donc la suivante : e le Comit de Ble autorise lutilisation dun mod`le interne LDA pour mesurer les risques oprationnels ; e a e e pour linstant, seulement une dizaine ( ?) de banques au monde sont capables de mettre en place la mthode LDA ; e il nest pas sr que ce nombre soit beaucoup plus important en 2005, lors de limplmentation de u e lAccord.
de procdures ou de personnes, de personnes ou de syst`mes ou rsultant dvnements extrieurs ( the e e e e e e risk of direct or indirect loss resulting from inadequate or failed internal processes, people and systems or from external events ). Cette dnition a t critique, car il est relativement dicile de calculer certaines e ee e pertes indirectes. Le 28 septembre 2001, le Comit de Ble a donc propos une seconde dnition : e a e e Les risques oprationnels se dnissent comme le risque de pertes dues ` une inadquation e e a e ou ` une dfaillance des procdures, personnels, syst`mes internes ou ` des vnements a e e e a e e extrieurs (Thoraval [2001]). e Il est ncessaire de prciser les types de perte que comprend cette dnition. Dans le document [1], le e e e Comit de Ble avait retenu 6 types de pertes : e a 1. Write-Downs : direct reduction in value of assets due to theft, fraud, unauthorised activity or market and credit losses arising as a result of operational events . 2. Loss of Recourse : payments or disbursements made to incorrect parties and not recovered . 3. Restitution : payments to clients of principal and/or interest by way of restitution, or the cost of any other form of compensation paid to clients . 4. Legal Liability : judgements, settlements and other legal costs . nes, or the direct cost of any other 5. Regulatory and Compliance (incl. Taxation Penalties) : penalties, such as license revocations .
6. Loss of or Damage to Assets : direct reduction in value of physical assets, including certicates, due to some kind of accident (e.g. neglect, accident, re, earthquake) . Cette classication est relativement loigne de celles qui avaient t mises en place par lindustrie bane e ee caire. Par exemple, la base de donnes Operational Risk Losses Database de la BBA (British Bankers e Association) considre 4 types de perte : e 1. People 2. Process 3. Systems 4. External Finalement, le Comit de Ble a adopt une nouvelle classication le 28 septembre 2001 : e a e 1. Internal Fraud : losses due to acts of a type intended to defraud, misappropriate property or circumvent regulations, the law or company policy, excluding diversity/discrimination events, which involves at least one internal party . 2. External Fraud : losses due to acts of a type intended to defraud, misappropriate property or circumvent the law, by a third party . 3. Employment Practices & Workplace Safety : losses arising from acts inconsistent with employment, health or safety laws or agreements, from payment of personal injury claims, or from diversity/discrimination events . 4. Clients, Products & Business Practices : losses arising from an unintentional or negligent failure to meet a professional obligation to specic clients (including duciary and suitability requirements), or from the nature or design of a product . 5. Damage to Physical Assets : losses arising from loss or damage to physical assets from natural disaster or other events . 6. Business Disruption & System Failures : losses arising from disruption of business or system failures . 7. Execution, Delivery & Process Management : losses from failed transaction processing or process management, from relations with trade counterparties and vendors . Nous remarquons donc que les risques stratgiques et rputationnels sont exclus du prim`tre des risques e e e e oprationnels. e INTRODUCTION A LA GESTION DES RISQUES 172
Le Comit de Ble considre un dcoupage matriciel de la banque. Celle-ci est donc divise en direntes e a e e e e activits : e Business Units Investment Banking Banking Business Lines Corporate Finance Trading & Sales Retail Banking Commercial Banking Payment & Settlement Agency Services & Custody Asset Management Retail Brokage
Others
Toutefois, les typologies exactes des types de risque et des lignes de mtier restent nanmoins imprcises. e e e Mme si le document consultatif donne beaucoup de prcisions, la banque doit faire un travail de mapping e e important. En outre, lexistence dun double-comptage nest pas exclu. En eet, le capital rglementaire e allou au risque de crdit ou de march est dj` cens couvrir une part du risque oprationnel. Il y a donc e e e ea e e un risque dallouer deux fois du capital pour le mme risque. e
15.2.1
Cest une mthode forfaitaire o` le calcul du capital se fait ` partir dun indicateur dexposition EI. Le e u a capital conomique associ au risque oprationnel est donc reli aux rsultats (par exemple, le PNB ou le e e e e e revenu) mais pas au risque oprationnel rel ni ` la qualit intrins`que de la banque en terme de ma e e a e e trise de ces risques (qualit de laudit interne par exemple). Ceci pose videmment probl`me en pnalisant les e e e e banques protables dune part, et en nincitant pas ` la ma a trise des risques dautre part. Le Comit de Ble propose de retenir le PNB Gross Income GI comme proxy. Les fonds propres e a FP se calcule alors tr`s facilement ` partir de la formule e a FP = GI (15.1)
o` est un coecient x par les autorits rglementaires. Dans le document [1], un premier calcul u e e e du Comit de Ble donnait gal ` 30%. Dapr`s les rsultats de QIS2, est en fait proche de 20%. e a e a e e Notons que lapproche BIA sera calibrer an dobtenir une charge en capital pour la Banque Mondiale Moyenne gale ` 20% de la charge totale en capital. Pour cette approche, aucun crit`re dligibilt nest e a e e e exig. e 15.2. LES APPROCHES FORFAITAIRES 173
15.2.2
Cest un prolongement plus n de lapproche prcdente en dclinant ce type de calcul par type dactie e e vit. Selon lactivit, lindicateur retenu ne serait pas le mme. Ainsi, par exemple en gestion dactifs, le e e e capital conomique pourrait tre calcul sur la base du montant des fonds en gestion (voir document [1]). e e e Nanmoins, le document du 28 septembre 2001 utilise le PNB comme indicateurs des 8 lignes de mtiers. e e Dans cette approche, les fonds propres de la banque pour le risque oprationnel sont gaux ` la somme e e a des fonds propres de chaque ligne de mtier. Nous avons e FP =
i
FP (i) =
i
(i) FI (i)
(15.2)
avec FI lindicateur nancier de la ligne de mtier i. e Si lindicateur nancier est le PNB, les rsultats de QIS2 sont les suivants : e Ligne de mtier e Financement dentreprises Ngociation et vente e Banque de dtail e Banque commerciale Paiements et rglements e Services dagence Gestion dactifs Courtage de dtail e (i) mdian e 0.131 0.171 0.125 0.132 0.208 0.174 0.133 0.113 (i) moyen 0.236 0.241 0.127 0.169 0.203 0.232 0.185 0.149
Dans cette approche, le Comit de Ble indique que lobjectif de charge de capital est de 12% (et non e a de 20%). Les banques sont donc incites ` choisir cette mthode plutt que celle de lindicateur basique. e a e o Nanmoins, il y a des crit`res dligibilit concernant la qualit du syst`me de gestion du risque et le suivi e e e e e e des donnes de perte : e Eective risk management and control The bank must have a well-documented, independent operational risk management and control process, which includes rm-level policies and procedures concerning operational risk and strategies for mitigating operational risk. The board of directors and senior management must be actively involved in the oversight of the operational risk management process. There must be regular reporting of relevant operational risk data to business unit management, senior management and the board of directors. Internal auditors must regularly review the operational risk management processes. This review should include both the activities of the business units and the operational risk management and control process. Measurement and validation The bank must have both appropriate risk reporting systems to generate data used in the calculation of a capital charge and the ability to construct management reporting based on the results. The bank must begin to systematically track relevant operational risk data, including internal loss data, by business line. The bank must develop specic, documented criteria for mapping current business lines and activities into the standardised framework. The criteria must be reviewed and adjusted for new or changing business activities and risks as appropriate .
15.3 Annexe : composition du Risk Management Group (RMG) of the Basel Committee on Banking Supervision
Chairman : Roger Cole Federal Reserve Board, Washington, D.C. INTRODUCTION A LA GESTION DES RISQUES 174
Banque Nationale de Belgique, Brussels : Dominique Gressens Commission Bancaire et Financi`re, Brussels : Jos Meuleman e Oce of the Superintendent of Financial Institutions, Ottawa : Je Miller Commission Bancaire, Paris Laurent Le Moul e Deutsche Bundesbank, Frankfurt am Main : Magdalene Heid et Karin Sagner Bundesaufsichtsamt fr das Kreditwesen, Bonn : Jrgen Dreymann u u Banca dItalia, Rome : Claudio Dauria et Sergio Sorrentino Bank of Japan, Tokyo : Eiji Harada Financial Services Agency, Tokyo : Hirokazu Matsushima Commission de Surveillance du Secteur Financier, Luxembourg : Davy Reinard De Nederlandsche Bank, Amsterdam : Klaas Knot Banco de Espaa, Madrid : Juan Serrano n Finansinspektionen, Stockholm : Jan Hedquist Sveriges Riksbank, Stockholm : Camilla Ferenius Eidgenssiche Bankenkommission, Bern : Daniel Sigrist et Martin Sprenger o Financial Services Authority, London : Helmut Bauer et Victor Dowd Bank of England, London : Alison Emblow Federal Deposit Insurance Corporation, Washington, D.C. : Mark Schmidt Federal Reserve Bank of New York : Beverly Hirtle et Stefan Walter Federal Reserve Board, Washington, D.C. : Kirk Odegard Oce of the Comptroller of the Currency, Washington, D.C. : Kevin Bailey et Tanya Smith European Central Bank, Frankfurt am Main : Panagiotis Strouzas European Commission, Brussels : Michel Martino et Melania Savino Secretariat of the Basel Committee on Banking Supervision, Bank for International Settlements : Ralph Nash
Bibliographie
[1] Basel Committee on Banking Supervision, Operational Risk Consultative Document, Supporting document to the New Basel Capital Accord, January 2001 [2] Basel Committee on Banking Supervision, Working Paper on the Regulatory Treatment of Operational Risk, september 2001 [3] Institute International Finance, Inc, Letter to Mr. Roger Cole, March 1, 2001 [4] Ceske, R. et J.V. Hernandez [1999], Where theory meets practice, Risk Magazine (Operational Risk Report), 12, November, 17-20 [5] Ceske, R., J.V. Hernandez et L.M. Sanchez [2000], Quantifying event risk : the next convergence, The Journal of Risk Finance, 1(3), 9-23 [6] Lasry, J-M. [2001], Le calcul des fonds propres en face du risque oprationnel, Club Banque, e Fdration des Banques Franaises, 1er mars 2001 e e c
16
Les mthodes AMA e
Dans le document consultatif du 16 janvier 2001, le Comit de Ble proposait une troisi`me mthode e a e e appele Internal Measurement Approach (IMA). Depuis le Comit de Ble a modi sa position e e a e et propose de remplacer IMA par un spectre de mthodes dites internes. En fait, cette dcision a t e e ee prise suite aux recommandations (et aux pressions) de lorganisation professionnelle IIF (Institute of International Finance). Pour pouvoir utiliser une mthode AMA, la banque devra satisfaire de nombreux crit`res (voir lannexe e e 1 du document [2]). Notons aussi que la charge en capital calcule avec une mthode AMA ne peut tre e e e infrieure ` celle donne par la mthode SA de plus de 25% : e a e e FPAMA 3 FPSA 4
Cest la notion du Floor. Enn, les assurances ne seront prises en compte que pour la mthode LDA e uniquement.
o` EL est la perte espre, le facteur dchelle et RPI lindice de prol de risque. Cette charge en capital u ee e est calcule pour chaque business line et chaque type de risque : e
business line Type de risque
1 2 . . . i . . . Total
1 UL (1, 1) UL (2, 1)
2 UL (1, 2) UL (2, 2)
UL (i, j) UL (, 1) UL (, 2)
Pour une business line i et un type de risque j, nous avons UL (i, j) = EL (i, j) (i, j) RPI (i, j) (16.2)
La charge en capital au titre du risque oprationnel est calcule en faisant la somme des direntes charges e e e en capital UL (i, j). Nous dtaillons maintenant les direntes composantes de UL (i, j) : e e EL (i, j) est la perte espre. Dans le document [1], le Comit de Ble propose quelle soit calcule ee e a e a ` partir de la formule suivante : EL (i, j) = EI (i, j) PE (i, j) LGE (i, j) Dtaillons ces dirents param`tres : e e e EI (i, j) est lindicateur dexposition. PE (i, j) est la probabilit doccurence dune perte unitaire. e LGE (i, j) est le montant de la perte unitaire. (i, j) est le facteur dchelle. La valeur de celui-ci est dtermine par les autorits rglementaires. e e e e e Cest dailleurs le seul coecient qui nest pas propre ` ltablissement nancier. a e RPI (i, j) est lindice de prol de risque. Pour linstant, le Comit de Ble na propos aucune e a e formule pour le calculer. Le but de cet indice est de prendre en compte les proprits leptokurtiques ee de la distribution relle des pertes de la banque. Il permet de convertir le facteur dchelle exog`ne e e e en un facteur dchelle propre ` la business line et au type de risque de la banque. Nous avons e a UL (i, j) = = EL (i, j) EL (i, j) (i, j)
Facteur dchelle rglementaire e e
(16.3)
(i, j)
Facteur dchelle interne e
Il apparait clairement que (i, j) reprsente la valeur du benchmark, cest-`-dire la valeur pour la e a Banque Mondiale Moyenne (le comit de Ble emploie le terme de scaling factor based on the e a industry wide loss distribution) et RPI (i, j) sert ` prendre en compte les caractristiques de la a e banque par rapport ` la Banque Mondiale Moyenne. a Nous remarquons que ces param`tres (EI, PE, LGE, , RPI) sont dirents pour chaque business line e e et chaque type de risque. Dautres choix pourraient tre possibles. Par exemple, e UL (i, j) = EI (i, j) PE (i, j) LGE (j) (j) RPI (i, j) (16.5)
Dans ce cas, les param`tres LGE et dpendent uniquement du type de risque oprationnel. Dans le e e e document [3], il ressort quen gnral les membres du Groupe de Travail sur le Risque Oprationnel e e e (WGOR) ont du mal ` distinguer lindicateur dexposition en fonction du type de risque. Dans ce cas, a nous avons UL (i, j) = EI (i) PE (i, j) LGE (i, j) (i, j) RPI (i, j) (16.6)
Cela veut dire que lindicateur dexposition est propre ` la business line, et ne dpend pas du type de a e risque. Pour conclure, nous faisons deux remarques : 1. Dans le document [2], le Comit de Ble retient un dcoupage de la banque en 8 business lines. Avec e a e 7 types de risque, nous obtenons donc un dcoupage matriciel de 56 cellules. Ce qui veut e dire aussi plus de 250 param`tres pour calculer la charge en capital. On peut penser e que des probl`mes de robustesse vont se poser. En particulier, on voit mal comment e les autorits rglementaires vont tre capables de calculer les 56 param`tres de facteur e e e e dchelle. e INTRODUCTION A LA GESTION DES RISQUES 178
2. Dans la pratique, le double indiage sera dicile ` mettre en place, par manque de donnes. Des c a e approximations seront donc faites du type LGE (i, j) = LGE (j) quelque que soit la business line
On le voit dailleurs avec ltude WGOR sur les indicateurs dexposition qui sont presque toujours e les mmes. On risque nalement daboutir ` lutilisation de tr`s peu dindicateurs (moins dune e a e dizaine). Il nous semble que la mthode IMA devrait tre simplie : e e e en rduisant le double indiage ; e c en rduisant le nombre de variables ; Par exemple, pourquoi ne pas adopter une dnition plus e e naturelle de la perte espre ` partir du nombre de pertes NE : ee a EL (i, j) = NE (i, j) LGE (i, j) (16.7)
16.2.1
Lide gnrale est de modliser la perte lie au risque oprationnel pour une priode donne (par e e e e e e e e exemple, un an) et den dduire la valeur en risque. La dicult provient du fait que cette perte ne e e correspond pas forcment ` une seule occurence. Pendant une anne, la perte totale est en fait le rsultat e a e e de plusieurs pertes successives. La perte totale est donc une perte agrge (aggregate loss distribution). e e Celle-ci se dnit par e 1. le nombre de pertes individuelles, 2. et le montant de chaque pertes individuelles. Dans le cadre dun mod`le probabiliste, le nombre de pertes est alatoire. A priori, nous ne savons e e pas combien de fraudes carte bleue vont avoir lieu pour lanne 2002. Nous allons donc modliser ce e e nombre de pertes par un processus de comptage, et la distribution de ce nombre de pertes est appele e la distribution de la frquence des pertes (loss frequency distribution). Nous supposons alors que les e pertes individuelles sont indpendantes et identiquement distribues. La distribution du montant dune e e perte individuelle est appele la distribution de la svrit des pertes (loss severity distribution). Dans e e e e ce cas l`, la perte agrge est la somme alatoire des pertes individuelles. La distribution de la perte a e e e agrge est donc une distribution compose (compound distribution). e e e La formulation mathmatique est donc la suivante. Nous considrons direntes lignes de mtier (i = e e e e 1, . . . , I) et dirents types de risque (j = 1, . . . , J). (i, j) est la variable alatoire reprsentant le e e e montant dune perte pour la ligne de mtier i et le type de risque j. La distribution de la svrit des e e e e pertes est note Fi,j . Nous supposons que le nombre doccurences entre les dates t et t+ est alatoire. La e e variable alatoire de comptage N (i, j) a une fonction de probabilit pi,j . La distribution de la frquences e e e n des pertes Pi,j correspond alors ` Pi,j (n) = k=0 pi,j (k). La perte pour la ligne de mtier i et le type a e N (i,j) de risque j entre les dates t et t + est donc (i, j) = n=0 n (i, j). Soit Gi,j la distribution de probabilit de (i, j). Gi,j est la distribution compose suivante : e e pi,j (n) Fn (x) x>0 i,j Gi,j (x) = (16.8) n=1 p (0) x=0
i,j
Le graphique (16.1) prsente un exemple de calcul de la distribution de la perte agrge. Dans de nome e e breux cas, il nest pas possible dobtenir une formulation analytique de Gi,j . Dans ce cas, nous pouvons 16.2. LAPPROCHE LDA 179
GRAPHIQUE 16.1. Distribution agrge avec (i, j) LN (8, 2.2) et N (i, j) P (50) e e
approximer cette distribution en utilisant la mthode de Monte Carlo ou dautres mthodes (la plus e e cl`bre est lalgorithme de Panjer). ee La charge en capital pour la ligne de mtier i et le type de risque j correspond alors au quantile de e Gi,j : CaR (i, j; ) = G1 () = inf {x | Gi,j (x) } i,j (16.9)
La charge en capital pour la banque est alors la somme de toutes les charges en capital CaR (i, j; ) :
I J
CaR () =
i=1 j=1
CaR (i, j; )
(16.10)
Cela implique une dpendance positive parfaite des direntes pertes (i, j). En janvier 2001, le Comit e e e de Ble suggrait gal ` 99.9%. Maintenant, est x ` 99%. a e e a ea
16.2.2
Certaines banques ont lintention de fonder leur mod`le interne sur la thorie des extrmes et non e e e sur lapproche LDA. Suite ` lattaque terroriste sur le World Trade Center, il semblerait (tout cela est a a ` prendre au conditionnel) que Roger Cole soit de plus en plus favorable ` la thorie des extrmes. Je a e e pense que cest une mauvaise vision des choses pour direntes raisons : e La thorie des extrmes est mathmatiquement sduisante. En pratique, elle ncessite une expertise e e e e e importante et un certain recul pour lui faire dire quelque chose. Lobstacle majeur ` la mise en place dune mthode base sur la thorie des extrmes est la dispoa e e e e nibilit de donnes. e e Enn, je crois quil y a confusion entre thorie des extrmes et modlisation des queues paisses. e e e e Dans le document [8], nous prsentons dirents lments pour bien implmenter la mthode LDA. Le e e ee e e calcul des charges en capital par la mthode LDA doit se faire en concertation avec le risk manager et son e INTRODUCTION A LA GESTION DES RISQUES 180
quipe. Il est ncessaire de comprendre les chires, de les interprter et de les comparer. Le statisticien e e e apporte une aide technique, et doit proposer des outils pour aider le risk manager ` juger la pertinence a des rsultats. Prenons un exemple. Nous pouvons calculer la fonction de survie du maximum de N pertes e de loi de probabilit Gi,j . Nous avons e pmax := Pr {max (1 (i, j) , . . . , N (i, j)) x} = 1 [Gi,j (x)]
N
(16.11)
Cette probabilit a une interprtation tr`s intuitive. Supposons que N pertes surviennent. pmax est la e e e probabilit que la perte maximale soit suprieure au montant x. Le Risk Management a des ides (ou des e e e benchmarks internes et externes) sur la perte maximale ` un an, deux ans, etc. Il peut donc confronter a ces propres croyances avec les rsultats donns par le mod`le. Supposons que 100 pertes surviennent e e e en moyenne par an. Supposons aussi que la distribution de la svrit est une distribution log-normale e e e LN (, ). Une premi`re estimation ` partir des donnes historiques donne = 10 et = 2, 50. Sur la e a e table 16.1, nous avons report les valeurs correspondantes de pmax pour direntes valeurs de N et x. e e Par exemple, la probabilit que nous observons une perte maximale sur 5 ans suprieure ` 100 millions e e a est de 17, 2%. Si lestimation a t faite avec un historique de 5 ans, et que nous observons dans la base ee de donnes plusieurs pertes suprieures ` 100 millions, nous pouvons penser que cette distribution souse e a estime largement les pertes exceptionnelles. Si = 10 et = 2, 50, nous obtenons la table 16.2. Dans ce cas, la probabilit est gale ` 42,2%. Cest ce genre doutils que le statisticien doit fournir au risk e e a manager, car une mesure de risque ne veut rien dire en elle-mme, cest sa comprhension e e et son interprtation qui comptent. e
La derni`re proposition de lI.I.F. est de dnir lindice de prol de risque par e e RPI = EIIndustry PEIndustry EIBank PEBank
1 2
On peut justier cette formulation en utilisant une approximation du quantile de la distribution compose (Frachot, Georges et Roncalli [2001]). e
CaR =
i=1 j=1
(16.12)
avec EI lindicateur dexposition (Exposure Indicator), RS le score de risque (Risk Score) et le facteur dchelle. e
Bibliographie
[1] Basel Committee on Banking Supervision, Operational Risk Consultative Document, Supporting document to the New Basel Capital Accord, January 2001
1 Dans la formule originale, cest la racine care de lindicateur dexposition et non directement lindicateur dexposition e qui est utilise. A lpoque, lIIF travaillait sur la nature non-linaire du risque oprationnel. Mais le Comit de Ble na e e e e e a pas suivi les recommandations de lIIF sur ce sujet pour linstant.
182
[2] Basel Committee on Banking Supervision, Working Paper on the Regulatory Treatment of Operational Risk, september 2001 [3] Institute International Finance, Inc, Letter to Mr. Roger Cole, March 1, 2001 [4] Institute International Finance, Inc, Report of the Working Group on Operational Risk, June 4 & 5, 2001 (Washington, D.C.) [5] I.I.F. Taskforce on technical I.M.A. issues, March 2001 [6] Sakura Bank Ltd, Derivation of the IMA formula RPI calculation, February 2001 [7] Mori, T. et E. Harada [2001], Internal Measurement Approach to operational risk capital charge, Bank of Japan, Discussion Paper [8] Frachot, A., P. Georges et T. Roncalli [2001], Loss Distribution Approach for operational risk, Groupe de Recherche Oprationnelle, Crdit Lyonnais, Working Paper e e [9] Klugman, S.A., H.H. Panjer et G.E. Willmot [1998], Loss Models : From Data to Decisions, Wiley Series in Probability and Mathematical Statistics, John Wiley & Sons, New York [10] Thoraval, P-Y. [2001], Le risque oprationnel, Club Banque, Fdration des Banques Franaises, e e e c 27 septembre 2001
Conclusion gnrale e e
Le but de ce cours est dintroduire les principales notions de gestion des risques. Pour cela, il me semble que la rglementation est le meilleur support possible pour dvelopper les ides essentielles. Ble II occupe e e e a donc une place importante. Nanmoins, les mthodologies ne sont pas ges. Il est donc important de e e e suivre les dveloppements rcents dans dirents domaines, par exemple : e e e le risque optionnel, le risque de mod`le, e le risque de taux dans le bilan, la modlisation du risque de crdit, e e et le backtesting dans le risque oprationnel. e Enn, jai tr`s peu abord un probl`me qui est fondamental dans la gestion des risques : celui de la e e e dpendance stochastique. Ce probl`me fera lobjet du cours Gestion des risques multiples. e e