Fiches VaR VBA

MASTER ECONOMETRIE ET
STATISTIQUE APPLIQUEE (ESA)

Universit dOrlans

Site Value-at-Risk

http://193.49.79.89/esa_prof/index.php

Sous la Direction de

Christophe Hurlin

Anne Universitaire 2006-2007

Master Economtrie et Statistique Applique (ESA)
Universit dOrlans
Facult de Droit, dEconomie et de Gestion
Bureau A 224
Rue de Blois BP 6739
45067 Orlans Cedex 2
www.univ-orleans.fr/deg/masters/ESA/

Site Value-at-Risk. Master Economtrie et Statistique Applique
1
Master Economtrie et Statistique Applique
Universit dOrlans
Site Value-at-Risk

Fiche 1. Dfinition de la Value-at-Risk

La notion de Value-at-Risk (VaR) est apparue pour la premire fois dans le secteur de
l'assurance. A la fin des annes 1980, la banque Bankers Trust fut lune des premires institutions
utiliser cette notion sur les marchs financiers aux Etats-Unis, mais cest principalement la
banque JP Morgan qui dans les annes 90 a popularise ce concept notamment grce son
systme RiskMetrics (pour un historique complet de la notion de Value-at-Risk et de sa diffusion
se reporter au livre de Dowd, 2005). La Value-at-Risk est ensuite devenue, en moins dune
dizaine dannes, une mesure de rfrence du risque sur les marchs financiers, consacre
notamment par la rglementation prudentielle dfinie dans le cadre des accords de Ble II.

De faon gnrale, la Value-at-Risk est dfinie comme la perte maximale potentielle qui ne
devrait tre atteinte qu'avec une probabilit donne sur un horizon temporel donn (Engle et
Manganelli, 2001). La Value at Risk est donc la pire perte attendue sur un horizon de temps
donn pour un niveau de confiance donn. Cette dfinition trs simple constitue lun des
principaux attraits de la Value-at-Risk : il est en effet trs facile de communiquer sur la VaR et de
ainsi proposer une mesure homogne et gnrale (quelque soit la nature de lactif, la composition
du portefeuille etc.) de lexposition au risque.

Ainsi, la Value-at-Risk nest rien dautre quun fractile de la distribution de perte et profit
associe la dtention dun actif ou dun portefeuille dactifs sur une priode donne. La mesure
de Value-at-Risk ne fait que reflter linformation contenue dans la queue gauche (associe aux
pertes) de la distribution des rendements dun actif. Si lon considre un taux de couverture de
% (ou de faon quivalente un niveau de confiance de 1- %) la Value-at-Risk correspond
2
tout simplement au fractile de niveau % de la distribution de perte et profit valable sur la
priode de dtention de lactif :
( ) ( )
1
VaR F
=
o ( ) . F dsigne la fonction de rpartition associe la distribution de perte et profit. De cette
dfinition gnrale dcoulent plusieurs dfinitions techniques tout aussi simples.

1. Dfinitions
Ainsi, la Value-at-Risk dpend de trois lments : (i) la distribution des pertes et profits du
portefeuille valable pour la priode de dtention (ii) le niveau de confiance (ou de faon
quivalente le taux de couverture gal un moins le niveau de confiance) et (iii) la priode de
dtention de lactif.

1.1. Taux de couverture et Niveau de Confiance
Le niveau de confiance choisi est un paramtre compris entre 0 et 1 (95% ou 99% en gnral)
qui permet de contrler la probabilit que lon obtienne un rendement suprieur ou gale la
Value-at-Risk. Supposons que la distribution des pertes et profits associe la dtention dun
actif sur une priode corresponde une distribution normale standard. Sur la Figure 1 est
reproduite cette distribution de perte et profit suppose normale : sur la partie gauche de laxe des
abscisses figurent les rendements ngatifs (pertes) tandis qu droite figure les rendements positifs
(profits). Dans ce cas, la Value-at-Risk dfinie pour un niveau de confiance de 95% ( 5% = ) est
gale tout simplement -1.645. Dit autrement, dans cet exemple il y a 95% de chances que le
rendement de lactif, not r, soit au moins gal -1.645 sur la priode de dtention.
( ) [ ]
Pr 0.05 Pr 1.645 0.05 r VaR r < = < =

De la mme faon, la Value-at-Risk dfinie pour un niveau de confiance de 99% ( 1% = ) est
gale -2.326.

3

Ainsi, la Value-at-Risk correspond gnralement une perte (valeur ngative). Toutefois, on
trouve souvent une Value-at-Risk dfinie non pas partir de la distribution de perte (-) et profit
(+), mais partir au contraire dune distribution de profit(-) et perte(+). Dit autrement, une telle
dfinition revient omettre le signe moins devant la perte et donc afficher une Value-at-Risk
positive. Dans ce cas, la dfinition de la Value-at-Risk correspond loppos du fractile de la
distribution de perte et profit :
( ) ( )
1
VaR F
=
Si lon reprend notre exemple de distribution normale, on affiche alors une Value-at-Risk pour
un niveau de confiance de 95% ( 5% = ) gale 1.645. Cela signifie quil y a 95% de chances
que la perte associe la dtention de lactif nexcde pas 1.645.

1.2. Horizon de dtention
Le deuxime lment fondamental dans le calcul de la Value-at-Risk est la priode de
dtention de lactif ou du portefeuille dactifs. La formule de calcul de la Value-at-Risk doit alors
tre ajuste de faon tenir compte de la composition des rendements. Il nexiste aucune rgle
quant au choix de la priode de dtention dans le calcul de la Value-at-Risk puisque ce choix
dpend fondamentalement de lhorizon de reporting ou dinvestissement des oprateurs.
4
Toutefois, les autorits de rgulation peuvent spcifier des horizons de dtention spcifiques
notamment dans le cadre es procdures de validation de la Value-at-Risk.

Dans le cadre de ce site, tous les calculs proposs portent sur une Value-at-Risk
dfinie partir de la distribution de pertes (-) et profits (+) (ce qui implique une valeur
ngative de la Value-at-Risk) et pour un horizon de dtention dune priode (une journe,
un mois etc. suivant les donnes utilises pour les calculs).

2. Value-at-Risk conditionnelle
Il est possible de distinguer deux types de distribution de pertes et profits : la distribution
conditionnelle et la distribution non conditionnelle. Ds lors, on peut naturellement dfinir une
mesure de Value-at-Risk conditionnelle un ensemble dinformation. Soit R le rendement dun
actif. On suppose que le rendement est une variable alatoire relle de densit (distribution de
perte et profit) ( )
R
f r r \ . Naturellement, pour cette variable alatoire il est possible de dfinir
une densit conditionnelle un certain ensemble dinformation, not . Soit ( )
R
f r r \ la
densit conditionnelle associe au rendement (densit conditionnelle de perte et profit).
La Value-at-Risk conditionnelle lensemble dinformation , associe un taux de
couverture de %, correspond au fractile dordre de la distribution conditionnelle de pertes et
profits.
1
( ) ( )
R
VAR F
=
Cette notion de distribution conditionnelle prend toute son importance dans une dimension
temporelle. En effet, jusqu prsent nous avons considr les rendements dun actif ou dun
portefeuille sans indication de date. Or, on peut reprendre le raisonnement en introduisant de
faon explicite le temps dans la dtermination (et donc par consquent la prvision) de la Value-
at-Risk.

Soit
t
R le rendement la date t et soit ( )
t
R
f r r \ la distribution des pertes et profits pour
cette mme date. Cette densit peut tre diffrente dune date lautre, et sans l sans doute que
rside la difficult majeure de lvaluation dune Value-at-Risk non conditionnelle. De la mme
faon on peut dfinir une densit conditionnelle un ensemble dinformation disponible la date
t, not
t
(distribution conditionnelle de perte et profit). Cette densit conditionnelle, note
5
( )
t
R t
f r r \ , peut elle aussi tre diffrente dune date lautre, mais gnralement on se
restreint des densits conditionnelles invariantes dans le temps, i.e. ( )
R t
f r r \ . Cela
revient supposer que conditionnellement un ensemble dinformation
t
(ou
1 t
lorsque
lon cherche prvoir la Value-at-Risk), les rendements sont identiquement distribus. Cest
prcisment cette hypothse qui permet de raliser une prvision de Value-at-Risk dans le cas des
modles paramtriques (modles GARCH par exemple). La Value-at-Risk la date t obtenue
conditionnellement lensemble dinformation
t
scrit sous la forme :
1
( ) ( )
t
t R t
VAR F
=

Pour une discussion sur les avantages et les limites de la Value-at-Risk, on renvoie louvrage
de Dowd (2005). Retenons simplement que la Value-at-Risk nest pas une mesure de risque
cohrente au sens de Artzner et al. (1997), parce que notamment la Value-at-Risk nest pas de
faon gnrale subadditive. Une mesure de risque, note , est subadditive si et seulement pour
deux actifs A et B on a ( ) ( ) ( ) A B A B + + . Cest un problme fondamental car cela
implique que la Value-at-Risk ne peut pas tre considre comme une mesure propre du
risque rattache une thorie et un ensemble daxiomes permettant de dfinir ce quest une
mesure du risque. La Value-at-Risk nest rien dautre quun fractile et doit tre considre en tant
que telle.

Rdacteurs : Chevreau Antoine, Godin Sylvain, Ivanof Mihaela et Patin Antoine
Correction : Hurlin Christophe
Master ESA, Universit dOrlans : Novembre 2006


1
Universit dOrlans
Site Value-at-Risk

Fiche 2. Distribution de Pertes et Profits
Mesures de Rendements

Les donnes partir desquelles on calcule une Value-at-Risk peuvent prendre diffrentes
formes (Dowd, 2005). Rappelons que la Value-at-Risk se dfinit comme un fractile de la
distribution de pertes et profits associe la dtention dun actif ou dun portefeuille dactifs sur
une priode donne. Ds lors, la forme la plus simple consiste prsenter les donnes en termes
de profits et pertes. On note
t
P la valeur dun actif (ou dun portefeuille) la fin de la priode t
et
t
D lensemble des paiements intermdiaires obtenus entre les dates 1 t et t. Les pertes et
profits associs la dtention de lactif (ou du portefeuille) sont alors dfinis par la diffrence :
1
/
t t t
P L P D P
= +
Dans ce cas, une valeur positive correspond un profit et une valeur ngative une perte.
Gnralement, ces pertes et profits sont exprims sous la forme dun rendement gomtrique
not
t
R :
1
ln
t t
t
t
P D
R
P
+
=

Les bases dexemples fournies sur ce site (Nasdaq, SP500, Nikkei, CAC40) sont
constitues de sries historiques de rendements gomtriques (pertes (-) et profits (+)).

On suppose que le rendement la date t, i.e.
t
R , est une variable alatoire relle. On appelle
fonction de distribution de pertes et profits, la fonction de densit associe cette variable
alatoire relle, note :
( )
t
R
f r r \

2
Cette densit peut tre diffrente dune date lautre, et sans l sans doute que rside la
difficult majeure de lvaluation dune Value-at-Risk (non conditionnelle).

Paralllement, on peut dfinir une distribution de pertes et profits conditionnelle, c'est--
dire une fonction de densit conditionnelle un ensemble dinformation disponible la date t,
not
t
. Cette densit conditionnelle est note :
( )
t
R t
f r r \
Cette densit conditionnelle peut elle aussi tre diffrente dune date lautre, mais
gnralement on se restreint des densits conditionnelles invariantes dans le temps, i.e. telles
que :
( ) ( ) ,
t
R t R t
f r f r r t \ =
Cela revient supposer que conditionnellement un ensemble dinformation
t
(ou
1 t

lorsque lon cherche prvoir la Value-at-Risk), les rendements sont identiquement distribus.
Cest prcisment cette hypothse qui permet de raliser une prvision de Value-at-Risk dans le
cas des modles paramtriques (modles GARCH par exemple). La Value-at-Risk la date t
obtenue conditionnellement lensemble dinformation
t
scrit alors sous la forme :
1
( ) ( )
t
t R t
VAR F
=

Master ESA, Universit dOrlans : Novembre 2006


1
Universit dOrlans
Site Value-at-Risk

Fiche 3. Prvisions de Value-at-Risk et Modle GARCH

Sur ce site peuvent tre excuts en ligne diffrents programmes permettant de raliser des
prvisions out of sample de Value-at-Risk lhorizon dune priode.

Une prvision de Value-at-Risk pour un niveau de confiance de 1 % pour la date
t+1 correspond simplement au fractile de niveau % de la distribution conditionnelle
de pertes et profits (voir Fiche Distribution de Pertes et Profits). Formellement on dfinit la
prvision
1
( )
t t
VAR
+
sous la forme suivante :
1
1
1
( ) ( )
t
R t t t
VAR F
+
+
=
o
1
( )
t
R t
F
+
dsigne la fonction de rpartition associe la fonction de distribution des
rendements la date t+1, nots
1 t
R
+
, conditionnelle lensemble dinformation
t
disponible
la date t.

Afin dillustrer cette dfinition, considrons le cas des prvisions de Value-at-Risk obtenues
partir des modles paramtriques de type GARCH univaris.

1. Prvisions de Value-at-Risk et Modles GARCH
Comment obtenir une prvision de Value-at-Risk partir dun modle GARCH ? La
dmarche est indirecte : dans un premier temps, on fait une hypothse sur la distribution
conditionnelle des rendements de lactif, puis lon estime les paramtres du modle GARCH sur
les observations de la priode 1 T, gnralement par une procdure de type maximum de
vraisemblance. Dans une seconde tape, on dduit du modle GARCH estim une prvision de
variance conditionnelle, qui couple lhypothse retenue sur la distribution des rendements,

2
permet de construire une prvision sur le fractile de la distribution de pertes et profits valable
pour T+1.

Considrons lexemple dun modle GARCH sous hypothse de distribution de Student. On
suppose ainsi que les rendements dun actif, nots
t
r , satisfont le modle suivant :
t t
r c = +
t t t
h z =
2
0 1 1 1 1

= + +
t t t
h h
z
t
i.i.d. ( ) Student v
o
t
z dsigne un bruit blanc faible homoscdastique et o les paramtres
0 1 1
, , , , v c sont des
rels vrifiant les contraintes suivantes
0
0 > ,
1
0 ,
1
0 et 2 v > . Le terme
1 t t t
h E

=

dsigne ( un facteur constant prs) la variance conditionnelle du rsidu
t
et
donc des rendements
t
r . On suppose que lon dispose de la srie historique des rendements
{ }
1
,..,
T
r r observs entre les dates 1 t = et t T = .

Soient
0 1 1
, , , , v c des estimateurs convergents (du maximum de vraisemblance par

exemple) des paramtres
0 1 1
, , , , v c (voir fiche Modle GARCH). Soit
1
h une condition
initiale sur le processus de variance conditionnelle
t
h (dans le cadre de nos programmes cette
condition initiale est fixe de faon arbitraire au niveau de la variance non conditionnelle). A
partir de ces diffrents lments, il est possible de prvoir la variance conditionnelle des
rendements pour la date 1 T + de la faon suivante :
2
1 0 1 1 1

avec donn
T T T
h h h
+
= + +
soit encore
( )
2
1 0 1 1 1

avec donn
T T T
h r c h h
+
= + +

On note
1
( )
T T
VAR
+
la prvision de la Value-at-Risk de niveau 1 anticipe pour la date
1 T + conditionnellement linformation disponible la date T . Par dfinition de la Value-at-
Risk (cf. Fiche Dfinition de la Value-at-Risk), on a :
1 1
Pr ( )
T T T T
r VAR
+ +

< =


3
On en dduit immdiatement que :
1
1
1
( )
Pr
T T
T T
T
VAR c
z
h

+
+
+

< =

En remplaant le paramtre c par sa valeur estime et la variance conditionnelle
1 T
h
+
par sa
valeur anticipe
1
T
h
+
, il vient :
1
1
1
( )
Pr
T T
T T
T
VAR c
z
h
+
+
+

< =

Sachant que lon suppose que la distribution conditionnelle des rendements est une
distribution de Student v degrs de liberts de variance gale ( ) / 2 v v v (cf. Fiche
Distribution Conditionnelle), on peut en dduire immdiatement une prvision du fractile de la
distribution conditionnelle valable pour la date 1 T + , c'est--dire de la Value-at-Risk.

Soit ( ) ; G x v la fonction de rpartition de la loi de Student v degrs de libert. La prvision
de Value-at-Risk est finalement dfinie par la quantit suivante :
( )
1
1 1
( ) ;
T T T
VAR h G v c
+ +
= +
o v dsigne la valeur estime du paramtre v .

2. Prvisions out of sample
La squence dcrite dans la section prcdente permet dobtenir une prvision out of sample
de Value-at-Risk, dans le sens o la prvision est ralise pour une priode qui se situe
lextrieur de lchantillon utilis pour lestimation des paramtres du modle GARCH. En effet,
comme lindique la Figure 1, les paramtres du modle sont estims partir des observations des
rendements { }
1
,..,
T
r r , tandis que la prvision porte sur la Value-at-Risk de la priode 1 T + .

Figure 1. Prvision Out-of-Sample
Estimation Prvision
temps
1 T T+1


4
Ainsi, lissue de lexcution de nos programmes, pour chaque modle GARCH, est
reporte la prvision out of sample de la Value-at-Risk pour la date T+1 partir des
donnes historiques de rendements fournies par lutilisateur pour les date 1 T+1.

Afin de valider un modle de calcul et / ou de prvision de Value-at-Risk, il est courant de
sparer lchantillon initial en deux sous chantillons : un chantillon destimation et un
chantillon de prvision. Cela permet ainsi dobtenir une squence de prvisions de Value-at-Risk
et de les comparer aux rendements historiques afin notamment de mettre en uvre des tests de
validation (cf. Fiche Tests de Validation).
Supposons que lon dispose au total de T observations des rendements et que lon partage
lchantillon en deux sous chantillons : le second chantillon, dit chantillon de prvision,
comprenant N observations. Dans nos programmes, lchantillon de prvision correspond
aux 25% des observations les plus rcentes :
4
T
N = N

A partir des T N observations du premier chantillon (chantillon destimation), on estime le
modle GARCH et lon construit une prvision out of sample pour la premire observation de
lchantillon de prvision. On obtient ainsi une prvision de la Value-at-Risk pour la date T-N+1,
note
1
( )
T N T N
VAR
+
. On peut alors reproduire cette procdure afin dobtenir une squence
de N prvisions, notes
{ }
1
1
( )
T
t T
t T N
VAR

+
=
. Pour cela diffrentes approches peuvent tre
utilises. La plus vidente consiste r-estimer le modles des dates 2 T-N+1 inclus, puis
raliser une prvision pour la date T-N+2 et ainsi de suite (rolling estimate ou estimation par
fentre glissante) comme lindique la Figure 2.

Figure 2. Prvisions Out-of-Sample et Estimation Glissante
temps
1
re
Estimation GARCH Prvision
1 T-N T-N+1
2
me
Estimation GARCH Prvision
1 T-N+1 T-N+2 2


5
Linconvnient de cette mthode est quelle ncessite destimer successivement N modles
GARCH, ce qui peut prendre beaucoup de temps pour des modles plus compliqus.

Cest pourquoi, afin de limiter le temps de calcul sur nos serveurs, nos applications en
ligne permettent de construire un ensemble de prvisions out of sample sans r-estimer
les paramtres des modles GARCH. On estime une fois pour toute les paramtres sur
lchantillon destimation (soiet les 75% dobservations des dates 1 T N ) et lon
construit ensuite la squence des variances conditionnelles sur lchantillon de prvision
partir desquelles sont dduites les prvisions de Value-at-Risk.

Formellement, dans le cas dun modle GARCH sous loi de Student, si lon note
0 1 1
, , , , v c les estimateurs des paramtres

0 1 1
, , , , v c obtenus sur lchantillon
destimation, on construit alors la squence des variances conditionnelles
{ }
1
t T N
T
t
h
= +
comme suit :
( )
2
1 0 1 1

1,..,
t t t
h r c h t T N T
+
= + + = +
et lon en dduit les prvisions successives de Value-at-Risk :
( )
1
1 1
( ) ; 1,..,
t t t
VAR h G v c t T N T
+ +
= + = +
o ( ) ; G x v la fonction de rpartition de la loi de Student v degrs de libert. Ainsi on obtient,
sans r-estimation du modle GARCH, une squence de N prvisions de Value-at-Risk aux date
1,.., T N T + comme lindique la Figure 3.

Figure 3. Squence de Prvisions Out-of-Sample
Estimation Prvision
temps
1 T-N T-N+2

Naturellement une telle dmarche suppose que le modle GARCH estim sur la priode
destimation soit stable sur la priode de prvision. Mais cette hypothse de stabilit du modle
sur les 25% dernires observations est le prix payer pour acclrer le traitement informatique
de nos applications.

Correction : Hurlin Christophe Master ESA : Janvier 2007

1
Universit dOrlans
Site Value-at-Risk

Fiche 4. Violations de la Value-at-Risk et Expected Shortfall

A partir de la fin des annes 90, plusieurs tests ont t proposs afin dvaluer la validit des
mesures et des prvisions de Value-at-Risk. La plupart de ces tests de validation sont fonds sur
les occurrences de violations de la Value-at-Risk.

1. Violations de la VaR
Soit ( )
1 t t
VaR
la Value-at-Risk pour un taux de couverture de % prvue pour la date t

conditionnellement un ensemble dinformation disponible la date 1 t , not
1 t
.
Formellement, on note :
( ) ( )
1
1 1
t
R t t t
VaR F

=
o
( )
1
t
R t
F u

dsigne la fonction de rpartition associe la distribution conditionnelle de
pertes et profits des rendements de lactif financier (ou portefeuille), nots
t
R .

On dfinit la violation comme une situation dans laquelle on observe ex-post une perte
plus importante en valeur absolue que la VaR prvue ex-ante. Formellement, il y a violation
si et seulement si :
( )
1 t t t
R VaR
<
Dans la pratique, on dfinit souvent une variable dichotomique associe loccurrence dune
violation, appele elle aussi violation ou Hit function (Campbell, 2006 ; Engle et Manganelli,
2004) :
( )
1
1
( )
0 sinon
t t t
t
si R VaR
I

<


2
La squence de violations ou Hit (prenant successivement les valeurs 0 ou 1) identifie les
priodes pour lesquelles on observe une perte plus importante en valeur absolue que la VaR
anticipe, comme le montre lexemple de la Figure 1. Dans cet exemple, un rendement fictif a t
tir dans une loi normale de moyenne gale 2% et de variance gale 4. A partir de ces tirages,
on a estim une Value-at-Risk par une mthode non paramtrique dite Mthode Hybride, en
utilisant un paramtre de lissage gal 0.95 (voir fiche Mthode Hybride). Comme on peut le
constater sur le graphique de la partie haute de la Figure 1, la VaR ainsi prvue nest pas constante
(alors quelle devrait thoriquement ltre, la distribution des pertes et profits tant invariante
dans le temps). Sur le graphique de la partie basse, sont reportes les valeurs de la fonction de Hit
prenant des valeurs 1 ou 0. Lorsque la variable de Hit prend la valeur 1, cela indique une priode
de violation.

Figure 1. Graphique de Violations (Hit Function)
0 10 20 30 40 50 60 70 80 90 100
-20
-10
0
10
20
Dates
R
e
n
d
e
m
e
n
t
s

/

V
a
R

Rendements VaR 95%
0 10 20 30 40 50 60 70 80 90 100
0
0.2
0.4
0.6
0.8
1
Dates
V
i
o
l
a
t
i
o
n
s

2. Expected Shortfall
Il est vident quen cas de violation, il peut apparatre rducteur de ne conserver au final
comme information quune variable indicatrice prenant la valeur 1. Naturellement, de
nombreuses autres mesures ont dvelopps permettant de prendre en compte l'ampleur des
pertes au-del de la Value-at-Risk obtenues en cas de violations. La premire mesure vidente est
la TCE (Tail Conditional Expectation) dfinie par lesprance conditionnelle de la perte en cas
de violation :
( ) ( ) TCE R E R R VaR

= <


3
Une mesure alternative est la mesure dite de lExpected Shortfall (ES). Cette mesure
correspond la moyenne des pertes extrmes telle que :
( ) ( )
1
0
1
ES R F p dp

=

o ( ) . F dsigne la fonction de rpartition associe la distribution de pertes et profits. Les deux
mesures TCE et ES concident dans le cas dune distribution continue. Les deux statistiques
donnent finalement une mesure de ce peuvent tre les pertes dans les pires tats du systme
financier. Un des avantages de lES par rapport la Value-at-Risk en tant que mesure de risque
est quil sagit dune mesure cohrente de risque au sens de Artzner et al. (1997, 1999). Cest en
particulier une mesure qui vrifie laxiome de subadditivit, contrairement la Value-at-Risk (voir
fiche Dfinition de la Value-at-Risk).

Master ESA, Universit dOrlans : Janvier 2007

1
Universit dOrlans
Site Value-at-Risk

Fiche 5. Mthodes de Calcul de la Value-at-Risk

On dnombre trois grandes classes de mthodes de calcul de la VaR :
Mthodes Non-paramtriques (Historical Simulation, Weighted Historical Simulation, Monte
Carlo Simulation, Filtered Historical Simulation...).
Mthodes Semi-paramtriques (CAViaR, thorie des extrmes).
Mthodes Paramtriques Paramtrique (ARCH, GARCH univari, GARCH multivari,
RiskMetrics).
Cette prsentation est inspire de celle propose par Dowd (2005) ou Engle et Manganelli (2001).

1. Les Mthodes Non Paramtriques

Le principe gnral des mthodes non paramtriques destimation / prvision de la Value-at-Risk est
que lon impose a priori aucune distribution paramtrique de pertes et profits. Aui del de ce point
commun, il existe une grande varit de mthodes non paramtriques de calcul de la Value-at-Risk.

1.1 Historical Simulation (HS)
La simulation historique (Historical Simulation, ou HS) est une mthode trs simple destimation des
mesures de risque fonde sur la distribution empirique des donnes historiques de rendements.
Formellement, la VaR est estime simplement par lecture directe des fractiles empiriques des
rendements passs. Si lon considre par exemple un niveau de confiance de 95% et que lon dispose
dun chantillon de 1000 observations historiques de rendements, la VaR est donne par la valeur du
rendement qui correspond la 50me forte de perte.

1.2. Bootstrapped Historical Simulation
Une amlioration simple de la mthode HS consiste estimer la VaR partir de donnes simules
par Bootstrap. Le Bootstrap consiste r-chantillonner les donnes historiques de rendements avec
2
remise. Plus prcisment, dans notre contexte, la procdure consiste crer un grand nombre
dchantillons de rendements simuls, o chaque observation est obtenue par tirage au hasard partir
de lchantillon original. Chaque nouvel chantillon constitu de la sorte permet dobtenir une
estimation de la VaR par la mthode HS standard, et lon dfinit au final une estimation en faisant la
moyenne de ces estimations bases sur les r-chantillonnages.

1.3 Simulation Historique et Estimation Non Paramtrique de Densit

Une autre amlioration possible de la basic HS est dutiliser une estimation non paramtrique de la
distribution conditionnelle de pertes et profits. On sait en effet que lhistogramme associ aux
ralisations historiques des rendements nest pas un bon estimateur dune fonction de densit. Des
estimateurs obtenus par lissage, comme les estimateurs noyau, prsentent gnralement de meilleures
proprits (Yatchew, 2001). Dans cette perspective, la mthode HS tendue consiste estimer par une
mthode de noyau la densit conditionnelle de pertes et profits, puis de calculer partir de cette densit
estime le fractile correspondant la Value-at-Risk (Butler et Schachter, 1998). Cela nous permet
notamment destimer la Value-at-Risk pour nimporte quel niveau de confiance (et ainsi dviter les
problmes dus aux contraintes imposes sur la taille des chantillons). .

1.4. Weighted Historical Simulation (WHS)
La caractristique essentielle de la mthode HS traditionnelle est que lon accorde le mme poids
aux observations historiques, quelles soient relativement rcentes ou au contraire trs anciennes.
Concrtement, si lon considre une estimation HS de la Var 5% partir dune fentre glissante de
1000 observations, cela revient prendre le 50
me
rendement le plus faible parmi les 1000
observations les plus rcentes. Ds lors, dans cette estimation toutes les observations historiques de
rendement dates de plus de 1000 priodes ninterviennent pas dans le calcul de le VaR, tout
comme toutes les observations de moins de 1000 priodes interviennent avec la mme poids dans la
construction de lestimation.

Une approche alternative consiste attribuer aux observations de rendements des poids en
fonction soit de leur anciennet, de la volatilit observe des marchs, ou de tout autre facteur. Cette
approche, qualifie par le terme gnrique de WHS (Weighted Historical Simulation) recouvre
notamment :
- La mthode Aged-weighted HS o les poids dpendent de lanciennet des observations (Boudoukh,
Richardson et Whitelaw, 1998).
- La mthode Volatility-weighted HS o les poids dpendent de la volatilit. Lide de base, suggre
3
par Hullet et White (1998) est de prendre en compte les changement rcents de volatilit.
- La mthode Correlation-weighted HS o lon ajuste les rendements passs de faon ce quils refltent
les changements entre les corrlations passes et futures.

1.5. Filtered Historical Simulation (FHS)
La mthode FHS est une forme de Bootstrap semi-paramtrique qui vise combiner les avantages
de la simulation historique avec la puissance et la flexibilit des modles volatilit conditionnelle tel
que le modle GARCH. Elle consiste faire un Bootstrap sur les rendements dans un cadre de
volatilit conditionnelle, le Boostrap prservant la nature non paramtrique de la simulation historique,
et le modle volatilit conditionnelle donnant un traitement sophistiqu de la volatilit.

1.6. La mthode de Monte Carlo
La mthode de Monte Carlo consiste simuler un grand nombre de fois les comportements futurs
possibles des facteurs de risque selon un certain nombre dhypothses, et den dduire une distribution
des pertes et profits partir de laquelle on estime finalement un fractile. Si cette approche peut
sappliquer, en thorie, quelles que soient les lois de probabilit suivies par les facteurs de risque, elle est
couramment utilise en pratique, pour des raisons techniques, en supposant que les variations relatives
des paramtres de march suivent des lois normales. Cette mthode convient galement tous les types
dinstruments, y compris optionnels, et permet de tester de nombreux scnarios et dy inclure
explicitement des queues de distribution paisses (vnements extrmes pris en compte dans une
certaine mesure).

2. Les Mthodes Semi-Paramtriques

2.1. Thorie des Valeurs Extrmes
Parmi les mthodes semi-paramtriques figurent tout dabord lensemble des mthodes et approches
qui relvent de la thorie des extrmes (EVT) qui diffre de la thorie statistique habituelle fonde pour
lessentiel sur des raisonnements de type tendance centrale. Les extrmes sont en effet gouverns par
des thormes spcifiques qui permettent dtablir sous diffrentes hypothses la distribution suivie par
ces extrmes. Il existe deux principales branches de la thorie des valeurs extrmes : la thorie des valeurs
extrmes gnralise et la loi de Pareto gnralise (ou lapproche POT - peaks-over-threshold). Lapproche POT
permet ltude de la distribution des pertes excessives au dessus dun seuil (lev), tandis que la thorie
des valeurs extrmes gnralise permet de modliser le maximum ou le minimum dun trs grand
chantillon.

4
2.2. Lapproche par rgression sur quantiles CAViaR
Une seconde grande catgorie de mthodes semi-paramtriques utilises actuellement pour le calcul et
la prvision de la Value-at-Risk relve plus gnralement de lapproche de la rgression quantile. Lide
est la suivante : plutt que de modliser une distribution et den dduire un quantile (la Value-at-Risk),
cette approche consiste modliser directement le quantile lui-mme en utilisant des mthodes de
rgression quantile. Un exemple de ces mthodes est le modle Conditional Autoregressive Value at Risk
(CAViaR) de Engle et Manganelli (2004), qui spcifie comment la dynamique autorgressive pour le
quantile conditionnel.

3. Les Mthodes Paramtriques
La dtermination de la VaR paramtrique se fait au moyen dun calcul analytique relativement ais en
pratique mais sous des hypothses thoriques assez contraignantes, lexemple le plus connu dun tel
modle tant sans doute RiskMetrics. Les principales hypothses simplificatrices consistent supposer,
dune part, que les lois de probabilit qui rgissent les distributions des variations des prix de march
sont normales et, dautre part, que les instruments prsentent un profil de risque linaire. Sous ces
hypothses, la matrice de variances/covariances peut tre applique assez directement aux positions
dtenues pour calculer la VaR. Les calculs utiliss dans la mthode RiskMetrics sont rapides et simples,
et requirent uniquement la connaissance de la matrice des variances/covariances des rendements du
portefeuille. Nanmoins, cette mthode savre tre inadapte aux portefeuilles non linaires
(instruments optionnels), et thoriquement peu adapte aux queues de distribution paisses et aux
distributions non normales des rendements.

Enfin, figurent parmi les mthodes paramtriques lensemble des mthodes de calcul et de prvision
de la VaR fondes sur des modles GARCH univaris ou multivaris (Engle, 2001). Ces modles
permettent de modliser et de prvoir la variance conditionnelle de la distribution de pertes et profits,
ce qui permet dans un second temps den dduire une modlisation ou une prvision de la Value-at-
Risk sous un certain nombre dhypothse sur la distribution conditionnelle des rendements.

Rdacteurs : Albayrak Adem et Arnoult Benoit
Master ESA, Universit dOrlans : Janvier 2007
1
Universit dOrlans
Site Value-at-Risk

Fiche 6. Modle GARCH

Le modle GARCH (General Autoregressive Conditional Heteroskedasticity) a t introduit par
Bollerslev (1986). Cest une extension du modle ARCH initialement dvelopp par Engle (2002).
Ces modles permettent une representation autorgressive de la variance conditionnelle dun
processus, ce qui permet de les utiliser notamment des fins de prvisions de la volatilit sur les
marchs financiers.

1. Prsentation du Modle GARCH
Lcriture du modle GARCH porte sur la variance conditionnelle du processus considr. Soit
un processus
t
y , desprance ( ) 0 =
t
E y , satisfaisant une reprsentation de type GARCH (p,q). Ce
processus scrit sous la forme suivante :
t t
c y + =
t t t
h z =
2
0
1 1

= =
= + +

q p
t i t i i t i
i i
h h
o
t
z dsigne un bruit blanc faible homoscdastique tel que 0 ) ( =
t
z E

et
2
) (
z t
z Var = et o les
paramtres ,
i i
sont des rels. De faon usuelle, la quantit
t
h dsigne la variance conditionnelle
du processus
t
y telle que ( ) ( )
t t t t t
h V y y V = =
1 1
o
1 t
y dsigne lensemble des valeurs
passes{ }
0 1
,.., y y
t
. Afin de garantir la positivit de la variance conditionnelle, on suppose que
0
0 > , 0, 1, ...,
i
i q = , 0, 1, ...,
i
i p = .
2

2. Estimation des Paramtres
Les paramtres du modle GARCH peuvent tre estims selon diffrentes mthodes : maximum
de vraisemblance, pseudo maximum de vraisemblance, mthode des moments etc. (pour plus de
dtails, voir Gouriroux, 1997). Les mthodes gnralement retenues sont celles du maximum de
vraisemblance (MV) ou du pseudo maximum de vraisemblance (PMV). Lavantage du PMV rside
dans le fait que lestimateur obtenu converge malgr une mauvaise spcification (suppose normale)
de la distribution conditionnelle des rsidus, condition que la loi spcifie appartienne la famille
des lois exponentielles (Gouriroux et Montfort, 1989). Ainsi, lestimateur du MV obtenu sous
lhypothse de normalit des rsidus et lestimateur du PMV sont identiques, seules leurs lois
asymptotiques respectives diffrent. Toutefois dans les deux cas (MV ou PMV), sous les hypothses
standards, lestimateur est asymptotiquement convergent et asymptotiquement normal.

Considrons le cas dun modle GARCH(1,1) sous lhypothse de normalit des innovations.
t t
c y + =
t t t
h z =
2
0 1 1 1 1

= + +
t t t
h h
z
t
i.i.d. N(0,1)
o les variables
t
z sont identiquement et indpendamment distribues (i.i.d.) selon une loi normale
centre et rduite. La fonction de log-vraisemblance associe un chantillon de T observations
{ }
T
y y ,..,
1
obtenue sous lhypothse de normalit de la loi conditionnelle de
t
y sachant son propre
pass scrit :
[ ]
1 1
( )
1 1
log ( ) log(2 ) log( ( ))
2 2 2 ( )
= =
=

T T
t t
t
t t
t
y m
T
L h
h

o dsigne lensemble des paramtres du modle, ( )
t
m dsigne lesprance conditionnelle et
( )
t
h dsigne la variance conditionnelle. Dans le cas du modle GARCH(1,1) prsent ci-dessus :
( )
t
m c =
( )
2
0 1 1 1 1

= + +
t t t
h h
3

Les estimateurs du maximum de vraisemblance sont alors obtenus par rsolution analytique dun
systme de 2 + + = q p K (nombre de paramtres estimer) quations non linaires :
0
) ( log
L

0
) ( log
<
L

Dans le cas gnral du PMV, lestimateur du PMV est asymptotiquement convergent et normal
(Gouriroux, 1997).
( )
1 1
, 0 )
(

IJ J N T
d
T

=
'
) ( log
0

L
E J
=
'
) ( log ) ( log
0
L L
E I
o
0
E dsigne lesprance prise par rapport la vraie loi. Si la vraie distribution des erreurs est une
loi normale (cas du MV) alors J I = .

3. Problmes de convergence et choix des conditions initiales
Il nexiste pas de solution analytique la maximisation de la vraisemblance dans le cas gnral des
modles GARCH. On doit donc recourir une optimisation numrique de la vraisemblance ou de la
pseudo vraisemblance suivant les cas. Dans la pratique, se pose alors le problme de la convergence
de lalgorithme doptimisation retenu et plus spcifiquement du problme du choix de conditions
initiales.

En ce qui concerne lalgorithme doptimisation, deux choix sont disponibles dans le cadre de la
procdure MODEL sous SAS utilise pour estimer les modles GARCH : la mthode de Gauss
Newton Raphson et la mthode de Marquardt Levenberg. Cest cette dernire qui est utilise dans
nos programmes. Pour cet algorithme, nous avons retenu pour conditions initiales sur les paramtres
i
et
i
les valeurs estimes dans le cas dun modle GARCH sous hypothse de normalit.

4

4. Exemple
Considrons lexemple dun modle GARCH(1,1) estim partir de la srie des rendements
quotidien du Dow Jones sur la priode 01 octobre 1996 au 16 novembre 2006. On considre ici une
procdure de maximum de vraisemblance sous une hypothse de distribution conditionnelle
normale. On note rdt la srie de rendement. Soit le modle suivant.
t t
c rdt + =
t t t
h z =
2
0 1 1 1 1 t t t
h h

= + +
z
t
i.i.d. N(0,1)
La sortie SAS issue de la procdure MODEL retenue (Hurlin, 2006) dbute par un ensemble
dinformations fournies sur la structure du modle.

The Equation to Estimate is
rdt = F(intercept(1))
VAR(rdt) = H(alpha0, alpha1, beta1, intercept)

Il sagit dinformations portant sur lcriture du modle qui rappelle que lesprance du rendement
est une constante et que la variance conditionnelle du rendement, cest--dire le processus
t
h , scrit
comme une fonction des paramtres
0 1
, et
1
.

NOTE: At FIML Iteration 27 CONVERGE=0.001 Criteria Met.

Puis, la sortie indique que lalgorithme doptimisation numrique a converg au bout de 27
itrations, selon un critre darrt de la convergence de 0.001. Enfin, diffrentes informations sont
fournies quant lajustement du modle (voir PROC MODEL).

5
Final Convergence Criteria
R 0.000029
PPC(arch1) 0.00031
RPC(arch1) 0.009658
Object 4.12E-6
Trace(S) 0.000124
Gradient norm 2.008953
Log likelihood 8147.033

La log vraisemblance est ici gale -8147, puisquil est important de prciser que SAS minimise
loppos de la fonction de vraisemblance. Ce tableau fournit en outre parmi un ensemble
dinformations, la valeur de la norme du gradient de la log-vraisemblance au point optimal.

Enfin, figurent les rsultats proprement parler de la phase destimation des paramtres du
modle GARCH.

Nonlinear FIML Parameter Estimates
Parameter Estimate Approx Std Err t Value Approx
Pr > |t|
intercept -0.0006 0.000170 -3.51 0.0005
arch0 1.553E-6 3.461E-7 4.49 <.0001
arch1 0.083347 0.0104 8.00 <.0001
6
Nonlinear FIML Parameter Estimates
Parameter Estimate Approx Std Err t Value Approx
Pr > |t|
garch1 0.905527 0.0108 83.94 <.0001

Dans ce tableau, figure en premire la ralisation des estimateurs du MV de chacun des
paramtres. Dans la seconde colonne, figure la ralisation de lestimateur de lcart type asymptotique
de lestimateur du MV, partir de laquelle est construite la valeur de la statistique de Student associe
au test du nullit du paramtre considr (troisime colonne). Enfin, figure dans la dernire colonne
la p-value associe la loi asymptotique de la statistique de Student. Rappelons que pour un risque de
premire espce de % , si la p-value est infrieure au seuil de % , on est conduit rejeter
lhypothse nulle de nullit du coefficient. Le coefficient est donc significativement diffrent de zro.
On observe que dans le cas de notre exemple, tous les paramtres
0
,
1
et
1
sont
significativement diffrents de zro au seuil de risque de 1%.

A partir de ce modle, on peut enfin proposer une estimation de la variance conditionnelle, selon
lquation :

= + +
2
0 1 1 1
t t i t
h h
ou encore
( )
2
0 1 1 1
t t i t
h rdt c h

= + +
avec
1
h donn
o
0 1 1
, , dsignent les estimateurs du MV. Les valeurs estimes de la variance conditionnelle

obtenues dans notre exemple sont reproduites sur la Figure suivante et rendent bien compte des
clusters de volatilit, c'est--dire de la succession de priodes de turbulences et de calme sur le
march considr.
7

Rdacteurs : Edwige Balliet, Carole Njoya et Sidina Medani
Master ESA. 14 Novembre 2006


1
Universit dOrlans
Site Value-at-Risk

Fiche 7. Modle EGARCH (Exponential GARCH)

Le modle EGARCH (Exponential General Autoregressive Conditional Heteroscedasticity) a t introduit
par Nelson (1991). Cest un modle ARCH non linaire qui permet de rendre compte de lasymtrie
dans la rponse de la variance conditionnelle une innovation. Plus prcisment, le modle
EGARCH autorise une forme dasymtrie qui dpend non seulement du signe positif ou ngatif de
linnovation, mais aussi de lamplitude de ce choc. Par ailleurs le modle EGARCH prsente en outre
lavantage, par rapport au modle GARCH standard, de ne ncessiter aucune restriction de non
ngativit sur les paramtres afin de garantir la positivit de la variance conditionnelle.

1. Prsentation du Modle EGARCH
Lcriture du modle EGARCH porte sur le logarithme de la variance conditionnelle du processus
considr. Soit un processus
t
y , desprance ( ) c y E
t
= , satisfaisant une reprsentation de type
EGARCH(p,q). Ce processus scrit sous la forme suivante :
t t
c y + =
t t t
h z =

=

=

+ + =
p
i
i t i
q
i
i t i
h z g ht
1 1
0
) log( ) ( ) log(
( )
i t i t i t i t
z E z z z g

+ = ) (
o
t
t
z E

et
2
) (
z t
z Var = et o les
paramtres , ,
i i
et sont des rels. De faon usuelle, la quantit
t
h dsigne la variance

2
conditionnelle du processus
t
y telle que ( ) ( )
t t t t t
h V y y V = =
1 1
o
1 t
y dsigne lensemble des
valeurs passes { }
0 1
,.., y y
t
.

La valeur de
i t
z E

dpend naturellement de la loi suppose de
t
z . Pour les lois usuelles retenues
dans nos applications, cette quantit est dfinie de la faon suivante :
Loi Normale:
2
=
t
z E
Loi de Student (v) :
) 2 ( ) 1 (
2 ) 2 (
2
v v
v v
z E
t

=

Loi GED (v) :
) 3 ( ) 1 (
) 2 (
v v
v
z E
t

=
o ( ) . dsigne la fonction gamma.

Dans le cas du modle EGARCH, il est inutile dimposer des contraintes sur les paramtres pour
satisfaire la condition de positivit de la variance conditionnelle
t
h en raison de son criture
logarithmique. Le paramtre

permet de modliser un effet asymtrique li au signe de linnovation
t
z . Si 0 > (respectivement si 0 < ), un choc positif sur la variance conditionnelle la date t se
traduira la date t+1 par une augmentation (respectivement une diminution) de la variance
conditionnelle, c'est--dire de la volatilit, du processus
t
y . Le paramtre permet de prendre en
compte une asymtrie lie lamplitude de linnovation
t
z mesure par lcart
t t
z E z . Si 0 = ,
alors une innovation positive aura le mme effet (en valeur absolue) sur la variance conditionnelle
quune innovation ngative. En revanche, si 0 > un choc de forte damplitude aura relativement
plus deffet (en valeur absolue) sur la variance conditionnelle quun choc de faible ampleur.

Les paramtres du modle EGARCH peuvent tre estims selon diffrentes mthodes :
maximum de vraisemblance, pseudo maximum de vraisemblance, mthode des moments etc. (pour

3
plus de dtails, voir Gouriroux, 1997). Les mthodes gnralement retenues sont celles du
maximum de vraisemblance (MV) ou du pseudo maximum de vraisemblance (PMV). Lavantage du
PMV rside dans le fait que lestimateur obtenu converge malgr une mauvaise spcification
(suppose normale) de la distribution conditionnelle des rsidus, condition que la loi spcifie
appartienne la famille des lois exponentielles (Gouriroux et Montfort, 1989). Ainsi, lestimateur du
MV obtenu sous lhypothse de normalit des rsidus et lestimateur du PMV sont identiques, seules
leurs lois asymptotiques respectives diffrent. Toutefois dans les deux cas (MV ou PMV), sous les
hypothses standards, lestimateur est asymptotiquement convergent et asymptotiquement normal.

Considrons le cas dun modle EGARCH(1,1) sous lhypothse de normalit des innovations.

t t
c y + =
t t t
h z =
)) log( ) 2 ( exp(
1 1 1 1 1 1 0
+ + + =
t t t t
h z z h
z
t
i.i.d. N(0,1)
o les variables
t
centre et rduite. Le paramtre a t normalis 1 puisque dans le cas du EGARCH(1,1) il y a 4
rgresseurs et 5 paramtres estimer. La fonction de log-vraisemblance associe un chantillon de
T observations { }
T
y y ,..,
1
t
y sachant son propre pass scrit :
[ ]

= =
=
T
t t
t t
T
t
t
h
m y
h
T
L
1 1
) (
) (
2
1
)) ( log(
2
1
) 2 log(
2
) ( log

o dsigne lensemble des paramtres du modle, ) (
t
) (
t
h dsigne la variance conditionnelle. Dans le cas du modle EGARCH(1,1) prsent ci-dessus :
( ) c m
t
=
( ) )) log( ) 2 ( exp(
1 1 1 1 1 1 0
+ + + =
t t t t
h z z h


4
log ( )
0
L

2
2
log ( )
0
L

<

(Gouriroux, 1997).
( )
1 1
( ) 0,
d
T
T N J IJ

0
log ( )
'
L
J E

=

0
log ( ) log ( )
'
L L
I E

=

o
0

de lalgorithme doptimisation retenu et plus spcifiquement du problme du choix des conditions
initiales.

i
et
i
Concernant le paramtre , non dfinis dans un modle GARCH, nous considrons une condition
initiale fixe 0, initialisant ainsi lalgorithme doptimisation sur un modle symtrique.


5

4. Exemple
Considrons lexemple dun modle EGARCH(1,1) estim partir de la srie des rendements
quotidiens du Nasdaq sur la priode allant du 1
er
janvier 1996 au 31 octobre 2006. On considre ici
une procdure de maximum de vraisemblance sous une hypothse de distribution conditionnelle
t t
c rdt + =
t t t
h z =
)) log( ) 2 ( exp(
1 1 1 1 1 1 0
+ + + =
t t t t
h z z h
z
t
i.i.d. N(0,1)
VAR(rdt) = H(alpha0, alpha1, beta1, theta, intercept)

t
h , scrit
comme une fonction des paramtres , ,
1 0
et
1
.

NOTE: At FIML Iteration 40 CONVERGE=0.001 Criteria Met. A warning in the log indicates a
possible problem with the model.


R 0.000677

6
PPC(intercept) 0.026255
RPC(intercept) 0.041207
Object 2.589
E
-6
Trace(S) 0.000343
Lambda 1E-7

La log vraisemblance est ici gale -7662 puisquil est important de prciser que SAS minimise
loppos de la fonction de vraisemblance. Ce tableau fournit en outre parmi un ensemble

modle EGARCH.

Estimations FIML Parameter non linaires
Parameter Estimation Erreur standard
appr.
Valeur du test t Approx
Pr > |t|
alpha0 -0.1217 0.0285 -4.26 <.0001
alpha1 0.06046 0.00968 6.25 <.0001
beta1 0.985106 0.00339 290.93 <.0001
theta 3.198596 0.5900 5.42 <.0001
intercept 0.000413 0.000225 1.84 0.0665

Dans ce tableau, figure en deuxime colonne la ralisation des estimateurs du MV de chacun des
paramtres. Dans la troisime colonne, figure la ralisation de lestimateur de lcart type

7
asymptotique de lestimateur du MV, partir de laquelle est construite la valeur de la statistique de
Student associe au test du nullit du paramtre considr (quatrime colonne). Enfin, figure dans la
dernire colonne la p-value associe la loi asymptotique de la statistique de Student. Rappelons que
pour un risque de premire espce de % , si la p-value est infrieure au seuil de % , on est
conduit rejeter lhypothse nulle de nullit du coefficient. Le coefficient est donc significativement
diffrent de zro. On observe que dans le cas de notre exemple, les paramtres
1 1 0
, , et sont
significativement diffrents de zro au seuil de risque de 1%. La constante est quand elle
significative pour un risque de premire espce de 7%.

lquation :
0 1 1 1 1 1 1

exp( ( 2 ) log( ))
t t t t
h z z h

= + + +
o
1 1 0
, , et
dsignent les estimateurs du MV et o

1
h est donne. Les valeurs estimes de la

variance conditionnelle obtenues dans notre exemple sont reproduites sur la Figure 1 et rendent bien
compte des clusters de volatilit, c'est--dire de la succession de priodes de turbulences et de calme
sur le march considr.


8

Rdacteurs : Outreville Sverine et Guillaumin Claire

1
Universit dOrlans
Site Value-at-Risk

Fiche 8. Modle QGARCH (Quadratic GARCH)

Le processus QGARCH introduit par Engle et Ng (1993) et Sentana (1995) permet de prendre
en compte des asymtries dans la rponse de la volatilit conditionnelle aux innovations. Sentana
(1995) a montr que les proprits des modles GARCH(1,1) et QGARCH (1,1) sont trs similaires :
les conditions de stationnarit sont identiques celles drives dans le cas du modle GARCH et
comme le rsidu est un processus centr, lexpression de son esprance non conditionnelle est
galement identique celle obtenue avec un GARCH. En revanche, la Kurtosis dans les modles
QGARCH est toujours plus grande que dans les modles GARCH symtriques correspondants, ce
qui explique que le QGARCH domine souvent empiriquement le GARCH.

1. Prsentation du Modle QGARCH
Lcriture du modle QGARCH porte sur la variance conditionnelle du processus considr. Soit
un processus
t
t
= , satisfaisant une reprsentation de type QGARCH(1,1). Ce
processus scrit sous la forme suivante :
t t
c y + =
t t t
h z =
1 1
2
1 2 1 1 0
+ + + =
t t t t
h h
o
t
t
z E

et
2
) (
z t
z Var = et o les
paramtres
i i
, sont des rels. De faon usuelle, la quantit
t

2
du processus
t
y telle que ( ) ( )
t t t t t
h V y y V = =
1 1
o
1 t
passes { }
0 1
,.., y y
t
. Le paramtre
2

permet de modliser leffet asymtrique.

Dans le cas du modle QGARCH, il est utile dimposer des contraintes sur les paramtres pour
satisfaire la condition de positivit de la variance conditionnelle
t
h . Ces contraintes se ramnent
0 , ,
1 2 0
et
0 2
2
1
4 . La stationnarit est assure si 1
1 2
+ . Notons que la forme
quadratique ( )
2
1 2 1 1 1
+ =
t t t
f

est minimale en ( )
2 1
2 / . Par consquent, la symtrie de la
rponse nest pas obtenue en zro mais en ce point : amplitude donne de linnovation passe, on a
bien un impact sur
t
h diffrent selon le signe de
1 t
.

Sentana (1995) propose une gnralisation un modle QGARCH(p,q) telle que :

= + =

=

=

+ + + =
q
i
q
i j
j t i t ij
q
i
i t ii
q
i
i t i t
a a h
1 1 1
2
1
2

Ce modle permet de tester simplement les asymtries dynamiques dans la fonction de variance
conditionnelle de certaines sries financires. De plus, la formulation du QGARCH peut aussi tre
interprte comme une approximation de Taylor au second ordre de la fonction de variance ou
comme la projection quadratique de linnovation au carr sur lensemble dinformation. En fait, cette
projection concide avec la projection de la vraie variance conditionnelle sur un ensemble
dinformation quadratique , donc nous pouvons ainsi comprendre le modle QGARCH comme
produisant des estimateurs filtrs et lisss de la variance conditionnelle.

Les paramtres du modle QGARCH peuvent tre estims selon diffrentes mthodes :

3

Considrons le cas dun modle QGARCH(1,1) sous lhypothse de normalit des innovations.
t t
c y + =
t t t
h z =
1 1 1 1
2
1 1 0
+ + + =
t t t t
h h
z
t
i.i.d. N(0,1)
o les variables
t
centre et rduite.

La fonction de log-vraisemblance associe un chantillon de T observations { }
T
y y ,..,
1
obtenue
sous lhypothse de normalit de la loi conditionnelle de
t
y sachant son propre pass scrit :
[ ]
[ ]
1 1
( )
1 1
log ( ) log(2 ) log ( )
2 2 2 ( )
T T
t t
t
t t
t
y m
T
L h
h

= =
=

t
( )
t
h dsigne la variance conditionnelle. Dans le cas du modle QGARCH(1,1) prsent ci-dessus :
( )
t
m c =
( )
2
0 1 1 1 1 1 1 t t t t
h h

= + + +

0
) ( log
L

0
) ( log
<
L


4
(Gouriroux, 1997).
( )
1 1
, 0 )
(

IJ J N T
d
T

=
'
) ( log
0

L
E J
=
'
) ( log ) ( log
0
L L
E I
o
0

initiales.

i
et
i
Concernant le paramtre , non dfini dans un modle GARCH, nous retenons une condition
initiale fixe 0, initialisant ainsi lalgorithme doptimisation sur un modle symtrique.

4. Exemple
Considrons lexemple dun modle QGARCH(1,1) estim partir de la srie des rendements
quotidiens du Nasdaq sur la priode allant du 1
er

5
t t
c rdt + =
t t t
h z =
1 1 1 1
2
1 1 0
+ + + =
t t t t
h h
z
t
i.i.d. N(0,1)

VAR(rdt) = H(alpha0, alpha1, beta1, gamma1, intercept)

Il sagit dinformations portant sur lcriture du modle qui rappellent que lesprance du
rendement est une constante et que la variance conditionnelle du rendement, cest--dire le processus
t
h , scrit comme une fonction des paramtres
1 1 0
, , et
1
.


R 0.000542
PPC(intercept) 0.010994

6
RPC(theta) 0.014533
Object 1.382E-6
Trace(S) 0.00021
Lambda 0.006872

La log vraisemblance est ici gale -16973,68, puisquil est important de prciser que SAS
minimise loppos de la fonction de vraisemblance. Ce tableau fournit en outre parmi un ensemble
dinformations sur la convergence de lalgorithme doptimisation parmi lesquelles figure la valeur de
la norme du gradient de la log-vraisemblance au point optimal.

modle QGARCH.

appr.
Pr > |t|
alpha0 3.213E-6 3.794E-7 8.47 <.0001
a1pha1 0.140495 0.0117 12.00 <.0001
beta1 0.845815 0.0112 75.77 <.0001
gamma1 -0.00054 0.000110 -4.96 <.0001
intercept 0.000645 0.000121 5.33 <.0001


7
Dans ce tableau, figure en premire colonne la ralisation des estimateurs du MV de chacun des
On observe que dans le cas de notre exemple, tous les paramtres sont significativement diffrents
de zro au seuil de risque de 1%.

pr emi er axe Rendement
second axe Var i ance condi t i onnel l e
r dt
- 12
- 11
- 10
- 9
- 8
- 7
- 6
- 5
- 4
- 3
- 2
- 1
0
1
2
3
4
5
6
dat e
01/ 01/ 80 01/ 01/ 85 01/ 01/ 90 01/ 01/ 95 01/ 01/ 00 01/ 01/ 05 01/ 01/ 10
h_r dt
0. 0000
0. 0002
0. 0004
0. 0006
0. 0008
0. 0010
0. 0012
0. 0014
0. 0016
0. 0018
0. 0020
0. 0022
0. 0024
0. 0026
0. 0028
0. 0030
0. 0032
0. 0034
0. 0036
0. 0038
0. 0040
0. 0042
0. 0044
0. 0046
0. 0048
0. 0050

lquation :
2
1
1 1 0 1 1 1
t
t t t
h h

= + + +

8
1
h donn
o
1 1 1 0
,
, , dsignent les estimateurs du MV. Les valeurs estimes de la variance conditionnelle

obtenues dans notre exemple sont reproduites sur la Figure 1 et rendent bien compte des clusters de
volatilit, c'est--dire de la succession de priodes de turbulences et de calme sur le march considr.

Rdacteurs : Doublet Emilie et Renvois Amlie


1
Universit dOrlans
Site Value-at-Risk

Fiche 9. Modle IGARCH (Integrated GARCH)

Le modle IGARCH (Integrated General Autoregressive Conditional Heteroskedasticity) correspond au cas
dune racine unitaire dans la variance conditionnelle. Cest un modle ARCH non linaire caractris
par un effet de persistance dans la variance. Cest--dire quun choc sur la variance conditionnelle
actuelle se rpercute sur toutes les valeurs futures prvues.

1. Prsentation du Modle IGARCH
Lcriture du modle IGARCH porte sur la non stationnarit de son processus de variance
conditionnelle et par une variance non conditionnelle infinie. Soit un processus
t
y , despance
( ) 0
t
E y = , satisfaisant une reprsentation de type IGARCH(p,q). Ce processus scrit sous la forme
suivante :
t t t
y z h =
t t t
z h =
( )
2
0
1 1
1
q p
t i t i t i
i
i i
h h

= =
= + +

o
t
t
z E

et ( ) 1
t
Var z = et o les
paramtres
0
,
i
sont des rels tels que:
( )
1 1
1 1
= =
+ =

q p
i
i
i i


2
De faon usuelle, la quantit
t
h dsigne la variance conditionnelle du processus
t
y telle que
( ) ( )
t t t t t
h V y y V = =
1 1
o
1 t
y dsigne lensemble des valeurs passes{ }
0 1
,.., y y
t
.

Les prvisions de la variance conditionnelle aux diffrents horizons k sont de la forme :
1
1 1 0 1 1
0
( / ) ( ) ( )
k
k i
t k t t
i
E h h
+
=
= + + +

Lorsque + <
1 1
1, le processus
t
est stationnaire et linfluence du choc sur la variance
conditionnelle est dcroissante et asymptotiquement ngligeable sur
t k
h
+
. Dans ce cas, on a
( )
1 1
1 . Lorsque + =
1 1
1 avec ( )
1 1
1 = on a :
0
( / )
t k t t
E h h k
+
= +
en prsence dun terme constant, ( / )
t k t
E h
+
diverge avec k . Ce qui traduit alors la persistance des
chocs passs.


Considrons le cas dun modle IGARCH(1,1) sous lhypothse de normalit des innovations.
t t
c y + =
t t t
h z =
( )

= + +
2
0 1 1 1 1
1
t t t
h h

3
z
t
i.i.d. N(0,1)
o les variables
t
z sont identiquement et indpendamment distribues (i.i.d.) selon une loi
normale centre et rduite. La fonction de log-vraisemblance associe un chantillon de T
observations { }
T
y y ,..,
1
t
y sachant
son propre pass scrit :
| |
1 1
( )
1 1
log ( ) log(2 ) log( ( ))
2 2 2 ( )
T T
t t
t
t t
t
y m
T
L h
h

= =
=

t
( )
t
h dsigne la variance conditionnelle. Dans le cas du modle IGARCH(1,1) prsent ci-dessus :
( )
t
m c =
( )

= + +
2
0 1 1 1 1
1
t t t
h h

0
) ( log
L

0
) ( log
<
L

(Gouriroux, 1997).
( )
1 1
, 0 )
(

IJ J N T
d
T

(
=
'
) ( log
0

L
E J
(
=
'
) ( log ) ( log
0
L L
E I
o
0


4
initiales.

procdure AUTOREG sous SAS utilise pour estimer les modles GARCH : la mthode de Gauss
i
et
i
les valeurs estimes dans le cas dun modle IGARCH sous hypothse de normalit.

4. Exemple
Considrons lexemple dun modle IGARCH(1,1) estim partir de la srie des rendements
t t
c rdt + =
t t t
h z =
( )
2
0 1 1 1 1 t t t
h h

= + +
z
t
i.i.d. N(0,1)

La sortie SAS issue de la procdure AUTOREG retenue (Hurlin, 2006) dbute par un ensemble
Variable DF Estimate Standard Error t Value Approx
Pr > |t|
Intercept 1 -0.000547 0.000175 -3.12 0.0018
ARCH0 1 7.9516E-7 1.9997E-7 3.98 <.0001
ARCH1 1 0.0899 0.008099 11.11 <.0001

5
Pr > |t|
GARCH1 1 0.9101 0.008099 112.36 <.0001

Dans ce tableau, figure en premier le degr de libert de la statistique de Student, ensuite
ralisation des estimateurs du MV de chacun des paramtres. Dans la troisime colonne, figure la
ralisation de lestimateur de lcart type asymptotique de lestimateur du MV, partir duquel est
construit la valeur de la statistique de Student associe au test de nullit du paramtre considr
(troisime colonne). Enfin, figure dans la dernire colonne la p-value associe la loi asymptotique
de la statistique de Student. Rappelons que pour un risque de premire espce de % , si la p-value
est infrieure au seuil de % , on est conduit rejeter lhypothse nulle de nullit du coefficient. Le
coefficient est donc significativement diffrent de zro. On observe que dans le cas de notre
exemple, les paramtres
0
,
1
,
1
et la constante sont significativement diffrents de zro au seuil
de risque de 1%.

lquation :

| |
= + +
|
\ .
2
0 1 1 1 1
1
t t t
h h
ou

| |
= + +
|
\ .
2
0 1 1 1 1
( ) 1
t t t
h rdt c h
o

0 1
, sont les coefficients estims par MV et o
1
h est donne.

Les valeurs estimes de la variance conditionnelle obtenues dans notre exemple sont reproduites
sur la Figure suivante et rendent bien compte des clusters de volatilit, c'est--dire de la succession de
priodes de turbulences et de calme sur le march considr.


6



1
Universit dOrlans
Site Value-at-Risk

Fiche 10. Modle GJR-GARCH

Le modle GJR-GARCH a t introduit par Glosten, Jagannathan et Runkle (1993). Cest un
modle GARCH non linaire qui permet de rendre compte de lasymtrie dans la rponse de la
variance conditionnelle une innovation. La logique de ce modle est similaire celle des modles
changements de rgimes et plus spcifiquement des modles seuils (Tong, 1990). Le principe du
modle GJR-GARCH est que la dynamique de la variance conditionnelle admet un changement de
rgime qui dpend du signe de linnovation passe.

1. Prsentation du Modle GJR-GARCH
Soit un processus
t
t
= , satisfaisant une reprsentation de type GJR-
GARCH(p,q). Ce processus scrit sous la forme suivante :
t t
c y + =
t t t
h z =

=
<
=
+ + + =

p
i
i t i i t i i t
q
i
i t
h h
i t
1
2
0
2
1
0
) I (

o
t
t
z E

et
2
) (
z t
z Var = , o les
paramtres
i i
, et
i
sont des rels et o
0
I
< i t
dsigne la fonction indicatrice telle que

0
I
<
i t
=1
si 0 <
i t
et
0
I
<
i t
=0 sinon. De faon usuelle, la quantit

t
h dsigne la variance conditionnelle du
processus
t
y telle que ( ) ( )
t t t t t
h V y y V = =
1 1
o
1 t
y dsigne lensemble des valeurs passes
{ }
0 1
,.., y y
t
.

2

Dans le cas du modle GJR-GARCH, il est utile dimposer des contraintes sur les paramtres
pour satisfaire la condition de positivit de la variance conditionnelle
t
h : q i
i
,..., 1 , 0 , 0
0
= > et
p i
i
,..., 1 , 0 = . Les paramtres
i

permettent de modliser un effet asymtrique li aux signes des
innovations passes
i t
. Si 0 >
i
(respectivement si 0 <
i
), un choc positif sur les innovations
passes la i t se traduira la date t par une augmentation (respectivement une diminution) de la
variance conditionnelle, c'est--dire de la volatilit, du processus
t
y .

Les paramtres du modle GJR-GARCH peuvent tre estims selon diffrentes mthodes :

Considrons le cas dun modle GJR-GARCH(1,1) sous lhypothse de normalit des
innovations.
t t
c y + =
t t t
h z =
1 1
2
1 0
2
1 1 0
I
<
+ + + =

t t t t
h h
i t

z
t
i.i.d. N(0,1)
o les variables
t

3
{ }
T
y y ,..,
1
t
pass scrit :
[ ]

= =
=
T
t t
t t
T
t
t
h
m y
h
T
L
1 1
) (
) (
2
1
)) ( log(
2
1
) 2 log(
2
) ( log

o dsigne lensemble des paramtres du modle, ) (
t
) (
t
h dsigne la variance conditionnelle. Dans le cas du modle GJR-GARCH(1,1) prsent ci-
dessus :
( ) c m
t
=
1 1
2
1 0
2
1 1 0
I ) (
<
+ + + =

t t t t
h h
i t

0
) ( log
L

0
) ( log
<
L

(Gouriroux, 1997).
( )
1 1
, 0 )
(

IJ J N T
d
T

=
'
) ( log
0

L
E J
=
'
) ( log ) ( log
0
L L
E I
o
0

4
initiales.

i
et
i
Concernant les paramtres
i
, non dfinis dans un modle GARCH, nous considrons des
conditions initiales fixes 0.0001 permettant ainsi dvaluer la pertinence de notre modle
asymtrique.

4. Exemple
Considrons lexemple dun modle GJR-GARCH(1,1) estim partir de la srie des rendements
quotidien du Nasdaq sur la priode allant du 1
er
t t
c rdt + =
t t t
h z =
1 1
2
1 0
2
1 1 0
I
<
+ + + =

t t t t
h h
i t

z
t
i.i.d. N(0,1)

5
VAR(rdt) = H(alpha0, alpha1, beta1, phi, intercept)

t
h , scrit
comme une fonction des paramtres , ,
1 0
et
1
.

fournies quant lajustement du modle.
R 0.000981
PPC(alpha0) 0.013881
RPC(phi) 0.048459
Object 5.664E-7
Trace(S) 0.000343
Lambda 0.134218

La log-vraisemblance est ici gale -7644,7, puisquil est important de prciser que SAS minimise
linverse de la fonction de vraisemblance. Ce tableau fournit en outre parmi un ensemble

modle GJR-GARCH.

6

appr.
Pr > |t|
alpha0 4.094E-6 7.97E-7 5.14 <.0001
alpha1 0.174515 0.0190 9.17 <.0001
beta1 0.866692 0.0136 63.83 <.0001
phi -0.10213 0.0180 -5.67 <.0001
intercept 0.000482 0.000232 2.08 0.0375

Dans ce tableau, figure en premire colonne la ralisation des estimateurs du MV de chacun des
On observe que dans le cas de notre exemple, les paramtres , ,
1 0
et
1
sont significativement
diffrents de zro au seuil de risque de 1%. La constante est quand elle significative pour un risque
de premire espce de 4%.

lquation :
1 1
2
1 0
2
1 1 0
<
+ + + =

t t t t
h h
i t

o
1 1 0
, , et dsignent les estimateurs du MV. Les valeurs estimes de la variance

conditionnelle obtenues dans notre exemple sont reproduites sur la Figure suivante et rendent bien
compte de la hausse trs nette de la volatilit observe sur lindice Nasdaq partir de la fin des
annes 2000.

7

Rdacteurs : Outreville Sverine et Guillaumin Claire


1
Universit dOrlans
Site Value-at-Risk

Fiche 11. Modle GARCH-M (GARCH in Mean)

Le modle GARCH-M (General Autoregrssive Conditional Heteroskedasticity in Mean) a t introduit par
Engle-Lilien-Robbins (1987). Cest un modle ARCH qui permet de mesurer linfluence du
rendement des titres sur la volatilit conditionnelle. Comme les modles ARCH linaires, le modle
GARCH-M repose sur une spcification quadratique de la variance conditionnelle des perturbations.

1. Prsentation du Modle GARCH-M
Lcriture du modle GARCH-M porte sur la non stationnarit de son processus de variance
conditionnelle et par une variance non conditionnelle infinie. Soit un processus
t
y , despance
( ) = 0
t
E y , satisfaisant une reprsentation de type GARCH-M (p,q). Ce processus scrit sous la
forme suivante :
t t t t
y x b h = + +
t t t
z h =
2
0
1 1
q p
t i t i i t i
i i
h h

= =
= + +

o
t
t
z E

et
2
) (
z t
z Var = et o les
paramtres ,
i i
sont des rels. De faon usuelle, la quantit
t
du processus
t
y telle que ( ) ( )
t t t t t
h V y y V = =
1 1
o
1 t
passes{ }
0 1
,.., y y
t
. Afin de garantir la positivit de la variance conditionnelle, les conditions de
positivit des paramtres suffisent, on suppose :
0
0 > , 0, 1, ...,
i
i q = , 0, 1, ...,
i
i p = .

2

Le paramtre mesure limpact de la variance conditionnelle sur le rendement ; il correspond
galement au coefficient de laversion relative au risque. Les variables
t
z sont indpendamment et
identiquement distribues (i.i.d.).

En plus de la forme linaire de lcriture de
t
y ci-dessus des variantes sont possibles ; c'est--dire
les formes log-linaire et racine carr.
log( )
t t t t
y x b h = + + Forme Log-Linaire
t t t t
y x b h = + + Forme Racine Carr


Considrons le cas dun modle GARCH-M (1,1) sous lhypothse de normalit des innovations.
t t
c y + =
t t t
h z =

= + +
2
0 1 1 1 1 t t t
h h
z
t
i.i.d. N(0,1)
o les variables
t

3
{ }
T
y y ,..,
1
t
pass scrit :
| |
1 1
( )
1 1
log ( ) log(2 ) log( ( ))
2 2 2 ( )
T T
t t
t
t t
t
y m
T
L h
h

= =
=

t
( )
t
h dsigne la variance conditionnelle. Dans le cas du modle GARCH-M (1,1) :
( )
t
m c =
( )
2
0 1 1 1 1 t t t
h h

= + +

0
) ( log
L

0
) ( log
<
L

(Gouriroux, 1997).
( )
1 1
, 0 )
(

IJ J N T
d
T

(
=
'
) ( log
0

L
E J
(
=
'
) ( log ) ( log
0
L L
E I
o
0


4
initiales.

procdure AUTOREG sous SAS utilise pour estimer les modles GARCH : la mthode de Gauss
i
et
i
les valeurs estimes dans le cas dun modle GARCH-M sous hypothse de normalit.

4. Exemple
Considrons lexemple dun modle GARCH-M (1,1) estim partir de la srie des rendements
t t
c rdt + =
t t t
h z =
( )
2
0 1 1 1 1 t t t
h h

= + +
z
t
i.i.d. N(0,1)

La sortie SAS issue de la procdure AUTOREG retenue (Hurlin, 2006) dbute par un ensemble

Pr > |t|
Intercept 1 -0.000547 0.000175 -3.12 0.0018
ARCH0 1 7.9516E-7 1.9997E-7 3.98 <.0001
ARCH1 1 0.0899 0.008099 11.11 <.0001
GARCH1 1 0.9101 0.008099 112.36 <.0001


5
Dans ce tableau, figure en premier le degr de libert de la statistique de Student, ensuite
ralisation des estimateurs du MV de chacun des paramtres. Dans la troisime colonne, figure la
ralisation de lestimateur de lcart type asymptotique de lestimateur du MV, partir duquel est
construit la valeur de la statistique de Student associe au test de nullit du paramtre considr
(troisime colonne). Enfin, figure dans la dernire colonne la p-value associe la loi asymptotique
de la statistique de Student. Rappelons que pour un risque de premire espce de % , si la p-value
est infrieure au seuil de % , on est conduit rejeter lhypothse nulle de nullit du coefficient. Le
coefficient est donc significativement diffrent de zro. On observe que dans le cas de notre
exemple, les paramtres
0
,
1
,
1
et la constante sont significativement diffrents de zro au seuil
de risque de 1%.

lquation :

| |
= + +
|
\ .
2
0 1 1 1 1
1
t t t
h h
ou

| |
= + +
|
\ .
2
0 1 1 1 1
( ) 1
t t t
h rdt c h
o

0 1
, sont les coefficients estims par MV et o
1
h est donne.


6
Les valeurs estimes de la variance conditionnelle obtenues dans notre exemple sont reproduites
sur la Figure 1 et rendent bien compte des clusters de volatilit, c'est--dire de la succession de
priodes de turbulences et de calme sur le march considr.


1
Universit dOrlans
Site Value-at-Risk

Fiche 12. Distributions Conditionnelles - Modles GARCH

Introduction
Diffrentes lois peuvent tre utilises dans le cadre des procdures de maximum de
vraisemblance pour lestimation des paramtres du modle GARCH. Nous proposons ici une
prsentation des proprits des lois les plus gnralement utilises savoir :
- la distribution Normale
- la distribution de Student
- la distribution General Error Distribution (GED)
- la distribution Skewed Student
- la distribution Skewed GED

1. Loi Normale
La densit normale a longtemps t utilise dans la littrature du fait de sa simplicit. Pour
autant, il est aujourdhui reconnu que les proprits de la loi normale, symtrique et
msokurtique, ne sont pas compatibles avec les faits styliss (distribution conditionnelle
leptokurtique et asymtrique) observs gnralement sur les sries de rendements des actifs
financiers (Cont, 2001). Notons toutefois, que supposer tort la normalit peut tout de mme
conduire des estimations convergentes des paramtres dun modle GARCH (principe du
pseudo-maximum de vraisemblance), bien que non efficaces. Mais, dans le cas dune application
la VaR, la spcification de la loi conditionnelle ne concerne pas uniquement le problme de
lestimation des paramtres du modle GARCH et affecte plus directement la dtermination du
fractile de la distribution conditionnelle. Le choix tort dune spcification normale peut ds lors
avoir des consquences notables sur les estimations et les prvisions de VaR.


2
Les formules utiles dans une perspective de calcul de la VaR associes la loi normale centre
rduite sont les suivantes :
2
1
( ) ( ) exp
2 2
z
f z z
1

= =

( )

2
1
( ) ( ) exp
2 2
z
t
F z z dt

1

= =

( )

1 1
( ) ( ) F

=
2/ E z =
3
3
( ( )) 0 E z E z
l
= =
l
l

4
4
( ( )) 3 E z E z
l
= =
l
l

O
3
et
4
dsignent respectivement la Skewness et la Kurtosis.

La log-vraisemblance associe une observation
t
z sous lhypothse de normalit scrit :
[ [
[ [
1 1
( )
1 1
( ) log(2 ) log ( )
2 2 2 ( )
T T
t t
t
t t t
z m
T
Log L h
h

= =
=

o ( )
t
h dsigne la variance conditionnelle dun processus GARCH et ( )
t
m fait rfrence
lesprance conditionnelle.

2. Loi de Student
La distribution de Student permet de modliser des queues de distribution plus paisses que
celles de la loi normale (distribution leptokurtique). Plus prcisment, la Kurtosis de la
distribution de Student est dtermine par le degr libert v . Ds lors, dans le cadre des modles
GARCH, ce paramtre estim permet de capturer lexcs de Kurtosis qui ne peut pas tre
expliqu par le modle GARCH lui mme. La distribution de Student standardise est symtrique
et la Skewness est nulle condition que 3 v . La distribution est leptokurtique ds lors que
4 v > .

Les formules utiles dans une perspective de calcul de la VaR associes une loi de Student v
degrs de libert sont les suivantes (Bao, Lee et Saltogu, 2004).

3
1
2
1
1 2
( ; ) 1 , 2
2
v
v
z
f z v v
v v v

1
( )

=

1
( )

( )

1
2
1
1 2
( ; ) ( ; ) 1 , 2
2
v
x
v
t
F z v G z v dt v
v v v

1
( )

= =

1
( )

( )

1 1
( 2)
( ) ( ; )
v
F G v
v

=
1
4 2
2
1 ( 1)
2
v
v
E z
v
v
1

( )
=
1

( )

3
0 , 3 v =
4
3
, 4
( 2)( 4)
v
v
v v
=

o
3
et
4

t
z sous lhypothse de Student scrit :
( )
1
log ( , ) log ( ) log ( ) 0.5 log 2 log( ) (1 ) log 1
2 2 2
t
t t
z v v
L v h v
v

' ' l 1 l l 1 1
1 1
l l
l l =
! !
l l 1 1 l l ( )
l l 1 l + 1+
o ( ) . dsigne la fonction gamma.

3. Loi GED (General Error Distribution)
La distribution erreurs gnralises (GED) est galement symtrique mais est assez flexible
dans les queues grce au paramtre v . En effet, quand 2 v = , nous tombons sur une distribution
normale standard. Lorsque 2 v < , cette distribution a des queues plus paisses que celle de la
normale (distribution leptokurtique). Pour 1 v = , la distribution GED dgnre vers une
distribution double exponentielle. Lorsque ce paramtre v est suprieur 2, la distribution GED a
des queues plus fines que celles de la normale (distribution platykurtique). Enfin, quand v tend
vers linfini, on obtient une distribution uniforme. Lexcs de Kurtosis est donn par
(1/v) (5/v)/ [ (3/v)] , (Bao, Lee et Saltogu, 2004).


4
Les formules utiles dans une perspective de calcul de la VaR associes une loi GED v
degrs de libert sont les suivantes.
(1 1/ )
exp( 0.5 / )
( ; ) , 0
2 (1/ )
v
v
v z
f z v v
v

1
1/ ,
2
0
2 (1/ )
( ; )
1
1/ ,
2
1
0
2 2 (1/ )
v
v
z
v
si z
v
F z v
z
v
si z
v
' 1
1
1
1

1

1
( ) 1
( )
1
1
1

1
1
=
!
1
1
1 1

1

1
( )
1 ( )
1

1
1

1+

1
1
1
2 (1/ , 2 (1/ )) 0.5
( )
1
2 (1/ , 2( ) (1/ )) 0.5
2
v v si
F
v v si

'
1
1
1
1
=
!
1
1
1
1+

1/
(2/ )
2
(1/ )
v
v
E z
v

3
0 =
[ [
4 2
(1/ ) (5/ )
(3/ )
v v
v

o
3
et
4
dsignent respectivement la Skewness et la Kurtosis et une constante telle que :
( 2/ )
2 (1/ ) / (3/ )
v
v v

=

t
z sous lhypothse GED scrit :
1
1
log ( , ) log( / ) 0.5 (1 ) log(2) log 0.5log( )
v
t
t t
z
L z v v h
v

l 1

l
=

l
( )
l

4. Loi Skewed Student
Bien que la GED permette une flexibilit dans la modlisation de la Kurtosis, elle ne peut pas
modliser la Skewness observe dans un grand nombre de sries financires. Or, ngliger la
Skewness peut conduire une infrence biaise du risque.


5
Fernandez et Steel (1998) ont t les premiers proposer la Skewed Student comme une
distribution quatre paramtres o les paramtres rgissant la location, la dispersion, la Skewness
et la Kurtosis ont une interprtation intuitive.

Les formules utiles dans une perspective de calcul de la VaR associes une loi de Skewed
Student v degrs de libert sont les suivantes.
1
2 2
2
1
1
2 2
2
1
1
2 1 ( ) 2
1
2 ( 2)
2
( ; , )
1
2 1 ( ) 2
1
2 ( 2)
2
v
v
v
s sz m m
si z
v v s v
f z v
v
s sz m m
si z
v v s v
' 1
1
1

1
1
1 ( )
1

1 1
( )
1
1

1
( )
1
1
=
!
1
1
1

1
1 1
( )
1
1

1
1
( ) 1

1

1

( )
1
1+

1
2
2
( ( ) ; )
1 2
( ; , )
2
1 ( ( ) ; )
1 2
v m
G sz m v si z
v s
F z v
v m
G sz m v si z
v s
'
1
1

1
1

1
1
=
!
1
1
1

1
1
1+

( )
( )
1 2
1
1 2
1
1 ;
1 2
1
( )
1
1 ;
1 2
1
G v m
si
s
F
G v m
si
s

' 1
1
1

1

1 ( )
1

1
1

1
=
!
1
1
1

1
1
( )
1
1
1
1
+

2
1
4 2
2
1
( 1)
2
v
v
E z
v
v

( )
=
1

( )

[ [
3/ 2 4
3 3 3 3
( 2) ( 1)( 1) ( 3) / 2
( 3 )
( / 2)
v v
m m s
s s v

[ [
3/ 2 4
5 5
4 1 4 4 3 4
4 ( 2) ( 1)( 1) ( 3) / 2
3( )( 2) 3 ( 2 )
( )( 4) ( / 2)
m v v
v m m s
v s s s v

=

o 0, 2, (( 1) / 2) ( 2) / ( 1/ ) / ( / 2), ( 1/ 1) v m v v v s m = =
3
et
4
dsignent respectivement la Skewness et la Kurtosis si v est respectivement suprieur
3 et 4. G(. ; v ) dnote la fonction de rpartition dune distribution de Student standard. est un

6
indicateur dasymtrie tel que lorsque =1, la distribution Skewed Student est gale la
distribution de Student.

t
z sous lhypothse Skewed Student scrit :
( )
( )
2
2 2
1
1 1 2
log ( , ) log ( ) log( ) log( ( 2)) log log( )
1
2 2 2
1
log( ) (1 ) log 1
2 2
t
t
T
t I
t
t
v v
z T v s
sz m
v
v

=
l 1

l

l =

l

l

( ) l
l
l 1
l
( )
l

5. Loi Skewed GED
Theodossiou (2000) donne la version Skewed de la GED avec deux paramtres contrlant
respectivement la Skewness et la Kurtosis. La Skewed GED tait utilis pour examiner la
distribution empirique des rentabilits de plusieurs actifs financiers des frquences diffrentes et
les rsultats ont montr quelle est approprie (Bao, Lee et Saltogu, 2004).

Les formules utiles dans une perspective de calcul de la VaR associes une loi de Skewed
GED v degrs de libert sont les suivantes.
1
2
exp( )
( ; , )
exp( )
k
k
c w z si z
f z k
c w z si z

'
1

1
1
=
!
1
1
1
+

1
2
(1 ) (1/ , ( ) )
2 (1/ )
( ; , )
(1 ) (1/ , ( ) 1
2 2 (1/ )
k
k
k w z
si z
k
F z k
k w z
si z
k

'
1
1

1
1

1
1
=
!
1

1
1

1
1
1+

1/
1
1/
1
1
1 1 2 (1/ ) 1
,
1 2
1
( )
2 (1/ )
1 1 1 2
,
1 2
k
k
k
si
k
F
k
si
k

'
1
l 1

1

l 1
1

l
( ) 1
l
1
1
1
l 1 1 1 1
= ! l
1
l
1 ( )
1
l
1

l 1

1
l
1

1
l ( )
1
l
1+


7
( )
( )
1 1 1
2 2 2
0
0
c A B C si
E z
c A B C si
'
1

1
1
=
!
1

1
1+

3
3 3
4
4
4 4 3
4 (1 ) (4/ )
3
(1/ )
(1 10 5 ) (5/ ) 16 (1 ) (4/ )
6 3 3
(1/ ) (1/ )
k
k
k k
k k

=

o k>0, 1>>-1, et o
3
et
4
1
(3/ )
, , 2
2 (1/ ) (1/ )
(2/ )
1 3 4 ,
(1/ ) (3/ )
k k
c s As
k k
k
s A A
k k
= = =

= =

Le paramtre k contrle lpaisseur des queues tandis que modlise lasymtrie quand il est
diffrent de 0.

Par ailleurs, il est possible de retrouver plusieurs densits connues comme des cas particuliers.
Ainsi, lorsque 2 k = et 0 = , nous obtenons la densit de la loi Normal standard. Pour 2 k =
et 0 , nous obtenons la Skewed normal d Azzalini (1985). Enfin pour lorsque le paramtre
0 = , nous retombons sur une distribution GED (Capuccio, Lubian et Raggi, 2004)

Master ESA : Novembre 2006


1
Universit dOrlans
Site Value-at-Risk

Fiche 13. Mthode Simulation Historique

1. Prsentation de la mthode
La popularit de la VaR Simulation Historique ou VaR-HS provient pour une bonne part
de la difficult inhrente la mise en oeuvre de certaines mthodes de calcul sophistiques de
la VaR (ou risque de march) dun portefeuille de valeurs, comme par exemple la VaR Monte
Carlo. Ces contraintes dordre techniques conditionnent en effet le choix de mthodes plus
simples mettre uvre, dont les VaR non paramtriques en gnrale (HS ou les mthodes
Hybrides).
La VaR-HS est base sur une hypothse assez forte, savoir celle de distributions i.i.d
(indpendantes et identiquement distribues). Avec une telle mthode de calcul, on suppose
donc que la distribution conditionnelle des rentabilits est invariante et peut alors tre simule
par les rentabilits passes. Par consquent, la VaR (ou de faon quivalente le fractile latent
de la distribution conditionnelle des rentabilits) est estime par sa contrepartie empirique.
Une telle dmarche n'est certes pas exempte d'inconvnients, et de nombreux travaux
empiriques, mais aussi thoriques ont soulign les insuffisances de la Simulation Historique.
On peut citer entre autres Boudoukh et al. (1998) et Pritsker (2001). L'hypothse contestable
dans la dmarche telle expose est celle de distributions i.i.d, car il est invraisemblable que les
nombreux facteurs microstructurels et macroconomiques concourrant la formation du prix
d'un actif demeurent inchangs dans le temps. Cependant, la mthode reste trs usite de part
sa simplicit. Il revient donc chaque utilisateur dune telle mthode de sassurer via des tests
appropris de lintrt statistique dune telle reprsentation des donnes, compte tenu des jeux
de donnes disponibles.


2
2. Mthode de calcul

Formellement linfrence de la VaR-HS % se ramne au calcul du fractile empirique
d'ordre de la chronique des rentabilits passes sur une fentre de taille Te, soit:

( ) { } ( ) 100 ,
1
1
t
j t t
Te t
r percentile VaR
+
=
+
(1)

Gnralement on pose Te 250 ou 500. De faon pratique pour calculer la VaR HS pour la
priode t+1, compte tenu de l'ensemble de l'information disponible en t, procdez comme suit:

o Choisir l'ensemble de l'information { }
1 2 1
, ,... ,
+ +
=
Te t Te t t t t
r r r r ;
o Ordonner de manire croissante les Te rentabilits de
t
;
o La VaR %, correspond alors la valeur de la rentabilit de rang T%. Exemple:
T=500 et =1%, la VaR correspond la valeur de la rentabilit de rang 5. Procdez
par interpolation linaire dans les cas o T% n'est pas un entier; Exemple: T=250 et
=1%.

3. Un exemple
Le graphique qui suit est une confrontation de la VaR-HS 1% et des rentabilits
observes de lactif yahoo sur 1000 jours de trading, soit du 13/03/01 au 7/03/05. Pour
chaque date appartenant cette fentre, la valeur de la VaR pour la date suivante est gnre
en utilisant la formule (1). Il sagit donc de VaR out-of-sample. On remarquera laspect
discontinue de la courbe des VaR, typique des mthodes non paramtriques qui de ce fait
contrastent gnralement avec des VaR smoothed issues de mthodes paramtriques comme
les modles Garch.


3

Rdacteur : Sessi Tokpavi

Master ESA. 9 janvier 2006


1
Universit dOrlans
Site Value-at-Risk

Fiche 14. Mthode Simulation Historique Pondre (WHS)

1. Prsentation de la mthode
La Simulation Historique Pondre (Weighted Historical Simulation) est une variante
populaire de la Simulation Historique (HS). Rappelons quune critique essentielle de la
technique HS est lhypothse i.i.d quon suppose implicitement pour la distribution des
rentabilits (Voir fiche HS). Cependant comme le souligne Pritsker (2001), on peut toutefois
s'accommoder du non respect de l'hypothse de distributions i.i.d, en supposant que les
observations les plus rcentes de l'ensemble de linformation disponible
{ }
1 2 1
, ,... ,
+ +
=
Te t Te t t t t
r r r r sont conditionnellement les plus importantes pour une ventuelle
prvision :
"When returns are not i.i.d., it might be reasonable to
believe that simulated returns from the recent past better
represent today portfolio's risk than returns from the
distant past...." (Pritsker, 2001, page 4).
La pondration relative des lments de l'ensemble
t
que suggre ce raisonnement se
retrouve chez Boudoukh et al. (1998) qui proposent une variante la Simulation Historique,
savoir la Simulation Historique Pondre ou mthode Hybride. L'approche demeure non
paramtrique, et l'instar de la Simulation Historique se rsume assimiler la VaR prvue au
fractile empirique des rentabilits identifies par l'ensemble informationnel retenu. L'avantage
ici est qu'on exploite une information supplmentaire, savoir le caractre plus informatif des
rentabilits les plus proches de l'horizon de prvision. Certes, cela peut se traduire par une
rduction de l'ensemble de l'information aux seules observations les plus rcentes, mais toute
prcision statistique s'en trouverait perdue, compte tenu de la taille ainsi rduite de
t
.

2
La mthode Hybride est alors issue d'un compromis entre ces deux impratifs (accorder plus
d'informations aux observations les plus rcentes, tout en considrant le caractre cyclique de
la volatilit pour une plus grande prcision dans la prvision).

2. Mthode de calcul
Techniquement, le calcul de la VaR Hybride pour un taux de couverture de % se fait en trois
tapes:
o A chacune des Te rentabilits les plus rcentes
t
r ,
1 t
r ,,
1 + Te t
r constituant l'ensemble
t
est associe respectivement la srie de pondrations dcroissantes:
Te
1
1
,
Te
1
1
, .,
1
1
1

Te
Te

,
Te
Te

1
1
, avec compris entre 0 et 1 ;
o Les rentabilits sont ensuite ordonnes de manire croissante et ;
o Les poids sont somms jusqu' %. La VaR tant gale la rentabilit correspondant
au dernier poids utilis dans la sommation.

3. Un exemple
Le graphique qui suit est une confrontation de la VaR-Hybride 1% et des rentabilits
observes de lactif yahoo sur 1000 jours de trading, soit du 13/03/01 au 7/03/05.


3
Pour chaque date appartenant cette fentre, la valeur de la VaR pour la date suivante est
gnre en utilisant la dmarche expose ci-contre. On est donc en prsence de VaR out-of-
sample. Le paramtre de pondration est gal 0.98 et Te = 250.

Rdacteur : Sessi Tokpavi

Master ESA, 9 janvier 2006

Fiches VaR VBA

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Fiches VaR VBA

Transféré par

Droits d'auteur :

Formats disponibles

MASTER ECONOMETRIE ET

STATISTIQUE APPLIQUEE (ESA)

, , , , v c des estimateurs convergents (du maximum de vraisemblance par

, , , , v c les estimateurs des paramtres

la Value-at-Risk pour un taux de couverture de % prvue pour la date t

, , dsignent les estimateurs du MV. Les valeurs estimes de la variance conditionnelle

dsignent les estimateurs du MV et o

h est donne. Les valeurs estimes de la

, , dsignent les estimateurs du MV. Les valeurs estimes de la variance conditionnelle

dsigne la fonction indicatrice telle que

=0 sinon. De faon usuelle, la quantit

, , et dsignent les estimateurs du MV. Les valeurs estimes de la variance

Vous aimerez peut-être aussi