Académique Documents
Professionnel Documents
Culture Documents
Daniel HERLEMONT
Risques
Risque de march :
Cest lexposition dun portefeuille due aux mouvements et aux changements des facteurs du march : taux dintrt, cours des actions, taux de change
Risque de crdit :
Exposition au risque quune contrepartie fasse dfaut ses engagements : payer la dette dun crancier, ou les coupons dune obligation mise, restructuration de la dette.
Risque de liquidit:
Cest le risque li la dtention dun actif peu liquide, ce qui ne permet plus de faire une couverture aux prix du march, et ncessite une dure beaucoup plus grande pour la liquidation des positions. Cest le cas particulirement pour le march des OTC.
Risque de modle :
Les pertes dues lutilisation dun modle erron, ou pas assez prcis pour le pricing, et la gestion du risque.
Risque Oprationnel:
Cela comprend un grand nombre de sources de risque, allant de la fraude au risque technologique, au risque li au changement de lgislature entre les diffrentes filires dune banque dans plusieurs pays. En raison de la diversit et la disparit de ces sources, le risque oprationnel est trs difficile quantifier.
Daniel HERLEMONT
Source: ENSAE
Page 1
1
Everything
correct, but useless answer.
Daniel HERLEMONT
Definition
VaR is defined as the predicted worst-case loss at a specific confidence level (e.g. 99%) over a certain period of time.
VaR is the worst loss over a target horizon with a given level of confidence (Jorion definition)
Daniel HERLEMONT
Page 2
2
VaR
1%
VaR1%
Profit/Loss
1 2 3
-3
-2
-1
Daniel HERLEMONT
Meaning of VaR
A portfolio manager has a daily VaR equal $1M at 99% confidence level. This means that there is only one chance in 100 that a daily loss bigger than $1M occurs,
VaR 1%
Daniel HERLEMONT
Page 3
3
Returns
year
1% of worst cases
Daniel HERLEMONT
Mesures du risque
Volatilit
ne prend pas suffisamment en compte les pertes relles le cas de queus paisses
Value at Risk: perte potentielle maximale pour une probabilit fixe sur une priode donne. Autres:
Value at Risk Conditionnelle (CVaR)
ESk =CVaRk+ =VaRk + E[ f (x, y )VaRk / f (x, y )>VaRk ]
plus pertinent: car tient compte des pertes en cas de dpassement de la VaR plus cohrent (avec l'otpimisation de Markowtiz dans le cas gaussien) plus facile calculer (programmation linaire)
Daniel HERLEMONT
Page 4
4
VaR
VaR = Value at Risk =perte potentielle maximale pour une probabilit fixe sur une priode donne.
Exemple si VaR(95%,10jours)=1 Million , la perte maximale sera infrieure 1 Million , avec une probabilit de 95% VaR = quantile
Ble (1995)
VaR 1 %, 10 jours, sur historique de 1 an au moins. Besoin en capital = Max [VaR(jour-1), 3*MA(VaR,6jours)] Mesure svre
Daniel HERLEMONT
Estimation de la VaR
L'estimation de la VaR est directement lie l'estimation des queues de distribution, vnements rares et valeurs extrmes Un double dfi :
manque de donnes: comment estimer des probabilits d'vnements qui ne sont que trs rarement observs ? dont on ne connat pas la loi de distribution
Mthodes:
VaR historique : quantile de l'chantillon
encore faut il avoir suffisamment de donnes .
Modlisations/Estimation paramtriques
VaR normale, pb: ne tient pas compte des queues paisses distributions queues paisses: t-student, exponentielle, hyperbolique,
10
Page 5
5
pic au centre
+ = Distribution leptokurtique
queues paisses
1. Le terme de VaR est employ de manire abusive s'agissant d'une simple estimation des queues de distribution 2 on travaille en incrments et points de base, et non pas en %, car plus adapt au trading sur futures.Finalement assez peu de diffrence entre incrments et incrments des log ( cette chelle de temps)
Daniel HERLEMONT
11
W= vaqleur du portefeuille mu = esprance rendement sigma= volatilit z_c = quantile gaussien centre rduite
> qnorm(0,05) [1] -Inf > qnorm(0.05) [1] -1.644854 > qnorm(0.01) [1] -2.326348 > qnorm(0.001) [1] -3.090232 > qnorm(0.0001) [1] -3.719016 >
Daniel HERLEMONT
12
Page 6
6
Etude de la VaR Intraday pour diffrents intervalles de temps de qqes secondes 8 heures.
VaR CAC40 Future sur 600 jours de cotations du 24/8/99 au 2/1/2002, entre 8h et 22h nombre de ticks=7 500 00
historicalVaR99(t) = 1,15 t 0,48 ln(historicalVAR99)=0,14 + 0,48*ln(seconds) R2=1,00 sigma(t) = 0,39 t 0,50 ln(sigma)=-0,95 + 0,50*ln(seconds) R2=1,00
Daniel HERLEMONT
13
Les queues de distribution se comportent comme une loi puissance: Plus est petit et plus la queue est paisse, est appel l'exposant de queue Les moments d'ordres k : E[xk]
ne sont dfinis que si k--1<-1, c'est a dire pour k < , les moments d'ordre k >= sont infinis: si < 4 la kurtosis est infinie si < 2 la variance est infinie si < 1 la moyenne est infinie
P(X>x)=1-F(x) ~ C x-
Daniel HERLEMONT
14
Page 7
7
Estimateur de Hill
F ( x ) = x l ( x )
Q(1 p) = p l (1 / p)
Daniel HERLEMONT
15
Daniel HERLEMONT
16
Page 8
8
x2 f ( x ) ~ 1 +
+1 2
t-student df=3
F ( x ) ~ ( 1) / 2 x
Pareto:
F ( x ) = x
Daniel HERLEMONT
17
hill(r,end=200)
Qu'il s'agisse d'intraday ou journalier l'exposant est peu prs le mme: de l'ordre de 3 A noter une grande imprcision sur les mesures de l'exposant: on ne peut pas esprer mieux qu'un chiffre significatif !
caractristique commune toutes les mthodes d'estimation
CAC40 Future intraday 2 ans (2002/2003) Estimateur de Hill ~ 3 6 =1/ ~ 0.15 0.3
Daniel HERLEMONT
18
Page 9
9
estimation par mthode de block maxima et maximum de vraisemblance suppose un historique important et chantillon iid
Les actifs financiers sont dans la classe de Frechet >0, avec entre 0.2 et 0.5, soit un exposant de queue entre 2 et 5
Daniel HERLEMONT
19
Daniel HERLEMONT
20
Page 10
10
35
Daniel HERLEMONT
21
GPD
On s'intresse la distribution des pertes au del d'un certain seuil u: Pour les distributions vrifiant le thorme des valeurs extrmes et pour un seuil u suffisamment grand, Il existe , tel que Fu converge vers la distribution de Pareto Gnralise
On peut aussi estimer l'esprance de la perte en cas de dpassement de la VaR (Expected Shortfall)
Daniel HERLEMONT
22
Page 11
11
GPD fit
chantillon: sur 500 jours, fin = 30/9/2003, de 10h00 17h30, n ticks > 8 millions incrments = 1 heure u=20, n=3388, Nu=303 = 0.144 0.06 = 11.7 1.
Excellent fit
Daniel HERLEMONT
23
Dtermination du seuil u: compromis entre un seuil lev et signification de l'estimation: Estimation du paramtre de forme () et Var en fonction du seuil montre une excellente stabilit du rsultat dans les zones -/-3 sigma ~ 1.5 VaR(99%,1h;GPD) ~ 50
Intervalle de confiance : il n'est pas possible d'obtenir de trs grandes prcisions pour le paramtre de forme (xi) L'intervalle de confiance dans l'estimation GPD est obtenu par la mthode de "Profile Likelihood"
Daniel HERLEMONT
24
Page 12
12
Normal
Daniel HERLEMONT
25
Backtesting
Comparison if the models forecast VaR with the actual outcome - P&L.
Daniel HERLEMONT
26
Page 13
13
Backtesting
Green zone - up to 4 exceptions Yellow zone - 5-9 exceptions Red zone - 10 exceptions or more
OK increasing k intervention
Daniel HERLEMONT
27
n! p x (1 p ) n x x!(n x)!
Daniel HERLEMONT
28
Page 14
14
Daniel HERLEMONT
29
Daniel HERLEMONT
30
Page 15
15
Daniel HERLEMONT
31
Page 16
16