conomtrie des Marchs Financiers VaR Valeurs Extrmes

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

How much can we lose?

Everything
correct, but useless answer.

How much can we lose realistically?

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 0.8 0.6 0.4 0.2

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,

under normal market conditions.

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)

Semi Variance Perte Maximale Historique (Drawdown)

CDAR: quivalent du CVaR pour le drawdown.

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

Trs utilis, car

rend bien compte de la notion de risque, y compris et surtout extrmes facile comprendre devient rglementaire :

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,

Modlisations/Estimation non paramtriques

estimation des exposants de queues Approximations (Cornish Fisher): mieux que la VaR normale, mais pb de validit de l'approximation Thorie des valeurs extrmes (Frechet, Gumbel, Weibull, Pareto Gnralis, )
Daniel HERLEMONT

10

Page 5
5

Exemple Intraday Future CAC40: estimation des queues de distribution

Histogramme des incrments de 1 heure sur 500 jours de cotations Gaussienne sigma=18.5

pic au centre

+ = Distribution leptokurtique

queues paisses

Var 1 heure Normale Historique hist/normal

Remarques:

90% 23.7 21.0 0.9

95% 30.5 29.5 1.0

99% 43.1 53.0 1.2

99.90% 57.2 98.0 1.7

99.99% 68.5 129.0 1.9 divergence

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

VaR dans l'approximation gausienne

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

Exemple: VaR contrat CAC40 Future

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

Approximation de Cornish Fisher

VaR Historique = quantile chantillon

Daniel HERLEMONT

13

Exposant de queue de distribution

On s'intresse ici aux vnements rares: du type krach de 1987, qui se produit une fois tous les 40 ans ! Soit 1/10 000 jours Exemple : estimer la VaR pour des vnements qui se produisent avec une probabilit de l'ordre de 1/10000

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

Pour une distribution queue paisse: Fonction Quantile :

F ( x ) = x l ( x )

Q(1 p) = p l (1 / p)

log Q(1 p) = log( p) + log l (1 / p)

statistiques ordonnes of X1, X2,,Xn :
X1 X 2 K X n

X n j+1 est un estimateur de la fonction quantile Q(1 j/(n+1))

Estimateur de Hill = Rgression

j droite de rgression log(X n j+1) vs. log n+1 de coef

Daniel HERLEMONT

15

Exposants de queue: lois connues

Loi normale exposant de queue =

Loi exponentielle: exposant de queue =

Daniel HERLEMONT

16

Page 8
8

Exposants de queue: lois connues (suite)

Loi de t-student: exposant de queue = degr de libert

x2 f ( x ) ~ 1 +

+1 2

t-student df=3

F ( x ) ~ ( 1) / 2 x

Cauchy exposant de queue = 1

Pareto:

F ( x ) = x
Daniel HERLEMONT

17

Exposant de queue CAC40 Journalier et Future Intraday

L'exposant de queue est de l'ordre de 3.5 en journalier

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

dpend de la priode en cours de journe

18

Page 9
9

Thorme des Valeurs Extrmes

Thorme des Valeurs Extrmes: l'quivalent du Thorme de la Limite Centrale pour les queues de distribution

Il existe , , tels que le (Mn- )/ converge vers

=0 Weibull >0 Frechet <0 Gumbel

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

Estimation GEV CAC40

gev(rcac,30) ... $par.ests xi sigma mu 0.201967371 0.007503988 0.021030319 $par.ses xi sigma mu 0.0790051941 0.0005529772 0.0007857595 ...

Donc un exposant de queue de l'ordre de 5

Daniel HERLEMONT

20

Page 10
10

Estimation GEV Intraday CAC40

chantillon: sur 500 jours, fin = 30/9/2003, de 10h00 17h30, n ticks > 8 millions incrments = 1 heure Estimation du modle GEV (Generalized Extreme Value)

incrments prix 0.23 15

35

Daniel HERLEMONT

21

Distribution de Pareto Gnralise -

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

Si n est le nombre total de l'chantillon et Nu le nombre de valeurs dpassant u ,alors

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

Estimation du seuil pour Pareto Gnralis

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

VaR exemple avec GPD

Normal

Pareto Historique Cornish Fisher

Daniel HERLEMONT

25

Backtesting

Verification of Risk Management models.

Comparison if the models forecast VaR with the actual outcome - P&L.

Exception occurs when actual loss exceeds VaR.

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

Probability of Multiple Exceptions

Each period the probability of exception is 1%, then after 250 business days the probability that there will be 0 exceptions is

250! 0.010 0.99 250 = 0.081 0!250!

General formula of binomial distribution is

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