Vous êtes sur la page 1sur 54

IV Méthodes de prévision Lissage Exponentiel

Une sorte de moyenne-mobile pondérée Idée : on cherche à lisser les variations observées dans les données en tenant compte de l’erreur de prévision de la période précédente. Quel poids doit-on attacher à l’observation précédente ? Le modèle suppose implicitement que pour prévoir les valeurs futures d’une variable, les observations récentes de cette variable contiennent plus d’information que les plus lointaines L’équation du modèle s’écrit : (1) St = α yt-1 + (1-α)St-1 où α est le paramètre de lissage avec 0≤α≤1 yt est la valeur courante réalisée de la variable St est la valeur courante lissée
t≥3

N. Galy, N. Nalpas et A . Vanhems – ESC Toulouse

82

IV Méthodes de prévision Lissage Exponentiel

Pourquoi qualifie-t-on cette méthode d’exponentiel : Ecrivons le modèle pour la période précédente St-1 = α yt-2 + (1-α)St-2 En renouvelant l’opération une nouvelle fois, on a : St-2 = α yt-3 + (1-α)St-3 En substituant (2) dans (1), on a : St = α yt-1 + (1-α)(α yt-2 + (1-α)St-2) = α yt-1 + (1-α)α yt-2 + (1-α)2 St-2 En substituant (3) dans (4): St = α yt-1 + (1-α)α yt-2 + (1-α)2 St-2 = α yt-1 + (1-α)α yt-2 + (1-α)2(α yt-3 + (1-α)St-3) = α yt-1 + (1-α)α yt-2 + (1-α)2α yt-3 + (1-α)3 St-3

(2) (3)

(4)

N. Galy, N. Nalpas et A . Vanhems – ESC Toulouse

83

IV Méthodes de prévision Lissage Exponentiel

Après T substitutions de ce type on obtient :

⎛ t −2 ⎞ i −1 t −2 St = ⎜ ∑ α (1 − α ) yt −i ⎟ + (1 − α ) S 2 ⎝ i =1 ⎠

pour t ≥ 2

puisque α≥0, l’effet de chaque observation décroît au fur et à mesure que l’on avance dans le temps. Intéressons
t −1

nous
i −1

aux

poids

affectés

aux

observations

de

la

série

y

:

∑ α (1 − α )
i =0 t →∞

⇒ lim 1 − (1 − α ) = 1
t

(

⎛ 1 − (1 − α )t ⎞ ⎟ = 1 − (1 − α )t = α⎜ ⎜ 1 − (1 − α ) ⎟ ⎝ ⎠

)

=> les poids décroissent au cours du temps (décroissance géométrique) et somment à l’unité (si le nombre d’observation croît)
N. Galy, N. Nalpas et A . Vanhems – ESC Toulouse 84

IV Méthodes de prévision Lissage Exponentiel

f t +1 = E (St +1 Ω t ) = E (S t + α ( yt − St ) Ω t ) = St + α ( yt − S t )
=> En d’autres termes, la (nouvelle) prévision correspond à la précédente auquel on ajoute un facteur d’ajustement qui tient compte de l’erreur commise à la période précédente. Problématique liée à cette méthode : le choix du paramètre de lissage (alpha) : On cherche le alpha dans l’échantillon qui minimise le MAE (utilisation du solver) La valeur d’amorce de la série lissée (S2) : S2=y1 ou S2= moyenne des 4 ou 5 premières observations : le choix final sera celui qui minimise le MAE

Les prévisions sont alors générés par la relation suivante :

N. Galy, N. Nalpas et A . Vanhems – ESC Toulouse

85

IV Méthodes de prévision Lissage Exponentiel

Forces et faiblesses de la méthode : Ne marche pas très bien normalement sur séries financières car Peu de structure à lisser Cette méthode ne permet pas de corriger la saisonnalité (existe une méthode (hors cours) qui le permet en gardant les propriétés du modèle (Méthode de Winter) Les prévisions ne convergent pas vers la moyenne de long-terme (Propriétés de retour vers la moyenne …) Ne permet pas de capter les tendances (existe une méthode alternative qui le permet : la méthode de Holt Les avantages : Très simple et rapide à utiliser Très facile de réinitialiser le modèle si une nouvelle observation devient disponible

N. Galy, N. Nalpas et A . Vanhems – ESC Toulouse

86

φ) peuvent être estimés par les MCO La prévision est simple à obtenir : il suffit d’écrire le modèle pour la période suivante : yt+1 = µ + φ 1yt + ut+1 => f t +1 = E ( yt +1 Ω t ) = E (µ + φ1 yt + ut +1 Ω t ) = µ + φ1 yt ⇒ f t + 2 = E ( yt + 2 Ω t ) = E (µ + φ1 yt +1 + ut + 2 Ω t ) = µ + φ1 f t +1 N.q) ou appelés autorégressifs (d’ordre p) à moyennes mobiles (d’ordre q).q) : AR(1) Le modèle AR(1) appartient à une classe très importante de modèles statistiques particulièrement utiles pour modéliser et effectuer des prévisions de séries financières : les modèles ARMA(p. On peut éviter de conduire le test si on vérifie que la fonction d’autocovariance décroît rapidement vers 0. soit l’AR(1) : modèle autorégressif d’ordre 1. Vanhems – ESC Toulouse 87 . Ici nous développons quelques aspects du modèle le plus important de la classe. Ecriture du modèle : yt = µ + φ1yt-1 + ut où ut est un terme résiduel bruit blanc. Les paramètres du modèle (µ. La condition de stationnarité s’écrit : | φ1| < 1 est exprimé comme l’hypothèse nulle (H0) devant être testée.IV Méthodes de prévision Un cas spécial de modèle ARMA(p. Nalpas et A . N. Etudier cette classe de modèle demanderait un cours à part entière. Galy.

Nalpas et A . Galy. N. …) Les modèles statistiques échouent en général si il y a des changements de structure (test de Chow) ou des changements de régime La qualité des prévisions décroît assez vite avec l’horizon de prévision La prévision statistique n’est en aucun cas un substitut au jugement. N. inconsistance. ancrage … L ’approche optimale serait celle qui se fonde sur un modèle théorique solide à partir duquel les prévisions seraient ajustées par des jugements d’experts. Vanhems – ESC Toulouse 88 . Pourquoi la prévision statistique serait-elle meilleure que les prévisions d’experts : Les prévisions basées sur le jugement sont sujettes à beaucoup de biais psychologiques (recherche en économie et psychologie : Kahneman (prix Nobel en 1992) et Tversky (1979) : Sur-confiance.IV Méthodes de prévision Réflexions finales sur les méthodes de prévision L’analyse statistique n’est pas toujours appropriée pour faire de la prévision : Tous les modèles statistiques sont avant tout extrapolatifs : Quid lorsque l’on a trop peu de données (peu le cas en finance) ? Si la structure que l’on étudie est complètement nouvelle (lancement d’un tout nouveau produit.

Vanhems – ESC Toulouse 89 . N. Nalpas et A . Galy.V Simulation Intérêt de simuler en finance Méthodologie de la simulation Une première approche avec l’analyse de sensibilité La simulation de Monte-Carlo N.

Galy. ils produisent toujours le même résultat. celui-ci contient Un certain nombre d’intrants Quelques équations La résolution du modèle conduit à la génération d’extrants La quasi-totalité des modèles de finance d’entreprise et un bon nombre des modèles de finance de marché sont purement déterministes => A intrants constants. N. N.V Simulation Intérêt de simuler en finance La simulation (computationnelle) utilise l’ordinateur pour essayer d’imiter les évènements réels ou faire des prévisions Lorsque l’on crée un modèle avec Excel par exemple. Vanhems – ESC Toulouse 90 . Nalpas et A .

Vanhems – ESC Toulouse 91 .V Simulation Intérêt de simuler en finance Exemples : Gordon-Shapiro (r. N. Galy.r) Modèle de Markowitz (Les deux premiers moments des titres financiers considérés) … Problème : Comme tous les modèles de finance (Marketing aussi) sont « forwardlooking ». ils cherchent à donner une information objective aujourd’hui basée sur des éléments futurs (prévus).e. Nalpas et A . Or une prévision correspond à une variable aléatoire (=> erreurs de prévision) !!! 2 outils permettent d’appréhender la nature stochastique de ces modèles : L’analyse de sensibilité La simulation de Monte-Carlo N. i.g) Black et Scholes (r et σ) VAN(CFt. ils ne sont en aucun cas déterministes par nature : la formalisation mathématique les rend faussement déterministes alors qu’ils sont intrinsèquement purement stochastiques car basés sur des prévisions.

Vanhems – ESC Toulouse 92 . Galy.V Simulation L’analyse de Sensibilité L’analyse de sensibilité consiste à analyser la sensibilité du modèle financier aux variations potentielles de la valeur des intrants. N. Sélectionner l’ensemble des lignes et/ou colonnes qui vont contenir le résultat de l’analyse de sensibilité Appliquer la fonction Table en indiquant la localisation de la valeur des intrants pour lesquels on cherche à sensibiliser le modèle. faîtes varier les intrants du modèle. La fonction Table (Données->Table) permet de le faire simplement à partir d’Excel Méthode : Définir les données du scénario de base sur une feuille à part Le modèle qui utilise ces données apparaît sur une nouvelle feuille Copier le résultat du modèle dans une cellule En ligne ou en colonne ou les 2. N. Nalpas et A .

à la fois. des coûts des produits vendus et du coût du capital Le fichier XL comprend 5 onglets: « Information » contient l’énoncé du problème Code couleur Définition des variables « Base » contient les données du scénario de base ainsi que l’application de la fonction table « Cash Flows » contient les formules du calcul de la VAN « Sensi au coût des biens vendus » récapitule l’analyse de la sensibilité de la VAN aux variations du coût des produits vendus.xls calcule la VAN d'un projet d’investissement. Nalpas et A .V Simulation L’analyse de Sensibilité Le fichier sensi. N. Galy. Vanhems – ESC Toulouse 93 . « Sensi au coût du capital » récapitule l’analyse de la sensibilité de la VAN aux variations du coût du capital N. On cherche la sensibilité de la VAN aux variations.

Nalpas et A . Galy.xls N.V Simulation L’analyse de Sensibilité Illustration : sensi. Vanhems – ESC Toulouse 94 . N.

Galy. Nalpas et A .V Simulation L’analyse de Sensibilité L’analyse de sensibilité souffre de 4 faiblesses majeures : La fonction Table ne permet que de faire varier les valeurs que de 2 paramètres => Quid des modèles (et ils sont nombreux) qui dépendent de plus de 2 intrants estimés ? C’est à l’utilisateur de définir l’intervalle de variation des paramètres => biais (d’autant plus important si l’utilisateur n’est pas un expert …) Ne permet pas de prendre en compte la corrélation entre les intrants Ne fournit pas d’intervalles de confiance Il est possible de remédier à toutes ces faiblesses ☺ par une analyse basée sur une simulation de Monte-Carlo !!!! L’intérêt principal d’une analyse de sensibilité provient donc surtout de la simplicité de sa mise en œuvre N. N. Vanhems – ESC Toulouse 95 .

N. Galy. Vanhems – ESC Toulouse 96 .g. pricing d’options américaines. VAN …).g. …) pour valider un modèle d’évaluation ou pour calculer la rentabilité d’un investissement … N. Lorsqu’il n’existe pas de données existantes (e. nouveau produit. nouveau produit financier.V Simulation Simulation de Monte-Carlo Principe : La simulation de Monte-Carlo est une méthode qui consiste ) évaluer de manière itérative un modèle déterministe en utilisant un ensemble de valeurs aléatoires pour intrants. Nalpas et A . Cette méthode est d’autant plus intéressante que : Le modèle est complexe Le modèle est construit à partir de plus de 2 paramètres incertains Le modèle est hautement non linéaire Une simulation peut potentiellement conduire à plus de 10 000 évaluations du modèle => cette méthode est donc d’usage très récent car ne s’avère possible à mettre en œuvre que si l’on peut recourir un ordinateur (puissant !) Pourquoi et/ou quand simuler : Lorsque le modèle est trop complexe pour être analyser analytiquement (e.

7 -4.2 -0.8 7% 1.9 -5.5 4.8 -2.2 0.0 -1.2 8% 3.3 -4.2 2.8 5% -3.5 -2.2 7. Nalpas et A .3 0. N.8 1.1 10.5 4.2 0.5 6% -1.8 6.6 9.8 2.8 3.1 -3. Vanhems – ESC Toulouse 97 .V Simulation Simulation de Monte-Carlo Exemple : sensibilité d’un TRI Analyse de sensibilité vs Simulation Part de marché 4% 1% -5.7 5.3 3.5 -2. Galy.5 1% 2% 3% 4% 5% 6% 4% 5% 6% 7% 8% Marge d’exploitation 2% 3% 4% 5% 6% Plus probable Moins probable N.9 7.

Vanhems – ESC Toulouse 98 .V Simulation Simulation de Monte-Carlo Schéma explicatif de la méthode N. Galy. Nalpas et A . N.

Galy. Nalpas et A . Vanhems – ESC Toulouse 99 .V Simulation Simulation de Monte-Carlo (a) Génération des valeurs des variables de contrôle tirées de distribution(s) (b) Calcul de l’extrant du modèle en fonction des valeurs calculées en (a) (c) Stockage du résultat Répétition de l’opération N fois …Puis analyse de la distribution des extrants du modèle N. N.

La simulation permet en définitive une analyse à la fois graphique et statistique car la fonction objectif est l’output (ex. meilleure sera votre estimation Dépend de la complexité du modèle à simuler (temps de calcul) Critère de convergence : on arrête l lorsque l’amélioration de la précision de l’estimateur par l’observation d’une valeur supplémentaire devient marginale Lorsque l’intervalle de confiance obtenu vous semble cohérent avec vos anticipations. N. b) et c) un grand nombre de fois permet de calculer : Une moyenne (espérance) Un écart-type (dispersion autour de l’espérance) Distribution de probabilité de la fonction objectif Intervalles de confiance Combien de répétition ? Plus vous avez d’observations.: VAN) N.V Simulation Simulation de Monte-Carlo La répétition des étapes a). Nalpas et A . Vanhems – ESC Toulouse 100 . Galy.

résultat d’une VAN ou d’un TRI. …) => distribution continue de probabilité (loi normale. Nalpas et A . Vanhems – ESC Toulouse 101 .Difficulté d’accéder à des chiffres par région à partir des données constructeur ! . loi de student. N.On peut par contre se mettre au bord de l’autoroute A61 et compter le nombre de voitures par marque qui passent devant nous ! => X = Constructeur N. …) => distribution discrète de probabilité (loi de Bernoulli. à valeurs discrètes indique la probabilité que X appartienne à une classe particulière (zone de refus ou d’acceptation d’un projet d’investissement) => f(x)=Proba(X=x) (fonction de densité linéaire par morceaux) Exemple : Supposons que l’on essaye d’estimer la part de marché de certaines marques Automobiles dans la région toulousaine : . …) Rappel succinct sur les lois discrètes de probabilité : Une fonction de densité associée à une v. X. loi de poisson. loi log-normale. Galy..a. loi binomiale …) Continu (prix d’un actif financier.V Simulation Simulation de Monte-Carlo L’extrant peut-être un résultat discret (accepter ou refuser un projet d’investissement. chi-deux.

N.V Simulation Simulation de Monte-Carlo Fonction de densité de probabilité Autres Ford PSA Renault VW 20% 10% 25% 30% 15% % d'observation selon les différentes marques 30% 25% 20% 15% 10% 5% 0% Autres Ford PSA Renault VW La fonction de densité est linéaire par morceaux N. Galy. Nalpas et A . Vanhems – ESC Toulouse 102 .

on aurait : Fonction de répartition de la Fonction de Fonction de densité de répartition probabilité Autres Ford PSA Renault VW 20% 10% 25% 30% 15% 20% 30% 55% 85% 100% distribution des marques observées 100% 80% 60% 40% 20% 0% Autres Ford PSA Renault VW F(PSA)=P(Autres)+P(Ford)+P(PSA)=55% N.a. Galy. Au niveau de la borne supérieure de x. F(x) est donc calculé en sommant les probabilités issues de la fonction de densité. F(x)=1 (toutes les catégories sont prises en compte) => la fonction de répartition possède aussi une structure linéaire par morceaux. discrète X nous renseigne quant à la probabilité que X soit dans une catégorie particulière ou dans une catégorie inférieure à cette catégorie : F(x) = Proba(X ≤ x). N. Nalpas et A . si les marques sont rangées par ordre alphabétique.V Simulation Simulation de Monte-Carlo La fonction de répartition d’une v. Dans l’exemple précédent. Vanhems – ESC Toulouse 103 .

V Simulation Simulation de Monte-Carlo Génération d’observations aléatoires à partir d’une distribution discrète : Utilisation de la fonction Excel alea() : renvoie un nombre entre 0 et 1 issue d’une loi uniforme. Nalpas et A . N. (a) Génération d’un nombre entre 0 et 1 à partir d’une loi uniforme Fonction de répartition 120% 100% 80% 60% 40% 20% 0% 1 3 5 7 9 11 13 15 (c) 19 21 23 25 17 (b) Inversion de la fonction de répartition pour obtenir une valeur X Valeur obtenue à partir de la distribution requise N. Vanhems – ESC Toulouse 104 . Galy.

V Simulation Simulation de Monte-Carlo Vous pouvez bien entendu générer n’importe quelle valeur pour une v.a. (à valeurs) discrètes à l’aide de la fonction alea() en la combinant avec : Les fonctions rechercheh() ou recherchev() où vous cherchez dans la table de la fonction de répartition de la v. et Ent() qui renvoie la partie entière immédiatement inférieure : ent((alea()*6+1) => simule des nombres aléatoires entre 1 et 6 (simulation d’un jeu de dé) … N. Galy. N. Vanhems – ESC Toulouse 105 . Nalpas et A .a.

V Simulation Simulation de Monte-Carlo Génération de valeurs aléatoires à partir d’une distribution continue Fct de rép. N. N. Vanhems – ESC Toulouse 106 . Nalpas et A . Galy.

=x+ ( (y-x)*alea() ) génère un nombre issu d’une uniforme entre x et x+y. Distribution Normale : =LOI. =5+(2*alea()) génère un nombre issu d’une uniforme entre 5 et 7.a.x.NORMALE. Nalpas et A . N.y) génère un nombre aléatoire issu d’une distribution normale de moyenne x et d’écart-type y. continue qui suit une distribution de probabilité particulière en utilisant toujours la fonction alea() en la combinant avec une fonction linéaire ou pas : Distribution uniforme : =10*alea() génère un nombre issu d’une uniforme entre 0 et 10.INVERSE(alea(). N.V Simulation Simulation de Monte-Carlo On peut générer des valeurs pour une v. Vanhems – ESC Toulouse 107 . Galy.

Vanhems – ESC Toulouse 108 .V Simulation Simulation de Monte-Carlo Le choix de la distribution de probabilité dépend de votre anticipation quant à la vraisemblance d’atteindre les valeurs centrales et extrêmes sur les réalisations de vos intrants (v. N. Galy. Nalpas et A .) N.a.

V Simulation Simulation de Monte-Carlo Exemple : Evaluation d’une VAN par simulation : van. Vanhems – ESC Toulouse 109 . Galy.xls On simule sur les constituants du calcul de la VAN On cherche la distribution de probabilité de la VAN N. N. Nalpas et A .

Vanhems – ESC Toulouse 110 .VI Courbe des Taux d’intérêt par méthode de Bootstrapping Rappels sur le principe d’évaluation d’une obligation Pourquoi est-il nécessaire de reconstruire une courbe des taux d’intérêt Une première approche simplifiée La méthode généralisée sous Excel N. Nalpas et A . Galy. N.

Galy. Vanhems – ESC Toulouse 111 . Finance 1) de ces CFs N. N. Nalpas et A .VI Courbe des Taux d’intérêt par méthode de Bootstrapping Rappels sur l’évaluation d’une obligation L’évaluation d’une obligation repose sur 2 étapes : Identifier les CFs à recevoir Déterminer le prix de l’obligation comme la valeur présente (cf.

VI Courbe des Taux d’intérêt par méthode de Bootstrapping Rappels sur l’évaluation d’une obligation Un exemple avec RHODIA : N. N. Galy. Nalpas et A . Vanhems – ESC Toulouse 112 .

50 € 52.50 € 52.VI Courbe des Taux d’intérêt par méthode de Bootstrapping Rappels sur l’évaluation d’une obligation Etape 1 : La détermination des CFs : Obligation 10.50 € 52.00 € 1 2 3 4 5 6 7 8 9 10 11 12 13 N.50 € 52.-09 1-juin-10 1-déc.-05 1-juin-06 1-déc.50 € 52.50 € 52.50 € 52.5 Rhodia échéance 1er juin 2010 Les coupons : Ici.50 € 1 000. Nalpas et A . Galy. Vanhems – ESC Toulouse 113 .50 Euros versés tous les 6 mois entre le 1er décembre 2004 et le 1er juin 2010 (inclus) Remboursement du principal : Remboursement à la valeur faciale de 1000 Nombre de Euros le 1er juin 2010 Coupons Principal période 1-déc.-10 52.-06 1-juin-07 1-déc.5 /2 = 52.50 € 52.50 € 52. N.-08 1-juin-09 1-déc.-07 1-juin-08 1-déc.50 € 52.-04 1-juin-05 1-déc. coupons semestriels de 1000 Euros * 10.50 € 52.50 € 52.

Nalpas et A . considérons le cas le + simple : nous sommes le 1er juin 2004 CFt P=∑ (1 + r )t t =1 Problèmes posés avec cette formule : .VI Courbe des Taux d’intérêt par méthode de Bootstrapping Rappels sur l’évaluation d’une obligation Etape 2 : Calcul de la valeur présente des CFs : Dans un premier temps. Vanhems – ESC Toulouse 114 . Galy.Comment choisir le taux d’escompte ? . N.Est-il raisonnable de considérer que tous les CFs doivent être actualisés avec le même taux d’escompte ? D’où provient cette formule : la valeur temps de l’argent (Time Value of Money) 13 N.

Verdié) (1 − (1 + r ) ) + Valeur Nominale P = Coupon −T r (1 + r )T N. Vanhems – ESC Toulouse 115 .F. cours de J. N.VI Courbe des Taux d’intérêt par méthode de Bootstrapping Rappels sur l’évaluation d’une obligation Prix d’une obligation : P=∑ t =1 T CFt (1 + r )t Une formule plus pratique puisque les coupons sont des CFs identiques : Valeur actualisée d’une annuité (cf. Nalpas et A . Galy.

Nalpas et A . finance 1) ou essai et erreur). Il est donc solution de l’équation : P=∑ t =1 T CFt (1 + YTM )t Il exprime le taux de rendement que rapporterait l’obligation si on la détenait jusqu’à échéance Il suppose implicitement une courbe des taux plate Il est exprimé en général de manière nominale à capitalisation semestrielle (puisque les coupons sont en général versés semestriellement) Il se calcule aisément à l’aide du solver d’excel (autre méthode : interpolation linéaire (cf. Galy.VI Courbe des Taux d’intérêt par méthode de Bootstrapping Rappels sur l’évaluation d’une obligation Taux de Rendement à l’échance d’une obligation (taux de rendement actuariel ou Yield to Maturity (YTM)) : C’est le taux qui rend égal le prix de l’obligation et la valeur présente de ses CFs. N.xls sur le site du cours Relation inverse déterministe entre le YTM et le prix de l’obligation => Donner le prix d’une obligation est équivalent à donner sont YTM N. On peut aussi utiliser le fichier RAE. Vanhems – ESC Toulouse 116 .

Vanhems – ESC Toulouse 117 .18 = 80 ⎝ ⇒r =? 5 r (1 + r ) N.418% ⎛ ⎛ 1 ⎞5 ⎞ ⎜1 − ⎜ ⎟ ⎟ ⎜ ⎝ 1 + r ⎠ ⎟ 1000 ⎠+ 924. Galy. Quel est son Taux de Rendement à l’Echance si son prix coté sur le marché est de 92.VI Courbe des Taux d’intérêt par méthode de Bootstrapping Rappels sur l’évaluation d’une obligation Un Exemple : Soit une obligation avec une maturité d’exactement cinq ans portant un coupon annuel de 80 $ pour une valeur nominale de 1 000 $. N. Nalpas et A .

Galy. Vanhems – ESC Toulouse 118 .VI Courbe des Taux d’intérêt par méthode de Bootstrapping Rappels sur l’évaluation d’une obligation N. N. Nalpas et A .

Galy. Vanhems – ESC Toulouse 119 . Nalpas et A . N.VI Courbe des Taux d’intérêt par méthode de Bootstrapping Rappels sur l’évaluation d’une obligation N.

Nalpas et A . Vanhems – ESC Toulouse 120 .VI Courbe des Taux d’intérêt par méthode de Bootstrapping Rappels sur l’évaluation d’une obligation N. N. Galy.

La forme la plus traditionnelle est une courbe croissante concave : Emprunter à court-terme coûte relativement moins cher qu’emprunter à LT N. Vanhems – ESC Toulouse 121 .VI Courbe des Taux d’intérêt par méthode de Bootstrapping Pourquoi s’intéresser à la courbe des taux Une utilisation possible : Evaluer le prix d’une obligation (Rich and Cheap valuation Method) : De la section précédente. nous savons que le prix d’une obligation ayant les CFs. N.T T CFt a pour prix : P = 0 ∑ (1 + r ) t =1 t Le problème de cette formule est qu’elle suppose que le coût d’un prêt/emprunt à 1 an par exemple est le même qu’à 10 ans => même r quelque soit la maturité (courbe des taux plate)! Or la courbe des taux n’est pratiquement jamais plate. CFt pour t=1.…. Nalpas et A . Galy.

Nalpas et A .coupon de maturité t . Galy.R0. t ) (1 + R0. le prix d’une obligation résout l’équation suivante : T CFt P0 = ∑ = CF B(0.t = R(0 . Formellement.t )t ∑ t t =1 t =1 T où : .t ) plutôt que R0.B(0 .VI Courbe des Taux d’intérêt par méthode de Bootstrapping Pourquoi s’intéresser à la courbe des taux Si la courbe des taux n’est pas plate.t ) représente le taux zéro .t permet de s' affranchir du problème des fréquences de mesure N. N.t ) est le facteur d' escompte (valeur présente de 1$ reçue à la date t ) Utiliser B(0 . Vanhems – ESC Toulouse 122 . la détermination du juste prix d’une obligation nécessite d’utiliser l’ensemble de l’information contenue dans la courbe des taux afin d’évaluer.

t) est donc le prix d’une obligation de valeur faciale 1$ et de maturité t.t correspond au taux annuel de rendement d’une obligation zéro-coupon de valeur faciale 1$ : 1 = B(0.t) ? Q2 : Utilise-t-on la dernière équation pour obtenir les prix des obligations ou les taux et facteurs d’escompte implicites ? Q3 : Le prix d’une obligation peut-il dévier de cette relation ? Réponses à Q1 : Toutes informations afin de déterminer ces quantités doit provenir des données de marché Plus précisément.T) est le prix à la date t d’une obligation zéro-coupon remboursant 1$ à la date T.. Nalpas et A . Le taux spot R(0. t ) t (1 + R0. Vanhems – ESC Toulouse 123 . B(t.VI Courbe des Taux d’intérêt par méthode de Bootstrapping Pourquoi s’intéresser à la courbe des taux Questions en suspens : Q1 : Comment obtenir les valeurs de R(0. N. Galy.t) ou R0.t) et B(0.t ) N. Le facteur d’escompte B(0.

Nalpas et A . Galy. Réponses à Q2 : On utilise généralement les prix des actifs primitifs afin de dériver les taux d’escomptes (implicites) On utilise alors l’information de la courbe des taux ainsi construites pour calculer le prix de tout autre titre Réponses à Q3 : Toute déviation de cette formule d’évaluation induit des possibilités d’arbitrage Nous présenterons des illustrations de cette règle N.VI Courbe des Taux d’intérêt par méthode de Bootstrapping Pourquoi s’intéresser à la courbe des taux Le problème est que dans le monde réel. Vanhems – ESC Toulouse 124 . N. il n’existe qu’un nombre limité d’obligation zéro coupon Toutefois. nous allons dériver une méthode qui permettra de pouvoir toujours calculer ces taux spot.

26% 2 (1 + R0. N. Galy.2 ) La collection de tous les taux spot annualisés pour toutes les maturités correspond à la structure par terme des taux d’intérêt ! Considérons désormais 2 titres de valeur faciale 100$ : Le 1er est une obligation zéro-coupon à exactement 1 an se vendant à 95$ Le second est une obligation à 2 ans dont le taux de coupon est 8% et se vendant à 99$. N. Le taux spot annualisé à 2 ans vaut donc : 92 = 100 ⇒ R0. Vanhems – ESC Toulouse 125 . 2 = 4.VI Courbe des Taux d’intérêt par méthode de Bootstrapping Une première approche simplifiée Construction de la courbe zéro-coupon : un exemple introductif Supposons qu’il existe sur le marché une obligation zéro-coupon qui vaut 92$ (valeur faciale 100$) et qui mature dans 2 ans. Nalpas et A .

1 ) (1 + R0.4$ – N.1 Le taux spot à 2 ans vaut : 99 = 8 108 8 108 + = + 2 (1 + R0. N.26% (1 + R0.1 ) 0.VI Courbe des Taux d’intérêt par méthode de Bootstrapping Une première approche simplifiée Le taux spot à 1 an vaut donc : 95 = 100 ⇒ R = 5.2 ) 1.7% On peut aussi construire un titre zéro-coupon de maturité 2 ans avec les titres précédents : Acheter l’obligation couponnée de maturité 2 ans – Vendre 0. Galy.08*95 = 91. Vanhems – ESC Toulouse 126 .0526 (1 + R0.08 unité de l’obligation zéro-coupon à 1 an => Coût = 99 – 0. 2 = 8. Nalpas et A .2 )2 ⇒ R0.

Vanhems – ESC Toulouse 127 . Nalpas et A . 2 = 8.VI Courbe des Taux d’intérêt par méthode de Bootstrapping Une première approche simplifiée Calendrier des paiements : aujourd’hui 1 an 2 ans => Il s’agit bien d’une obligation zéro-coupon à 2 ans.4 = ⇒ R0. N. Que vaut son TRE ? 108 91.2 ) Comment construire en pratique la courbe des taux zéro-coupon ? N.7% 2 (1 + R0. Galy.

Vanhems – ESC Toulouse 128 .1. Nalpas et A . Peut-on utiliser une méthode qui détermine tous ces taux zéro-coupon d’un seul coup ? Oui grâce au calcul matriciel qui est facilement « implémentable »sous Excel N. il faut déterminer un grand nombre de taux d’intérêt zéro-coupon pour construire une courbe des taux précises. puis je peux chercher R0. je cherche d’abord R0.2.VI Courbe des Taux d’intérêt par méthode de Bootstrapping L’approche généralisée sous Excel La méthode précédente est très fastidieuse à généraliser car elle se base sur un raisonnement de récurrence => pour construire la courbe des taux. Or le raisonnement de récurrence impose un temps de calcul très long.3. N. Galy. puis ensuite R0. etc … En pratique.

N. on suppose que toutes les obligations cotées ont la même date de maturité (par exemple le 25 avril). Vanhems – ESC Toulouse 129 . et que l’on se trouve à cette date). Galy. dans un premier temps. du problème posé par les puissances : bj = 1 / (1+rj)j On obtient ainsi une écriture simplifiée.VI Courbe des Taux d’intérêt par méthode de Bootstrapping L’approche généralisée sous Excel Utilisons un exemple pour rester concret : On part de données sur les obligations couponées (pour simplifier l’analyse. N. Au lieu de chercher les taux spot directement. Nalpas et A . on va chercher les « facteurs d’actualisation » pour s’affranchir.

VI Courbe des Taux d’intérêt par méthode de Bootstrapping L’approche généralisée sous Excel Obligation 1 103 = 106 * b1 Obligation 2 102 = 5 * b1 + 105 * b2 Obligation 3 100 = 4 * b1 + 4 * b2 + 104 * b3 Obligation 4 104 = 6 * b1 + 6 * b2 + 6 * b3 + 106 * b4 Obligation 5 99 = 5 * b1 + 5 * b2 + 5 * b3 + 5 * b4 + 105 * b5 N. Galy. Vanhems – ESC Toulouse 130 . N. Nalpas et A .

N. Vanhems – ESC Toulouse . Nalpas et A . Galy.VI Courbe des Taux d’intérêt par méthode de Bootstrapping L’approche généralisée sous Excel Ce que l’on peut réécrire: Obligation 1 103 = 106 * b1 + 0 * b2 + 0 * b3 + 0 * b4 + 0 * b5 Obligation 2 102 = 5 * b1 + 105 * b2 + 0 * b3 + 0 * b4 + 0 * b5 Obligation 3 100 = 4 * b1 + 4 * b2 + 104 * b3+ 0 * b4 + 0 * b5 Obligation 4 104 = 6 * b1 + 6 * b2 + 6 * b3 + 106 * b4+ 0 * b5 Obligation 5 99 = 5 * b1 + 5 * b2 + 5 * b3 + 5 * b4 + 105 * b5 131 N.

N. Galy. Vanhems – ESC Toulouse 132 . Nalpas et A . N.VI Courbe des Taux d’intérêt par méthode de Bootstrapping L’approche généralisée sous Excel Ce qui n’est rien d’autre qu’un produit matriciel: P = CF * B Comment trouver le vecteur des facteurs d’actualisation? Il « suffit » d’inverser la matrice CF. Et alors on trouve B = CF-1 * P On en déduit facilement les taux spot.

N. Nalpas et A . Galy. Vanhems – ESC Toulouse 133 .VI Courbe des Taux d’intérêt par méthode de Bootstrapping L’approche généralisée sous Excel Facteurs d’actualisation Taux spot N.

#colonnes) Sélectionner la zone correspondante F2 Rentrer la formule souhaitée CTRL + MAJ + ENTREE N. Le résultat est une matrice comportant le même nombre de lignes que matrice1 et le même nombre de colonnes que matrice2.matrice2) : Calcule le produit de deux matrices. ou vice versa. Vanhems – ESC Toulouse 134 . Nalpas et A . DETERMAT(matrice) : Donne le déterminant d’une matrice INVERSEMAT(matrice) : Renvoie la matrice inverse Bien évidemment. PRODUITMAT(matrice1.VI Courbe des Taux d’intérêt par méthode de Bootstrapping L’approche généralisée sous Excel Excel propose des fonctions qui permettent les principaux calculs matriciels : TRANSPOSE(matrice) : Renvoie une plage verticale de cellules sous forme de plage horizontale. Galy. vous pouvez facilement sommer des matrices… Attention: pour saisir les formules de calcul matriciel: Déterminer la taille de la matrice résultat (# lignes. N.

t 2 ) R(t . on obtient le taux zérocoupon pour une maturité ti tel que t1 < ti < t2 à l’aide de la formule suivante : (t 2 − t i )R(t . Si on suppose que l’on connaît les taux zéro-coupon pour les dates t1 et t2 avec t1 < t2.θ ) La courbe des taux pour n’importe quelle maturité peut être alors générée par des méthodes standard d’interpolation linéaire ou cubique. Dans le cadre d’une interpolation linéaire. Nalpas et A . ou encore : θ → R(t . Galy. N. t1 ) + (t i − t1 )R(t . Vanhems – ESC Toulouse 135 .VI Courbe des Taux d’intérêt par méthode de Bootstrapping L’approche généralisée sous Excel Comme la courbe des taux représente une application qui à chaque maturité associe un taux zéro-coupon. t i ) = (t 2 − t1 ) N.