UNVERSTE DE SAX

ACUTE DES SCENCES ECONOMQUES ET DE GESTON

DE SAX

****

MEMORE POUR `OBTENTON DU DPOME
DE MASTER EN NANCE






1I1^/I1O) I1 / (/+1 /I )1) I+) 1I1^/I1O) I1 / (/+1 /I )1) I+) 1I1^/I1O) I1 / (/+1 /I )1) I+) 1I1^/I1O) I1 / (/+1 /I )1) I+)
TO)I1I1+11 I/(I1O) TO)I1I1+11 I/(I1O) TO)I1I1+11 I/(I1O) TO)I1I1+11 I/(I1O)
( 1I+I1 (O^T/)/I1(1 I1 /TT)O(11 I1I1^/I1O) ( 1I+I1 (O^T/)/I1(1 I1 /TT)O(11 I1I1^/I1O) ( 1I+I1 (O^T/)/I1(1 I1 /TT)O(11 I1I1^/I1O) ( 1I+I1 (O^T/)/I1(1 I1 /TT)O(11 I1I1^/I1O) ( (( (









PrsenL eL souLenue pur :
AnIs ABDEHED
AnIs_ubdeIyuIoo.Ir



Anne UnIversILuIre zooz J zoo



Rsum

La volatilit accrue et de plus en plus importante des marchs financiers
pendant les dernires annes, combine des cas spectaculaires de faillites, a
donn un regain dintrt vident la gestion des risques dans lentreprise. Face
un environnement financier mondialement en tat de crise, les mesures
classiques du risque ne sont plus suffisantes pour apprhender le risque du
march. Depuis 1997 lapproche Value at Risk (VaR) sest impose au devant
de la scne comme une approche rvolutionnaire et efficace.
Lobjectif de ce travail t deffectuer une tude comparative des trois
approches classiques destimation de la VaR, savoir : lapproche de la matrice
des variances covariances estime (VC), lapproche de la simulation historique
(SH) et lapproche de Monte Carlo (MC), fin de dterminer celle qui serait la
plus performante pour estimer et apprhender le risque dun portefeuille
dactions tunisiennes.
Dans le premier chapitre nous avons essay de prsenter lapproche VaR du
point de vue thorique en exposant les mthodes de calculs de cette dernire tant
pour un actif isol que pour un portefeuille dactifs et pour plusieurs facteurs de
risque. En suite nous avons mis laccent sur les domaines dutilisation de la VaR
ainsi que sur les prcautions quil faut prendre lors de son utilisation et les
avantages et les inconvnients de cette approche. A la fin du premier chapitre
nous avons abord le comportement de la VaR dans le cas o les rendements du
portefeuille ne sont pas normalement distribus travers le phnomne des
queues paisses.
Dans le deuxime chapitre nous avons procd la constitution dun portefeuille
fictif composer dactions slectionnes sur le march boursier tunisien. Ce
portefeuille t lobjet dtude tout au long du reste de notre travail. Nous avons
ensuite effectu ltude des statistiques descriptives des rendements de ce
portefeuille fin de connatre ces caractristiques. Par la suite nous avons
prsent chacune des trois approches classiques destimations de la VaR et
procder lestimation de la Value at Risk de notre portefeuille par chacune de
ces approches.
Dans le dernier chapitre nous avons effectu une analyse comparative des trois
approches classiques destimation en exposant les forces et les faiblesses de
chacune dentre elles et en effectuant les tests statistiques ncessaires pour juger
de la pertinence de chaque approche.
Cette tude nous a permis de conclure par la supriorit de lapproche de
Simulation Historique (SH) sur les deux autres approches tudies. En effet,
lapproche SH sest avre la plus prformante pour estimer la VaR dun
portefeuille dactions cotes sur le march tunisien.



PLAN



INTRODUCTION GENERALE 1


CHAPITRE I : PRESENTATION DE LAPPROCHE VALUE
AT RISK


SECTION I : APERCUES HISTORIQUES

II.1 Aperue historique des mthodes de calcul du risque 5
II.2 Aperue historique de la mthode VaR 6

SECTION II : PRESENTATION THEORIQUE DE LA
METHODE VaR

II.1 Dfinition : quest ce que la VaR ? 7
II.1.1 VaR dun actif isol 8
II.1.1.1 VaR dune action 11
II.1.1.2 VaR dune obligation 12
II.1.2 Les modles dvaluation 15
II.1.2.1 Les modles linaires 15
II.1.2.2 Les modles non-linaires 16
II.1.3 VaR dun portefeuille 17
II.1.4 Calcul de la VaR pour deux facteurs de risque 19
II.1.5 Le choix de lhorizon et degr de confiance 21
II.1.5.1 Lhorizon de la VaR 21
II.1.5.2 Le niveau de confiance 21

II.2 Utilisation de la Value at Risk : pourquoi la calcul-t-on ? 23
II.2.1 Utilit de la Value at Risk 23
II.2.2 Contexte dutilisation de la VaR 24
II.2.3 Environnement rglementaire 25
II.2.4 Prcautions prendre lors de lutilisation de la VaR 26

II.3 Avantages et inconvnients de la mthode VaR 27
II.3.1 Avantages 27
II.3.2 Inconvnients 28



SECTION III : FONDEMENTS THEORIQUES DE LA
METHODE VALUE AT RISK

III.1 Value at Risk et distribution des rendements autres que la
normale : problme des queues paisses (fat tails) 30


III.2 Les mthodologies VaR 35
III.2.1 Approche gnrale 35
III.2.2 Approche paramtrique 35


CHAPITRE II : ESTIMATION DE LA VALUE AT RISK

SECTION I : DESCRIPTION DES DONNEES

I.1 Prsentations des indices 39
I.2 Description des donnes collectes 40
I.3 Constitution dun portefeuille fictif 40
I.4 Etude des statistiques descriptives des rendements du
portefeuille choisi 42

I.4.1 Utilisation de E-views 42
I.4.2 Interprtation de lout put 43

SECTION II : ESTIMATION DE LA VALUE AT RISK

II.1 Lexpansion de Cornish-Fisher et la VaR 44

II.1.1 Prsentation de lexpansion de Cornish-Fisher 45
II.1.2 Application de lexpansion de Cornish-Fisher sur les titres du
portefeuille et calcul de la VaR 47

II.2 Lapproche variances-covariances (VC) 49

II.2.1 Dcomposition des actifs financiers 51
II.2.2 Mapping des cash-flows 52
II.2.3 Calcul de la VaR 54
II.2.4 Conclusion quant la mthode VC 60



II.3 Lapproche de simulation historique (SH) 61

II.3.1 Mthodologie de base 61
II.3.1.1 Cas dun facteur de risque 61
II.3.1.2 Cas dun actif isol 62
II.3.1.3 Cas dun portefeuille 63

II.3.2 Rsultats des estimations de la VaR du portefeuille 65
II.3.3 Conclusion quant la mthode SH 67

II.4 La simulation de Monte Carlo (MC) 67

II.4.1 Les tapes de la simulation de MC 67
II.4.2 Mise en pratique de la simulation MC 69
II.4.3 Conclusion quant la mthode MC 70



CHAPITRE III : ANALYSE COMPARATIVE ET
VALIDATION DES APPROCHES DESTIMATION

SECTION I : ANALYSE COMPARATIVE DES METHODES
DESTIMATION

I.1 La mthode variances-covariances 74

I.1.1 Les forces de la mthode 74
I.1.2 Les limites de la mthode 74
I.I.3 Conclusion quant la mthode 75

II.2 La mthode de la simulation historique 75

II.2.1 Les forces de la mthode 75
II.2.2 Les limites de la mthode 76
II.2.3 Conclusion quant la mthode 77

II.3 La mthode de la simulation Monte Carlo 77

II.3.1 Les forces de la mthode 77
II.3.2 Les limites de la mthode 77
II.3.3 Conclusion quant la mthode 78



SECTION II : VALIDATION DES APPROCHES
DESTIMATION PAR LANALYSE EX POST DES
PERFORMANCES : LE BACKTESTNG

II.1 Prsentation de la notion de backtesting 79

II.2 Les techniques de backtesting 80

II.2.1 Le test de Kupiec 82
II.2.2 Le test de Christoffersen 83
II.2.3 Mesure de la taille relative et de la variabilit 86



CONCLUSION




































(k- -J o[ tk- J-el/- o[ tk- toe 9-v-t a/ll . vol-llg ot l- lo ,
olg - [-a ov- J-gs -t ost

,vo/ /sk-v , Teoo/st
: oo-l-v :z






-o-v- J-v-ss/o l/- tk-t o[ :z6-z: /s oats/J- tk- v-- o[ vol-l/l/tg

9-vo-vJ Teoo/e oe/-tg
:e oo-l-v :z
















1

INTRODUCTION GENERALE :

Historiquement , la notion de risque est lie celle de probabilit . Apparue
au dix-septime sicle dans lanalyse des jeux de hasard ( quelle probabilit de
survenance dun vnement ? quelle ampleur de gains ou de pertes lies celui-
ci ? ) , elle fut applique au dix-huitime sicle par les assureurs maritimes ,
pour devenir ensuite partie intgrante des schmas de prise de dcision
rationnelle associant toute alternative de probabilits de suces ou dchec .
Knight
1
introduisit la distinction entre risque ( pouvant tre calcul ) et
incertitude . Dans lexamen dun investissement dentreprise ou pour les
placements boursiers , on dit souvent que la rentabilit est le rsultat qui justifie
la prise de risque . En ce sens , la notion de risque lev est associe une forte
amplitude possible de variation du rsultat , la hausse comme a la baisse : on
peut perdre beaucoup mais cela peut rapporter gros
La deuxime moiti de ce sicle a vu la naissance dune nouvelle science : le
Risk Management ou la gestion du risque qui tait rsultat logique de la prise en
conscience gnrale des effets pervers du risque . Ainsi le risk management est
la science qui tudie les facteurs quantifiables ou non qui , dans le chef de toute
personne , morale ou prive , menacent le rendement produit par lexploitation
rationnelle de son patrimoine, et donc ce patrimoine lui-mme . Le risk
management apporte des solutions stratgiques ( organisationnelles et de
procdure ) et tactiques ( mthodes quantitatives de gestion ) fin de combattre
ces facteurs .
La volatilit accrue et de plus en plus importante des marchs financiers pendant
les dernires annes combine avec des cas spectaculaires de faillites dans le
monde de la finance , a donn un regain dintrt vident cet aspect important
de la gestion des entreprises . Il tait devenu primordial que de nouvelles
techniques de gestion globale des risques savraient ncessaires face une
volatilit des marchs financiers de plus en plus forte , une complexit et un
volume de plus en plus croissant des produits financiers ngocis .
De nos jours , et face un environnement financier mondialement en tat de
crise ( certains conomistes affirment que la crise financire actuelle et la plus
importante aprs la fameuse crise de 1929) , il est devenu vital pour une
institution financire de donner la plus grande importance a la gestion des
risques aux quels elle sexpose quotidiennement et de se prparer aux plus
graves scnarios pour pouvoir y faire face dune manire efficace ou pour
pouvoir ajuster ses positions en fonctions de sont apptit pour le risque et de ces
comptences y faire face .




1
F.Knight Risk , Uncertainty and Profit , Boston Houghton Mifflin 1921 .


2

La crise financire actuelle concourt laugmentation de la volatilit des
marchs et la volatilit des titres qui y sont ngocis , certaines valeurs qui
taient considres comme tant des valeurs sres ont vu leurs cours chuter
dune manire dautant plus spectaculaire qualarmante . Depuis quelques mois
seulement des valeurs comme celles dUniversal Vivendi ou de France Tlcom
en France taient des valeurs dites refuges , et du jour au lendemain les
investisseurs ont vu ces valeurs dgringoler au-dessous de seuils qui ntait
mme pas imaginables depuis quelques temps entranant des pertes importantes
pour les investisseurs (banques entreprises ou particuliers ) dtenant des
portefeuilles contenant ces titres .

Toute rflexion sur la gestion des risques dbute ncessairement par une tape
de dfinition et de catgorisation des diffrents types de risques courus . Dans ce
qui suit nous allons nous en tenir la typologie des risques selon
RiskMetrics
2
dvelopper par la banque amricaine JP Morgan .
En ce qui concerne les institutions financires quatre types de risque sont
prciser selon RiskMetrics : le risque de march , le risque de contrepartie , le
risque de liquidit , et le risque oprationnel .
Le risque de march se dfinit comme lincertitude des rsultats futurs en raison
des changements non esprs dans les conditions de march ; par exemple : le
risque de taux et son impacte sur linstitution . Le risque de contrepartie ou de
crdit a trait aux pertes potentielles occasionnes par le dfaut dune contrepartie
( essentiellement dans le cas dune banque ) . Le risque de liquidit qui est le
risque davoir dune manire inattendue , et durant une courte priode des cash-
flow fortement ngatifs ,cest aussi le risque qui englobe lincapacit dune
institution financires financer des actifs non liquides , soit pour des raisons
propres a linstitution soit cause dun effet systmatique . Enfin , sous le terme
risque oprationnel on trouve les risques de fraudes , derreurs de paiement et le
risque lgale et juridique rsultant dun environnement rglementaire incertain
sujet des changements imprvus .
Dans ce travaille nous allons nous intresser exclusivement au risque de march.
Il nest pas rare de voir cette catgorie de risque subdivise en plusieurs sous
catgories. Dans un article rcent de la revue de PriceWaterHouse consacre au
Risk Management, O. Schnieder identifiait six risques indpendants figurant
sous cette catgorie. Plus particulirement, on pouvait y voir figurer le risque de
gestion de portefeuille (intgrant le risque de corrlation, et de concentration), le
risque sur actions (ou de variation de cours), le risque sur taux d'intrt, le risque
sur devise (ou taux de change) et le risque sur matires premires.




2
dvelopper et prsenter par JP Morgan en 1994 , document qui peut tre considr comme la
premire approche globale de la gestion des risques .


3

De manire plus large, le risque de march est influenc par diffrents facteurs :
les fluctuations de cours de change, les variations des taux d'intrt, les
mouvements des indices boursiers. Le risque de march concerne aussi bien les
activits de ngoce trading pour le propre compte de la banque que les titres des
portefeuilles de particuliers ayant pris des positions sur les marchs, via la
banque ou non .

Depuis le dbut du sicle plusieurs mthodes de mesures de risque ont t
dveloppes par les chercheurs en gestion de portefeuille depuis la thorie de
diversification de portefeuille de Markowitz jusqu' la mthode de la Value at
Risk dvelopper par la banque amricaine JP Morgan . Dans ce travail nous
allons nous intresser exclusivement a la mthode de la Value at Risk (VaR) .

En effet lobjectif de ce travail est deffectuer une tude comparative des trois
approches classiques destimation de la VaR , savoir : lapproche de la matrice
des variances covariances estime (VC) , lapproche de la simulation historique
(SH) et lapproche de Monte Carlo (MC) , fin de dterminer celle qui serait la
plus performante pour estimer et apprhender le risque dun portefeuille
dactions tunisiennes .
Ce travail sarticulera autour de trois chapitres . Dans le premier chapitre nous
allons essayer de prsenter lapproche VaR du point de vue thorique en
exposant les mthodes de calculs de cette dernire tant pour un actif isol que
pour un portefeuille dactifs et pour plusieurs facteurs de risque . En suite nous
allons mettre laccent sur les domaines dutilisation de la VaR ainsi que sur les
prcautions quil faut prendre lors de son utilisation et les avantages et les
inconvnients de cette approche . A la fin du premier chapitre nous allons
aborder le comportement de la VaR dans le cas o les rendements du
portefeuille ne sont pas normalement distribus travers le phnomne des
queues paisses .
Dans le deuxime chapitre nous allons procder la constitution dun
portefeuille fictif composer dactions slectionnes sur le march boursier
tunisien . Ce portefeuille fera lobjet dtude tout au long du reste de notre
travail . Nous allons ensuite effectuer ltude des statistiques descriptives des
rendements de ce portefeuille fin de connatre ces caractristiques . Par la suite
nous allons prsenter chacune des trois approches classiques destimations de la
VaR (VC,SH,MC) et procder lestimation de la Value at Risk de notre
portefeuille par chacune de ces approches .
Dans le dernier chapitre nous allons effectuer une analyse comparative des trois
approches classiques destimation en exposant les forces et les faiblesses de
chacune dentre elles et en effectuant les tests statistiques ncessaires pour juger
de la pertinence de chaque approche .




4
















CHAPITRE I :



PRESENTATION DE LAPPROCHE
VALUE AT RISK


















5

SECTION I : APERCUE HISTORIQUE :

I.1 Aperue historique des mthodes de calcule du risque dun
portefeuille :

Les mesures de risque ont bien volu depuis que Markowitz a avanc sa
clbre thorie de diversification de portefeuille la fin des annes 50 , thorie
qui avait rvolutionn la gestion de portefeuille moderne . Lcart type tait
alors la mesure du risque dun portefeuille efficient . Mais pour un titre cette
mesure nest pas approprie . En effet , dans le cas dun titre individuel , le
risque est reprsent par la covariance de son rendement avec celui des autres
titres qui constituent un portefeuille bien diversifi . Lcart type du rendement
dun titre comprend les risques diversifiable et non diversifiable . Or , seul le
risque non diversifiable est rmunr par le march . Ce risque est reprsent par
la covariance entre le rendement du titre et les rendements des titres qui
constituent un portefeuille hautement diversifi .
Les thories du risque qui ont embot le pas celles de Markowitz se sont
attaches aux facteurs qui dterminent le risque dun titre de mme qu
lquilibre des marchs financiers . Durant les annes 60 , Sharpe a propos le
model dvaluation des actifs financiers , soit le MEDAF ou le CAPM en
anglais . Ce modle est monofactoril en ce sens quil ne distingue quun seul
facteur explicatif du risque dun titre , soit la corrlation entre le rendement de
ce titre et celui du portefeuille du march . Cest ce quon appelle le risque
systmatique ou encore risque de march du titre , catgorie du risque qui nest
pas diversifiable . Le risque non systmatique ou spcifique dun titre quivaut
son bta qui est une mesure relative du risque tablie en comparaison avec le
bta du portefeuille du march qui , lui , est gal un .
Au milieu des annes 70 est apparu un autre modle du risque bas sur labsence
darbitrage : lAPT , acronyme de lexpression : Arbitrage Pricing Theory . Ce
modle reconnat que le risque est un phnomne multidimensionnel qui
sexplique par plusieurs facteurs . Le modle APT est donc multifactoril . Le
bta dun titre pour un facteur donn est la sensibilit relative du rendement du
titre ce facteur . Lune des faiblesses de ce modle est quil reste muet quant
lidentit des facteurs qui dterminent les rendements des titres .
Rcemment une mesure absolue du risque tait propose : la VaR . Cet
acronyme , Value at Risk dsigne une mesure qui simplante de plus en plus
dans la gestion des institutions financires . Qui plus est , cette mesure permet
dvaluer les risques de type asymtrique , comme celui qui est associ aux
options , lcart type et le bta ne permettant pas de prendre en compte ce risque
de faon satisfaisante .




6

I.2 Aperue historique de la mthode VaR :
Selon Paul Glasserman , deux vnements ont concouru l'adoption gnralise
de la VaR sur le secteur financier et un autre a favoris son dveloppement
parmi les entreprises amricaines.
Le premier date de 1995 . Runis en comit la Banque des rglements
internationaux Ble , les reprsentants des banques centrales de dix grandes
conomies de l'Ouest ont propos de nouvelles rgles (amendant l'accord de
Ble de 1988) , imposant aux tablissements financiers un niveau de fonds
propres proportionnel aux risques rsultant de leurs engagements .
Officiellement adopte en 1996 , cette proposition a incit les banques
dvelopper des systmes internes sophistiqus pour calculer leurs VaR . En
effet, elles pouvaient ainsi esprer une diminution des fonds propres qu'elles
devraient dtenir par rapport aux banques qui se fondaient sur les normes
dictes par les autorits de tutelle pour dterminer leurs besoins . Ainsi , ds le
dpart , la recherche d'un allgement des obligations rglementaires a t un
important facteur de croissance de la VaR .
Le deuxime vnement s'est produit sur Internet. En 1994 , la banque
amricaine JP Morgan a mis gratuitement son systme RiskMetrics la
disposition de tous sur Internet . RiskMetrics (depuis repris dans une socit
commune avec Reuters , le groupe d'information financire) fournissait les
donnes financires et la mthodologie ncessaire au calcul de la VaR d'un
portefeuille . Les autres tablissements financiers et les entreprises pouvaient
utiliser le calculateur de VaR de RiskMetrics ou tlcharger les donnes sur leurs
propres systmes de gestion des risques . Trs vite sont apparus de nouveaux
fournisseurs de programmes de gestion des risques exploitant RiskMetrics ,
transformant cette mthodologie en rfrence incontournable .
Le troisime vnement a probablement eu moins d'impact ce jour , mais c'est
l'un des grands facteurs d'expansion de la VaR parmi les entreprises amricaines
. En 1997 aux Etats-Unis , la Securities and Exchange Commission (SEC),
proccupe des risques cachs derrire les instruments hors bilan , a mis des
rgles de communication relatives aux produits drivs employs par les
entreprises : celles-ci ont trois solutions pour faire tat des risques associs aux
instruments drivs : tableau des valeurs de march , mesure de sensibilit ou
VaR . C'est la raison pour laquelle les rapports annuels de Microsoft , de Philip
Morris et de bien d'autres grandes socits prsentent maintenant des calculs de
VaR .




7

SECTION II : PRESENTATION THEORIQUE DE LA
METHODE VaR :
II.1 Dfinition : quest ce que la VaR ?
Pour introduire lide de base, prenons un exemple. Vous avez investi une partie
de vos conomies dans un portefeuille dactions . Votre conseiller vient de vous
informer que la valeur de votre portefeuille a encore baiss le mois dernier et
que celui-ci vaut maintenant 5000 DT . Aprs avoir cout ses explications sur
les raisons de cette mauvaise performance, vous dsirerez srement avoir une
ide de la perte maximale que le portefeuille pourrait enregistrer dici la fin du
mois .
La rponse la plus correcte serait que vous pourriez perdre toutes vos
conomies. Or cette rponse nest pas satisfaisante parce quelle ne vous apporte
rien de nouveau et, surtout, parce que le scnario de perte totale a trop peu de
chances de se produire. Il serait plus raliste et plus professionnel de dire: En
labsence dvnements exceptionnels, il y a 95% de chances que le portefeuille
reparte la hausse ou quil perde 1000 DT ou moins dici la fin du mois. Cest
le genre de rponse que la mthode VaR permet de donner.
Daprs A.Louis Calvet [2000] , la VaR dun portefeuille dactifs financiers
correspond au montant de pertes maximum sur un horizon de temps donn, si
lon exclut un ensemble dvnements dfavorables (worst case scenarios) ayant
une faible probabilit de se produire.
Berdin et Hyde [2001] apporte une dfinition plus exhaustive au concept de
VaR. En effet , Berdin et Hyde dfinissent la VaR comme tant la mesure qui
fourni une estimation de la perte potentielle sur un actif ou un portefeuille qui
peut survenir avec une probabilit donne suite des mouvements de prix ou de
taux relativement adverses , sous lhypothse que pendant une priode de temps
(lhorizon de la VaR) la composition du portefeuille reste inchange .
A laide du concept VaR, on peut ainsi exprimer en un seul chiffre le montant
risque dun portefeuille, mme si celui-ci est compos de plusieurs classes
dactifs (actions, obligations, options, devises, etc.). On pourra alors dire si le
portefeuille est trop risqu ou non, en fonction du chiffre obtenu , de la valeur du
portefeuille et de laversion au risque de linvestisseur.
Reprenons lexemple prcdent. La VaR 95% et sur un horizon de temps dun
mois de votre portefeuille est gale 1000 DT . Cela signifie que si le
portefeuille ne change pas jusqu la fin du mois et que les conditions du march
restent normales, il y a 95% de chances pour que la perte sur tout le mois soit


8

infrieure 1000 DT . Les vnements dfavorables ( worst case scenarios) ont
une probabilit de 5%. Le portefeuille perdrait alors plus de 1000 DT si lun de
ces derniers devait se produire .
Notons que la perte totale fait partie des vnements dfavorables. Bien entendu,
ce calcul ne signifie pas que votre portefeuille ne ralisera pas de performance
positive sur le mois .
Ainsi , la Value at Risk ou VaR s'est impose rcemment comme l'outil
privilgi de mesure du risque parmi les institutions financires . La VaR
mesure le montant maximum qu'une institution peut perdre avec un certain seuil
de probabilit , par exemple 5% . Imaginons que l'on classe les tats du monde
par la perte qu'ils occasionnent. Cette perte peut provenir d'une chute des cours
boursiers pour un grant de portefeuille ou d'une catastrophe naturelle pour un
assureur. Regroupons ensuite les tats les plus nfastes de manire ce que l'tat
du monde demain nait que 5% de chance de figurer parmi notre groupe
d'vnements malheureux . La VaR est la perte maximale de ce groupe.
Autrement dit , si l'institution est malchanceuse demain , elle perdra au plus la
somme indique par la VaR .
Autrement dit , et dune manire plus simple , la Value at risk dun actif
financier ou dun portefeuille dactifs est la perte maximale attendue , mesure
en unit montaire sur une priode et un niveau de confiance donnes , sous
les conditions normales du march .
II.1.1 VaR dun actif isol :
Pour mieux comprendre le concept de la mthode VaR faisons lhypothse
simplificatrice dun portefeuille compos dun seul actif quelconque A , on peut
dfinir la perte subit par cet actif pendant la priode [0,t] comme tant :

P 0 , t = A 0 - A t

Selon Esch, Kieffer et Lopez [1997] et Jorion [2000] , la VaR de lactif en
considration , pour une dure t et un niveau de probabilit q se dfinit comme
le montant de perte attendue de faon que ce montant , pendant la priode [0,t] ,
ne devrait pas tre plus important que la VaR quavec une probabilit de ( 1-q )

Autrement dit : Pr [ Pt > VaR ] = 1 q

Ou alternativement : Pr [ P
t
VaR ] = q

Faisons aussi lhypothse que la distribution des cours de lactif A suit une loi
normale , entirement caractrise donc par sa moyenne ( rendement espr ) et


9

son cart type ( volatilit du titre A ) . Il est important fin de cerner le concept
dexposition au risk et de mieux comprendre la mthode VaR , de comprendre le
concept de distribution normale que nous nous permettant de rappeler si
dessous :




Un petit rappel technique :

Cette distribution est aussi appele loi de Laplace-Gauss. On dit qu'une
distribution suit la loi Normale , quand elle a l'allure d'une courbe en cloche. En
statistique, on admet souvent qu'une bonne partie des systmes complexes
obissent plus ou moins cette loi, et c'est particulirement vrai pour les
systmes vivants , pour autant qu'une perturbation significative n'y soit pas
introduite.
La supposition la plus simplificatrice que l'on puisse faire est de considrer cette
distribution normale comme centre-rduite, savoir avec une moyenne de 0 et
un cart-type de 1. Cette loi, communment appel N(0;1), peut tre reprsente
de la manire suivante, considration faite d'un seuil de confiance de 95% :

De cette illustration, nous pouvons comprendre que si nous admettons tre en
prsence d'une distribution normale centre-rduite symtrique, nous avons
2.5% de "chance" d'obtenir un tirage suprieur 1.96 ou infrieur -1.96.
Inversement, si nous souhaitons considrer l'intervalle assimilable ce niveau de
probabilit, nous trouverons par inversion [-1.96 ; 1.96 ] .




Si nous appliquons ce type d'analyse au concept de VaR, nous pourrions
reprsenter la situation de la manire suivante, considration faite d'un seuil de
confiance gal q :
Z
1
= -Z
2
= -1.96


10




Un exemple numrique clarifias davantage les choses :
Supposons une VaR 98 % (q) et de 500,000 UM (pour un horizon t) . Ceci
signifie quil existe une probabilit de 98 % , pour lhorizon de calcul en
considration , que la perte maximale sur le titre nexcdera pas les 500,000 UM





On peut alternativement reprsenter la VaR partir de la fonction de distribution
de la loi normale :







11

Nous avons prcdemment dfinit la VaR comme tant mathmatiquement :
Pr [P
t
_ VaR] = q

P
t
tant la perte sur le titre linstant t .
Le centrage et la rduction de cette relation nous donnent :
P
t
E(P
t
) VaR
q
E(P
t
)
Pr _ = q
o(P
t
) o(P
t
)

On peut dfinir donc :
VaR
q
E ( P
t
)
= z
q
o ( P
t
)

Do nous pouvons calculer la VaR comme tant :

VaR
q
= E ( P
t
) + z
q
. o ( P
t
)
Plus gnralement et pour un horizon t suprieur une journe on peut dfinir la
VaR comme tant :
VaR = valeur du march de la position x volatilit du facteur de risque x t
II.1.1.1 : VaR dune action :
Laction est un actif financier correspondant une part de proprit dune
socit . Elle peut donner lieu vente et achat de gr gr ou sur un march
organis .Cest la loi de loffre et de la demande de ce march qui en dtermine
le prix ce qui donne le caractre risqu a laction , la volatilit des marchs
financiers vient accentuer ce caractre risqu . La thorie moderne du
portefeuille de Markowitz utilise comme critre de slection le couple
esprance-variance . Selon cette thorie , donc , une action est caractrise par
son esprance et sa variance . Le premier de ces paramtres , appel aussi le
rendement espr et la valeur moyenne de la variable en question , le second
mesure la dispersion des valeurs de cette variable au tour de sa moyenne . Pour
pouvoir calculer la VaR dune action il est donc ncessaire de connatre ces
deux paramtres .
Pour mieux comprendre la mthode de calcule de la VaR dune action soit
lexemple numrique suivant :


12

Supposons une action avec une perte attendue la priode t de 100 UM et une
dviation ( cart type ) de 80 UM . Nous avons alors E ( Pt ) = -100 et
o ( Pt ) = 80 . Ceci nous permet de calculer la VaR de la manire suivante :

VaR
q
= E(P
t
) + z
q
. o(P
t
)
VaR
0,95
= 100 + (-1,6449 . 80) = -31,6
VaR
0,975
= 100 + (-1,9600 . 80) = -56,8
VaR
0,99
= 100 + (-2,3263 . 80) = -86,1

Ceci en se rfrant la table de la loi normale qui affiche les valeurs zq suivantes
en fonction des intervalles de confiances :

q z
q
0.5 0.000

0.95 -1.6449
0.975 -1.9600
0.99 -2.3263


II.1.1.2 : VaR dune obligation :
Lobligation est un actif gnralement considr comme peu risqu si on le
compare aux actions . Il nen demeure pas moins vrai que la dtention
dobligations prsente certains risques . Gnralement , deux types de risques
sont associs la dtention dobligations : le premier et le risque de dfaut , qui
correspond essentiellement au cas ou lmetteur ne respecte pas ces
engagements soit par le paiement des coupons avec retard soit dans le cas de sa
faillite et donc non-paiement des coupons et non-remboursement lchance .
Le deuxime type de risque et celui li aux fluctuations des taux dintrt .
Pour pouvoir calculer la VaR dune obligation , rappelons quelques notions
fondamentales de mesure du risque dune obligation :la duration (D) dune
obligation peut tre considre comme la dure de vie moyenne de lobligation :
D = _ ( t .CF
t
/ ( 1+ r )
t
) / _ ( CF
t
/ ( 1+ r )
t
)
Avec :
CF
t
: le cash-flow gnr par lobligation linstant t
r : le taux dintrt de lobligation


13

la sensibilit ou duration modifie dune obligation mesure le degr de
sensibilit de celle ci face la variation des taux dintrt :
S = - D / ( 1 + r)
Si r augmente de 1 % , la valeur de lobligation diminue de S % .
Pour bien comprendre le mode de calcule de la VaR dune obligation soit
lexemple suivant :
Supposons un portefeuille dobligation de coupon zro de sept ans avec une
valeur de march de 1 800 ,00 UM et une valeur nominale de 1 631,483 UM
( cest dire un rendement de 10.32% ) . Nous sommes intresser de connatre
la VaR de ce portefeuille pour un horizon t = 1 journe et une probabilit q =
0,95 sachant que lcart type journalier de ce portefeuille est de 0,01% .
La dure modifie D
*
de lobligation est :
D
*
= -D / (1+r) = -7 / ( 1,1032 ) = -6,345
et la volatilit du prix est :
volatilit de P = (D
*
). (1,65 o
i
) = ( - 6,345 ) ( 1,65 x 0,0001 ) = - 0, 1046 %
Ainsi la VaR de ce portefeuille avec t = 1 journe et q = 0,95 est :
VaR
0.95
= valeur du march de la position x volatilit x \ t
= 1800, 00 x (-0,001046)
= - 1, 883
> Remarque :

On trouve parfois une dfinition diffrente de la VaR
3
, qui prend en
considration non pas la perte elle-mme , mais lcart entre cette perte et la
perte moyenne . De manire plus prcise , cette nouvelle VaR , pour la dur t et
le niveau de probabilit q , se dfinit comme le montant not VaR
*
, tel que la
perte encourue durant lintervalle [ 0 ; t ] ne dpassera la perte moyenne de plus
de VaR
*
quavec une probabilit de ( 1-q ) . Ainsi , si la perte moyenne se
reprsente par E ( P
t
) , la dfinition devient :



3
. JORION P , Value at risk , R.D. Irwin , Chicago , 1997 .


14


Pr [ P
t
E ( P
t
) > VaR
*
] = 1 - q

ou encore

Pr [ P
t
_ VaR
*
+ E ( P
t
) ] = q




les figures suivantes illustrent cette dfinition :






la notion de VaR
*
et celle de VaR sont troitement lies puisquon a :

VaR = VaR
*
+ E ( P
t
)








15

II.1.2 les modles dvaluation :

La difficult majeure dans le calcul de la VaR est donc la dtermination de la
distribution des rendements. Les mthodes de dtermination de cette distribution
seront amplement prsentes dans une section venir . Comme on le verra , ces
mthodes utilisent des modles dvaluation qui expriment le prix des diffrents
actifs en fonction de diffrents facteurs de risque :

P = f ( X
1
,X
2
,,X
n
) + c

Il existe deux types de models dvaluation : les models linaires et les models
non linaires

II.1.2.1 - Modles linaires :

Considrons le cas simple ou la fonction du modle dvaluation est linaire ,
cest dire le cas ou la variation des prix des actifs ^p est une fonction du
premier degr des variations ^X
1
,, ^X
n
des diffrents facteurs de risque et de
celles du rsidu ^c

:

^p = a
0
+ a
1
^X
1
+ + a
n
^X
n
+ ^c

Il faut aussi poser les deux hypothses suivantes :
- les variables ^X
1
, , ^X
n
et ^c sont non corrles et indpendantes
- E ( ^c

) = 0
Soit aussi les notations suivantes :
E ( ^X
k
) = E
k
k = 1, ,n
var ( ^X
k
) = o
k
2

var ( ^c

) = o
c
2

On obtient ainsi :
E ( ^p ) = a
0
+ a
1
E
1
+ +a
n
E
n

var ( ^p ) = a
1
2
o
1
2
+ + a
n
2
o
n
2
+ o
c
2

E(^
p
) tant la variation moyenne du prix de lactif et var(^
p
) mesure la
dispersion de la variation du prix autour de la moyenne .
Le modle indice simple de Sharpe pour les actions est lun de ces modles
dvaluation . Ce modle postule que la variation relative du prix dune action
(son rendement) est une fonction du premier degr de la variation dun indice
gnral du march , avec des coefficients qui varient dun titre lautre :

^p = o + ^I + ^c




16

avec :
u : mesure la performance du titre relativement un indice ayant une
performance nulle .
: mesure la volatilit du titre par rapport celle de lindice du march .

Notons que pour estimer u et , un instrument conomtrique est notre
disposition . Il sagit de la mthode des moindres carres ordinaires (MCO) qui
permet ainsi la rgression de ces paramtres . Cette rgression est possible grce
aux sries chronologiques passes des rendements des titres et de lindice .

Avec ce modle on trouve :
E ( ^p ) = o + E
I

var ( ^p ) = o
I
2
+ o
c
2


et la VaR du titre caractris par le couple (u , ) est la suivante :

VaR
q
= o + E
I
+ z
q
\
2
o
I
2
+ o
c
2


II.1.2.2 - Modles non linaires :

Dans une logique plus gnrale , considrons le cas ou la fonction f de la
relation p = f (X
1
,X
2
, ,X
n
) + c nest pas linaire , la dtermination de E (^p)
et var (^p) est beaucoup plus complexe . Dans une logique de non-linarit , il
existe deux cas : celui ou la variable temps napparat pas comme argument de f
et celui ou il faut tenir compte du temps . Ce deuxime cas concerne les actifs
dont la dure joue un rle fondamental comme pour les options par exemple .
Dans ce travail nous allons nous restreindre au cas ou le prix est indpendant du
temps .
Lorsque le temps nest pas pris en considration , on value ^p laide de
lexpansion de Taylor :

n

n n
^p = _ f
Xk
(X
1
, ,X
n
) ^X
k
+ (1/2!) [ _ _ f
Xk Xl
(X
1
, , X
n
) ^X
k
^X
l
+ + ^c]

k=1 k=1 k=1 l=1
Si les variations ^X
k
des facteurs de risque sont faibles , on peut ngliger les
termes du second ordre , ce qui permet dcrire :

n
^p = _ f
Xk
(X
1
, , X
n
) ^X
k
+ ^c
k=1
ce qui nous ramne un modle linaire qui sera trait comme au paragraphe
prcdent .





17

II.1.3 VaR dun portefeuille :

Pour pouvoir calculer la Value at Risk dun portefeuille , il faut , comme il tait
le cas pour un titre isol , connatre son esprance et sa variance ou son cart-
type .

Pour se faire , considrons un portefeuille constitu de N actifs en nombres
respectifs : n
1
n
N
. Notons p
j
le prix du j
im
titre et p
p
le prix du portefeuille qui
sera donn par :
N
p
p
= _ n
j
p
j
j=1
et la variation du prix obira la mme relation :

N
^ p
p
= _ n
j
. ^ p
j

j=1
par la suite il est possible de trouver lesprance et la variance de ^ p
p
partir de
lesprance , de la variance et des covariances des diffrents ^ p
j
:
N
E ( ^ p
p
) = _ n
j
E ( ^ p
j
)

N N
j=1
var ( ^ p
p
) = _ _ n
i
n
j
cov ( ^ p
i
, ^ p
j
)

i=1 j=1
o on a , lorsque les indices sont gaux :

var ( ^ p
i
, ^ p
i
) = var ( ^ p
i
)

La VaR du portefeuille peut alors se calculer partir de ces deux lments ,
comme il tait le cas pour un titre isol , laide de la formule suivante :

VaR
q
= E ( ^ p
p
) + z
q
. o ( ^ p
p
)

Cependant , il y a un inconvnient majeur lors de lutilisation de ces relations .
Cet inconvnient consiste au fait que pour pouvoir les utiliser , on doit non
seulement connatre les paramtres univaris E ( ^ p
i
) et var ( ^ p
i
) pour
chaque titre , mais galement les paramtres bivaris cov ( ^ p
i
, ^ p
j
) pour
chaque couple de titres , ce qui constitue un volume trs important de paramtres
estimer . Si , titre dexemple , le portefeuille comporte N = 150 titres
diffrents , on aura alors 150 esprances , 150 variances et [N(N-1)/2] = 11175
covariances a calculer , ce qui constitue une tache trs lourde et non moins
complexe .


18

Heureusement , certains models permettent , sous certaines hypothses , de
simplifier considrablement ces relations . Parmi ces models celui indice
simple de Sharpe
4
o les variations des prix des diffrentes actions sont des
fonctions de premier degr de la variation dun seul et mme indice de march :

^ p
j
= o
j
+
j
^ I + ^ c
j
j = 1, , N .

avec u et ayant linterprtation habituelle et peuvent tres obtenues par
technique de rgression en utilisant la mthode des moindres carrs ordinaires .

Ce modle sappuie sur les hypothses suivantes : les variables ^ c
j
et ^I sont
non corrles et E ( ^ c
j
) = 0 pour j = 1,,N .
Ainsi on a daprs ce modle :
E ( ^ p
j
) = o
j
+
j
E
I

var ( ^ p
j
) =
j
2
o
I

2
+ o
2
c j


et on calcule les covariances de la mme manire :

cov ( ^ p
i
, ^ p
j
) =
i

j
o
I

2

En remplaant ces trois relations dans celles de E ( ^ p
p
) et var ( ^ p
p
) on
trouve respectivement :
N
E ( ^ p
p
) = _ n
j
( o
j
+
j
E
I
)
j=1

N N
= ( _ n
j
o
j
) + ( _ n
j

j
) E
I
j=1 j=1
= o
p
+
p
E
I

ainsi que :

N N N
var ( ^ p
p
) = _ n
j

2
(
j

2
o
I

2
+ o
2
cj
) + _ _ n
i
n
j

i

j
o
I

2
j=1 i=1 j=1

N N N
= ( _ _ n
i
n
j

i

j
) o
I
2
+ _ n
j
2
o
2
cj

i=1 j=1
N
j=1


=
p
2
o
I
2
+ _ n
j
2
o
2
cj

j=1




4
. SHARPE W.F . A simplified model for portfolio analysis , Management Science , Vol 9 N1 , 1963
pp 277 293 .


19

la VaR relative ce portefeuille est donc donne par :

VaR
q
= o
p
+
p
E
I
+ z
q
\
p
2
o
I
2
+ _ n
j
2
o
2
cj

Soit lexemple numrique suivant pour mieux assimiler la mthode de calcul de
la VaR dun portefeuille :
Considrons un portefeuille compos de titres dont les proportions sont les
suivantes : x
1
= 0.4 x
2
= 0.5 x
3
= 0.1

Les rendements sexpriment partir de celui dun indice boursier par la relation
de rgression suivante :
R
j
= o
j
+
j
. R
I
+ ^c
j

Ainsi pour chacun des trois titres on a :
R
1
= 0,0020 + 1, 2493 R
I
R
2
= 0,0038 + 0, 8746 R
I
R
3
= 0,0004 + 0,9138 R
I


avec , pour variances rsiduelles :

o
2
c1
= 0,0014 o
2
c2
= 0,0026 o
2
c3
= 0,0022

lindice tant caractris par E
I
= 0,0031 et o
I
= 0,0468 , on peut calculer
successivement :

o
p
= 0,4 . 0,0020 + 0,5 . 0,0038 + 0,1 . 0,0004 = 0,00274

p
= 0,4 . 1,2493 + 0,5 . 0,8746 + 0,1 . 0,9138 = 1,0284
_ n
j
2
o
2
cj
= 0,4
2
. 0,0014 + 0,5
2
. 0,0026 + 0,1
2
. 0,0022 = 0,000896

et par consquent

VaR
0.99
= 0,00274 + 1,0284 . 0,0031 - 2.3263 1,0284
2
. 0,0468
2
+ 0,000896
= - 0,128 UM


II.1.4 Calcul de la VaR pour deux facteurs de risque :

Comme on a vu dans les paragraphes prcdents , un portefeuille subit plusieurs
facteurs de risques . La mthode VaR prsente lavantage de tenir compte des
corrlations existantes entre ces diffrents risques et par ce fait , peut donner
linvestisseur une vue densemble du risque subit .
Pour ce cas , supposons un investisseur ou une banque tunisienne qui dtient des
obligations franaises values 20 000 t et que le taux de change soit de
1TND = 0.7341 t .


20

Les donnes sur les volatilits sont les suivantes :
cart type des distributions de rendements des obligations : o
RO
= 0.605 %
cart type des distributions de changements dans les taux de change
o
TC
= 0,565 %
corrlation entre les changements des taux de changes et les rendements des
obligations : o
RO , TC
= -0,27
horizon du risque de 1 jour .

VaR
0.95
= valeur de la position x (-1.65) x \ o
2

RO
+ o
2

TC
+ 2o
RO,TC
o
RO
o
TC


= 20 000 x(- 1.65) x \ 0,00605
2
+ 0,00565
2
- 2 . 0,27 . 0,00605 . 0,00565

= - 233,811

Si dans cet exemple on avait considr chaque risque indpendamment de
lautre on aurait eu :

pour lobligation : VaR
0.95
= 20 000 x( -1,65) x 0,00605 = -199,65
pour le change : VaR
0.95
= 20 000 x (-1,65) x 0,00565 = -184,45

ce qui nous donne un risque total de -386,1

On voit ainsi quen tenant compte de la corrlation entre les mouvements du
taux de change et ceux des taux dintrt , la VaR est rduite de 152,289 , ce
qui illustre bien leffet de la diversification dans le calcul de la VaR et oppose la
VaR obtenue compte tenu de la corrlation entre deux facteurs de risque aux
VaR qui seraient calcules en considrant chaque risque isolment .


Ainsi , et pour rsumer , nous avons vu tout au long de ce paragraphe que , trois
lments cls sont relis la notion de VaR :

1. La distribution des rendements de lactif en question
2. La probabilit ( q ) que les pertes soient plus importantes que la VaR
3. Lhorizon ( t ) pour la quelle la VaR est calcul .









21

II.1.5 Le choix de lhorizon et degr de confiance :

La dfinition du concept VaR souligne que cette mesure dpend fortement du
choix de lhorizon de temps considr et du niveau de confiance . Le choix de
ces deux paramtres doit tre fait en fonctions de divers critres , notamment
lobjectif poursuivi par linstitution lorsque elle calcul la VaR et sa volont de
supporter un certain niveau de risque .

II.1.5.1 Lhorizon de la VaR :

Lestimation de la VaR ncessite dtermination de lhorizon de risque sur base
duquel les rsultats dfavorables sont mesurs . Diffrents facteurs affectent le
choix de lhorizon de la VaR . K.Dowd [1998] identifie quatre facteurs majeurs
pouvant influencer ce choix :

- Selon Dowd lhorizon de la VaR doit correspondre la priode de
dtention de lactif objet de lestimation . La priode de dtention
approprie pour tout march doit correspondre lintervalle de temps
ncessaire pour assurer la liquidation des positions sur ce march .
- Le calcul du nombre Var suppose implicitement que la composition du
portefeuille reste inchange durant la priode de dtention choisie . Cette
hypothse est donc dautant plus plausible que lhorizon considr est
court puisque , en ralit , les positions peuvent varier frquemment ,
notamment pour couvrir le risque .
- Une mesure fiable de la VaR requiert un grand nombre de donnes . Or ,
plus la priode de dtention est longue , plus il faut disposer de beaucoup
dobservations . Ce problme de fiabilit du calcul de la VaR pousse donc
lutilisation dun horizon de risque relativement court .
- Le choix de lhorizon de risque dpend galement du degr daversion du
dtenteur du portefeuille au risque . Dans le cas des banques , ce choix
peut tre aussi fixe par les rglementations en vigueur .

Ces diffrentes contraintes concernant le choix de la priode de dtention ,
notamment les rapides changements des compositions des portefeuilles ,
expliquent la raison pour laquelle les banques commerciales utilisent un horizon
dun jour pour leur gestion interne alors que les entreprises dinvestissements
choisissent plutt un horizon dun mois .

II.1.5.2 Le niveau de confiance :

Un autre paramtre dterminer pour calculer la VaR est le niveau de
probabilit . Bien que plus arbitraire , il dpend de lutilisation qui est faite par


22

linstitution de la mesure VaR . Dowd [1998] identifie trois facteurs pouvant
intervenir dans le choix du niveau de confiance :

- Selon Dowd , si linstitution poursuit un objectif de fiabilit du systme
interne de gestion du risque , mieux vaut quelle ne choisisse pas un
niveau de confiance trop lev sans quoi une perte suprieure la VaR
sobservera rarement. Dans ce cas , une priode dobservation plus longue
est ncessaire fin daccumuler suffisamment de donnes et ainsi
dobtenir des rsultats plus fiables . Il est donc ncessaire de choisir un
niveau de confiance permettant la vrification rgulire des estimations .
- Lorsque la VaR constitue la base du calcul dexigences internes de fonds
propres , le niveau de confiance doit reflter le degr daversion des
gestionnaires aux risques associs des vnements extrmes , il dpend
donc de lapptit des ces derniers au risque . Plus cette aversion est
leve, plus les gestionnaires dsirent de dtenir suffisamment de fonds
propres pour couvrir des rendements trs bas et donc plus ils choisiront un
degr lev de confiance dans le calcul de la VaR .
- La VaR peut galement tre utilise pour comparer les risques de
diffrentes institutions ou de diffrents marchs , elle peut aussi tre
utilise dans le choix de portefeuilles . Dans ces cas , le degr de
confiance en lui mme na pas dimportance du moment quil est
identique . En effet , cela na aucun sens de comparer deux nombres VaR
calculs des niveaux diffrents de probabilit .

Dans la pratique , la VaR est estime sur base de niveau de confiance allant de
90 99% . Notons toutefois que de point de vue rglementaire , la commission
de Ble exige que la VaR soit calcule avec un niveau de confiance de 99% pour
le cas des banques .

Dune manire gnrale , Z.Wiener [1997] affirme que : utiliser des
conventions de mesure menant un rsultat observable et vrifiable est
fortement recommand pour construire un modle efficient de gestion du
risque . La plupart des institutions financires choisissent dailleurs , pour leur
gestion interne , un horizon dun jour et un degr de confiance de 95% .










23

II.2 Utilisation de la Value at Risk : pourquoi la calcul-t-on ?

II.2.1 Utilit de la Value at risk :

La mthode VaR est avant tout la quantification du risque du march en unit
montaire , la quelle est relie une probabilit et un horizon de temps
comme nous avons vu dans les paragraphes prcdents . Ainsi linvestisseur
en portefeuille quil soit banque , entreprise ou particulier , dispose dun
chiffre sur la base du quel il peut prendre des dcisions : si la VaR est trop
leve par rapport son apptit pour le risque ou ces capacits y faire face
il pourrait soit rduire sa position ( vente dune partie des titres ) et donc la
rduction de la VaR , soit prendre des mesures de couverture ( hedging )
tendant rduire le risque global de son portefeuille .
La VaR constitue donc et avant tout un outil daide la gestion du risque et
permet de quantifier les diffrentes expositions sur les marchs . Nanmoins
il nest pas rare de trouver en pratique dautres utilisations que celles
exposes ci-dessus , et notamment :

Lvaluation des performances :

Ce concept permet en effet dajuster les performances au risque qui permet
de facto une rmunration plus objective . Une performance ne sera
rellement meilleure que si en termes de risque elle a conserv des niveaux
comparables .

Ladquation au capital :

Les accords de Ble ont dict une srie de rglements permettant de guider
les banques dans leur adquation de capital . Les calculs devenant souvent
trs complexes , le comit a tolr dans certains cas lutilisation de models
internes la banque ce qui les a amen pour la plus part lapplication de la
notion de Value at risk des capitaux grs avec laide notamment de
pondrations ajustes . De se fait , la VaR donne une base rationnelle pour
dterminer le capital quil faut mettre en rserve pour absorber les pertes non
anticipes .

Choix de placement :

La VaR peut tre utilis pour permettre de choisir lequel , dentre deux
placement , offrira le rendement espr le plus lev pour un niveau de risque
fix . Dans ce cadre , la VaR aide dans llaboration dune stratgie de
placement .


24

Ainsi , le calcul de la Value at risk permet :
un reporting interne au management
un reporting externes aux autorits de contrle
la fixation des limites par activit , et donc une meilleure allocation des
ressources
une valuation intelligente des performances puisquelle permet de les lier
au niveau de risque support pour y arriver .

II.2.2 contextes dutilisation de la VaR :

Dans le monde bancaire, la VaR permet doptimiser la gestion des risques
financiers dus aux oprations inities par les salles de march. Elle permet
galement de donner au client une image claire du risque financier pris
indirectement par lui. Cette mesure de risque sadresse ainsi :
- aux professionnels de marchs : oprateurs de march, gestionnaires de
fonds privs, gestionnaires de fonds institutionnels et gestionnaires de fonds
de pension
- aux Risk Managers : responsables de la gestion des risques et du contrle de
la gestion des risques (middle-offices et back-offices)
- aux comptables
- aux institutionnels.
Un grand nombre dentreprises disposent actuellement de services de Risk
Management. Ces services ont comme missions principales la rvaluation
quotidienne aux prix de march (mark to-market) de toutes les positions et
lapprhension des risques de march par des mthodes de sensibilit ou
probabilistes comme la VaR et la mise en place de limites tant internes
quexternes.
Le concept de la VaR provient du fait quil est ncessaire de rvaluer des
positions au prix de march qui sont lorigine de pertes ou de profits. Si les
prix de marchs changent, la rvaluation se trouve donc affecte. La
rvaluation des positions ces nouveaux prix donne une ide de la
sensibilit des portefeuilles de la banque en termes de pertes et profits une
variation des prix de march. Ces prix peuvent varier de manire ingale,
parfois mme de manire dramatique et imprvue, do la ncessit de
rvaluer les positions en se fixant des scnarios de march . A partir de cette
rvaluation , on peut calculer le montant de pertes potentielles donc la VaR .
En conclusion, bien que la VaR puisse en thorie tre utilise pour la
quantification des risques de march, des risques de crdit, des risques de
liquidit et des risques oprationnels, seule son application au risque de
march est aujourdhui rellement oprationnelle .





25

II.2.3 Environnement rglementaire :

Deux organismes de contrles font autorit dans le domaine de la
rglementation du risk management et par suite concernant la solvabilit des
banques en tant que principales gestionnaires de portefeuilles . Ces deux
organismes sont : le Comit de Ble et la Banque des Rglements
Internationaux ( BRI ) .
Nous avons vu que la VaR est trs utile pour une institution financire , car
elle lui permet de dtenir le niveau de capital quelle doit maintenir pour
survivre . Cest pourquoi le Comit de Ble , chapeaut par la BRI , retenait
cette mesure pour calculer le capital rglementaire dune institution
financire en 1995 qui est devenue effective en janvier 1998 . Celles ci
doivent maintenant calculer leurs expositions au risque en recourant la
VaR.

Les rgles actuelles concernant le calcul de la VaR pour une institution
financire sont les suivantes : la VaR doit tre calcule sur un horizon de dix
jours pour un niveau de probabilit de 1% . On doit recourir au moins une
anne dobservations pour calculer cette VaR . Linstitution financire doit
prendre en compte plusieurs catgories de risques : les risques associs aux
instruments financiers non linaires ( produits drivs ) , les risques
dcoulant des mouvements de la structure terme des taux dintrt et les
risques associs la base ( cart entre le prix au comptant et le prix terme )
pour les matires premires . linstitution financire doit galement se livrer
au Backtesting
4
. Mentionnons quen raction la faillite de la banque
allemande Herstatt
5
, les gouvernements des banques centrales faisant partie
du G-10 ont mis sur pied le Comit de Ble en 1974 dont le rle est de
rglementer et de superviser les pratiques bancaires . Ce comit est sous la
gouverne de la Banque des Rglements Internationaux . A la suite du krach
boursier doctobre 1987 , la BRI avait fortement suggr aux banques en
1988 de dtenir un capital rglementaire suprieur ou gal 8% dune
somme pondre de leurs actifs risqus . On allouait chaque actif un
coefficient de pondration proportionn son risque . Cette mesure du risque
tait statique et ignorait le phnomne de la diversification des portefeuilles .
Certes , les banques ne sont pas obliges de suivre les recommandations de la
BRI . Mais celles qui les ngligent risque de subir la dcote sur les marchs
financiers internationaux .




4
. ce concept va tre tudi dans une section venir
5
. la banque Hersttat a fait faillite au milieu des annes 70


26

La BRI et le Comit de Ble recommandent de multiplier la valeur de la
Value at Risk pour une priode de 10 jours par un multiple pour dterminer
le capital ncessaire permettant de couvrir les engagements. Ainsi, la formule
suivante indique le montant des capitaux requis pour exercer selon les
normes prudentielles :

Capitaux requis = 3 x VaR + minimum fix

On comprend, la lecture de cette formule, que le niveau de capitaux requis
est troitement li au calcul interne de la Value at Risk , cest--dire la
mthode destimation utilise par les institutions financires .
tant donn quil n'y a pas de modle impos, les organismes de
rglementation ont du trouver un moyen de comparer les nombreux modles
internes .
La BRI prvoit de mettre en place des pnalits financires pour les
institutions dont les modles de Value at Risk auraient tendance sous-
estimer le risque, i.e. les organismes qui sous-valuent le risque de manire
disposer de plus de capitaux investir .

Parmi les sanctions, le comit de Ble propose daugmenter le niveau des
fonds minima dans le calcul des capitaux requis pour couvrir une partie des
risques ou encore tout simplement daccrotre le coefficient multiplicateur de
la Value at Risk dans cette mme quation.

II.2.4 prcautions prendre lors de lutilisation de la VaR :

Z . Mikdashi
6
, dans son livre sur les systmes bancaires et financiers,
tenait mettre en garde l'investisseur utilisant la notion de VaR . En effet ,
celui-ci rappelait qu'il fallait garder l'esprit les indications suivantes :

Tout d'abord , il faut savoir que pour un mme portefeuille , les banques
peuvent trouver des VaR diffrentes cause de l'utilisation de paramtres
divergents, particulirement concernant les intervalles de confiance, les
priodes de dtention du portefeuille , etc. Ce qui rend les comparaisons
d'autant plus difficiles.
Ensuite, ces modles d'analyse se basent sur des relations linaires
rendement/risque , utilisant des distributions particulires alors que la
pratique en diverge souvent . Evidemment , il faut garder l'esprit qu'il s'agit
d'un modle et que ds lors un certain nombre d'hypothses simplificatrices


6
. Banques, autorits publiques et matrise des risques , Zuhayr Mikdashi (Economica, HEC
Lausanne)


27

doivent tre acceptes , condition intrinsque pour permettre un niveau de
modlisation acceptable .

Enfin , cette notion ne saisit pas le fait qu'il existe un dcalage notable
entre le moment o le manager dcide de liquider ses positions et le moment de
la liquidation effective , et ce , d'autant plus que le risque de liquidit est grand .

Il est donc important , lors d'analyse base sur la VaR , de considrer ces mises
en garde afin de ne pas interprter de manire trop hasardeuse les rsultats
qu'une analyse de Value at Risk pourrait gnrer.

II.3 Avantages et inconvnients de la mthode VaR :

Comme toutes les autres mthodes de mesure du risque , la Value at risk
prsente des avantages et des inconvnients :

II.3.1 Avantages :

- Les mesures traditionnelles du risque tel que la variance ou la dviation
standard ( o ) et le degr de sensibilit ( ) ne donne pas une perception
de lenvergure des pertes possibles mais simplement une information sur
le pourcentage de la dviation du prix ou du rendement de lactif par
rapport sa moyenne pour la dviation standard , ou le degr de
sensibilit du prix ( rendement ) aux fluctuations du march pour le . Par
contre la mesure VaR donne une perception du montant de pertes dans un
horizon de planification donn avec une probabilit associe ces pertes

- Un autre avantage de la VaR et quelle nest pas assujettie la distribution
normale . Tel nest pas le cas de lcart type ou du bta qui sont des
mesures de risques relis la loi normale . Il est bien connu que les
rendements des titres nobtemprent pas une loi normale . Do
lavantage indniable de la VaR sur les mesures de risque classiques qui
sont enchsses dans la distribution normale .

- La Value at risk prsente lavantage dtre plus facile comprendre par
des investisseurs qui ne sont pas forcment des spcialistes en techniques
de gestion de portefeuille ou de risk management .

- Comme la VaR , l'cart type intgre des informations sur les probabilits
et l'ampleur des pertes. Mais au contraire de la VaR, il suppose
implicitement que les profits et les pertes sont des images identiques
inverses : une perte de 1 million de dollars s'assortit de la mme
probabilit qu'un gain de 1 million de dollars et il en est de mme pour


28

n'importe quel montant en dollars. Si c'est sans doute pratiquement vrai
pour les instruments simples - comme une position de trsorerie dans une
monnaie internationale - c'est loin d'tre le cas pour des options . Acheter
une option cre un potentiel illimit de hausse avec un potentiel de perte
limit au cot de l'option . Inversement , vendre des options peut produire
un risque la baisse illimit sans que le profit puisse excder la prime
dgage sur la vente de l'option . En ne s'attachant qu'aux probabilits de
pertes importantes , la VaR peut rendre compte de ce type d'asymtrie
alors que l'cart type , lui , ne le peut pas .

II.3.2 Inconvnients :

En effet , lors de lutilisation de la mesure VaR il est trs important de garder
lesprit quen fin de compte ce nest quun indicateur de risque et son
utilisation dpend du jugement de lutilisateur . Dans cette logique , il serait
avis de retenir la mise en garde faite par JP Morgan dans son document
dintroduction RiskMetrics (1995) : Nous tenons rappeler au lecteur
quaucun outil danalyse sophistiqu ne remplacera le jugement
professionnel dans la gestion du risque . En effet , depuis son apparition
lapproche VaR a t lobjet de plusieurs critiques , non seulement propos
de son estimation mais galement propos de la pertinence de son utilisation.

Jorion [1996] tudie le risque d'estimation li au calcul de la VaR. Il
considre la VaR obtenue par les mthodes conventionnelles comme tant
une approximation du premier ordre. Il prconise une bonne comprhension
des mthodes statistiques qui sont la base des calculs car l'utilisation de
paramtres estims avec biais entrane un risque d'estimation de la VaR. Par
consquent, ce risque d'estimation implique que la VaR devrait tre
accompagne d'un intervalle de confiance.

Christoffersen et Diebold [1997] ont montr qu'avec un horizon de prvision
de quelques jours, l'utilisation de prvisions conditionnelles pour estimer la
volatilit, o les donnes les plus rcentes ont plus de poids, ne donnaient pas
de meilleurs rsultats que l'utilisation de distribution inconditionnelle comme
distribution de prvision. La raison est que les donnes historiques rcentes
donnent peu d'information sur la possibilit qu'un vnement extrme
survienne, spcialement dans le cas de moyennes mobiles exponentielles de
RiskMetrics
TM
.

Beder [1995] montre dans une tude comparative de huit mthodes
diffrentes que toute VaR n'est pas quivalente et que plus que jamais la
dpendance la technologie et la comptence est grande. Il y a des
diffrences non ngligeables selon la mthode utilise et mme que pour une


29

mme technique, deux entreprises pourront poses des hypothses diffrentes
dans sa mise en pratique. La VaR peut donner un faux sentiment de scurit
(notamment, il ne faut pas oublier le risque de liquidit des positions avec les
VaR quotidiennes). De plus, la VaR est une mesure qui ne capte pas les
facteurs qualitatifs, ce qui l'amne conclure que les mathmatiques sont
parties intgrante la finance, mais que la finance ne suit pas toujours des
rgles mathmatiques

Pour McKay et Keefer [1996] , la VaR est une statistique qui aveugle les
gestionnaires. En effet, selon eux, la VaR ignore les asymtries de marchs,
un portefeuille peut tre plus expos aux profits qu'aux pertes ou l'inverse.
Ils sont d'avis que le remodelage du risque (risk-reshaping), complment la
gestion du risque, a t oubli. Deux portefeuilles peuvent avoir la mme
VaR mais prsenter une configuration de risque diffrente, un dont le risque
peut tre facilement limin alors que ce n'est pas le cas pour l'autre
portefeuille. Enfin, ils avancent que la VaR renforce la notion populaire que
les institutions financires font de l'argent en s'exposant aux risques de
marchs. Alors qu'en ralit la VaR, selon eux, devrait tendre vers zro et
tous les risques de march devraient tre couverts .

Culp, Miller et Neves [1998] soulignent qu'une des hypothses sous-jacentes
la VaR, soit celle de la stabilit du portefeuille pour l'horizon de la VaR,
peut devenir problmatique pour les VaR dont l'horizon est tendu. Selon
eux, lorsque l'exposition un certain niveau de risque est intrinsque aux
activits d'une entreprise, la VaR devrait tre accompagne des profits
esprs . galement, la VaR n'est pas utile pour tous les types d'entreprises,
particulirement les firmes commerciales doivent tre prudentes avec la VaR,
qui devrait servir d'outil de surveillance et de diagnostic . Ils rappellent
galement que la VaR n'est pas un substitut une bonne gestion et un bon
systme d'information.














30

SECTION III : FONDEMENTS THEORIQUES DE LA
METHODE VALUE AT RISK :

III .1 Value at Risk et distributions des rendements autres que
la normale : problme des queues paisses ( fat tails )

Dans la ralit il est trs rare que la distribution des rendements dun
portefeuille de titres soit une distribution normale , lutilisation de la distribution
normale dans les sections prcdentes avait essentiellement pour objectif de
simplifier les calculs et de mieux comprendre le concept , mais dans la ralit il
en est autrement .
Ainsi , deux paramtres de la distribution des rendements sont de toute premire
importance pour calculer la VaR . Le premier paramtre est le coefficient
dasymtrie ou le Skewness et il mesure le degr dasymtrie de la distribution .
Il se dfinit comme suit :

( n
3
/ o
3
) = E [ ( x-n)
3
] / (V(x))
3/2

= E [ ( x-n)
3
] / (o
2
)
3/2

ou E(.) est lesprance et V(.) la variance . E , dans les petits chantillons , est
estime par les moyennes arithmtiques des ralisations de la variable alatoire :
_ ^
E [ ( x-n)
3
] = _ ( x
t
- x )
3
/ T = n
3
_
o est estim par x et T est le nombre dobservations .
Par ailleurs , on estime o
2
par
^
o
2
= _ ( x
t
x )
2
/ T

ce qui nous donne le Skewness :
_
S = (1/T) [ _ ( x
t
x )
3
/ (o
2
)
3/2
]

Si S = 0 , alors la distribution est symtrique , linstar de la distribution
normale .

Si S > 0 , alors la densit de la distribution stale vers la droite . Et on a une
asymtrie positive :




31





Si S < 0 , alors la densit de la distribution stale vers la gauche . Et on est en
prsence dasymtrie ngative :


Asymtrie ngative






Lintuition ici est que lon compare les skewness empiriques de nos donnes aux
skewness thoriques dune distribution rfrence qui est la normale .

Le deuxime paramtre quon doit connatre dune distribution est le coefficient
daplatissement ou le Kurtosis (k) . Comme son nom lindique , le coefficient
daplatissement dune distribution mesure son degr daplatissement . Il est
associ lpaisseur des queues ( tails ) de la distribution . On le dfinit comme
suit :

n
4
/ o
4
= E [ ( x n )
4
] / ( V(x ))
2

= E [( x n )
4
] / ( o
2
)
2


Dans la pratique on estime ce coefficient de la faon suivante : lesprance E est
estime par la moyenne chantillonale , cest dire :
_ ^
E [ ( x n )
4
] = _ ( x
t
x )
4
/ T = n
4


Asymtrie positive



32

Ainsi , le Kurtosis est :
_
K = ( 1 / T ) [ _ ( x
t
x )
4
/ (o
2
)
2
]

Si K = 3 , il ny a pas de biais leptocurtique . On dit alors que la distribution est
msocurtique comme cest le cas pour la distribution normale qui sert de point
de rfrence . Par ailleurs , si K > 3 , on est confront au cas dune distribution
leptocurtique . Plus communment , on dit quune telle distribution prsente des
queues paisses ( fat tails ) , cela toujours en rapport avec les extrmits dune
distribution normale , comme prsent dans la figure suivante :









Finalement , si K < 3 , on parle de distribution platicurtique . Plus
communment on dit quune telle distribution prsente des queues minces ( thin
tails ) . Cela toujours en rapport avec les extrmits dune distribution normale ,
comme on peut le voir dans la figure qui suit :



Distribution
normale

Distribution
leptocurtique


33



Si les coefficients estims dasymtrie et daplatissement sont respectivement
prs de 0 et de 3 pour une distribution donne , on peut conclure quon est en
prsence dune loi normale .
Une distribution que lon retrouve couramment dans la littrature financire ,
notamment pour modliser le prix dune action , est la distribution lognormale .
Sa fonction de densit se dfinit comme suit :

f ( x ) = ( 1 / \ 2aox ) . exp [ (1/2)[(ln x-n) / o]
2
]

Il faut noter que si une variable suit une distribution lognormale , alors le
logarithme de cette variable obit une loi normale . Le coefficient dasymtrie
de la distribution lognormale est positif .

Comme cest toujours le cas en statistique , un simple coup dil sur un
graphique ne suffit pas pour mesurer les dviations de ces coefficients par
rapport la normale . Il faut dvelopper un test pour juger du caractre
significatif de ces dviations . Le test de Jarque et Bera (1981) est conue cette
fin . Ce test est dfini sur la somme des coefficients dasymtrie et
daplatissement levs au carr . Plus prcisment , le test de Jarque et Bera (JB)
est bas sur la statistique suivante :

JB = ( TS
2
/6 ) + [T(K-3)
2
/24] ~ ,
2
(2)

Le test dhypothse est le suivant : lhypothse nulle H
0
est que la distribution
est normale alors que lhypothse alternative H
1
est que la distribution ne lest
pas . La rgle consiste rejeter H
0
si la statistique JB est plus grande que
2
avec
deux degrs de libert au seuil de signification de 5% .

La figure suivante , construite partir du logiciel Eviews , relate la distribution
des rendements journaliers de lindice TUNINDEX de la bourse de Tunis pour
Normale

Platicurtique
(queues minces)


34

la priode allant du 5 janvier 2000 jusquau 26 juin 2002 . Le kurtosis et le
skewness y apparaissent de mme que la statistique JB .




Comme le montre cette sortie E-views , le coefficient dasymtrie (Skewness) de
la distribution des rendements du TUNINDEX est positif , ce qui indiquerait un
certain degr dasymtrie positive ce qui signifie quil y a un risque relativement
faible investir dans cet indice puisque la distribution , en raison de son degr
dasymtrie , est beaucoup plus tale vers la droite que vers la gauche (la
probabilit de la hausse des rendements est plus leve que celle de la baisse) .
Le coefficient daplatissement (Kurtosis) , lgrement suprieur 3 , indique
que la distribution des rendements journaliers du TUNINDEX est lgrement
leptocurtique , cest dire quelle a des queues paisses en comparaison avec la
distribution normale . Par ailleurs , la statistique JB donne penser que la
distribution des rendements du TUNINDEX dvie fortement de la normale .

Plusieurs analystes de la VaR supposent que la distribution des rendements des
titres qui constituent un portefeuille est normale . Comme nous lavons vu
prcdemment , cela facilite beaucoup les calculs en raisons de la simplicit de
cette dernire . Mais si la distribution relle des rendements nest pas normale ,
cela peut nous entraner dans dnormes erreurs de calculs . En effet supposons
le cas dun portefeuille dont la distribution des rendements est leptocurtique ,
comme a a t le cas pour le TUNINDEX , et que le risk manager utilise une
loi normale pour calculer la VaR de ce portefeuille . Sil utilise une marge
derreurs (q) de 1% , il multipliera alors lcart type du rendement du
portefeuille par 2,33 . Mais comme la vritable distribution des rendements
prsente des queues paisses , les valeurs extrmes de sa distribution , telles les
pertes maximales , sont plus probables que pour une distribution normale . Par
consquent , pour calculer la VaR du portefeuille , cest un quantile suprieur
2,33 quil aurait fallu rattacher lcart type . La VaR calcul sous une loi
normale serait donc fortement sous-estime . Par consquent , le capital que le


35

risque manager recommandera linstitution financire pour couvrir sa perte
maximale 99% sera son tour sous-estim et le risque de faillite plus lev .


III .2 Les mthodologies VaR :

Il existe deux mthodologies ou deux approches pour obtenir la VaR
partir des distributions des probabilits ou des rendements
7
dun portefeuille
dactifs :

III.2.1 Approche gnrale :

La premire mthodologie est ce quon appelle lapproche gnrale ou non-
paramtrique . Cette approche se base sur le fait quon connat dj la
distribution empirique des rendements du portefeuille . Dans ce cas on peut
obtenir la VaR partir du prcentile (z
q
) correspondant la probabilit et la
loi de distribution des rendements comme il tait le cas dans les exemples
explicatifs prcdents ( q = 95% , distribution normale => z
q
= 1,65) .
Lapproche gnrale regroupe deux mthodes destimation de la VaR : la
mthode de simulation historique , et la mthode de simulation Mont Carlo .

III.2.2 Approche paramtrique :

La deuxime approche et lapproche paramtrique , dans la quelle on ne
connat pas la relle distribution empirique des rendements mais une
distribution paramtrique est utilise , cette distribution sajuste le plus
possible aux donnes . Cette approche inclus la mthode analytique de
matrice variance-covariance pour calculer la Value at risk .
La caractristique cls de lapproche paramtrique est la supposition ou
lhypothse faite concernant la fonction de densit des probabilits des
rendements ( PDF
8
) . En pratique , la plus faciles est plus frquente
hypothse est que cette fonction correspond une distribution normale . Mais
comme cette hypothse lavantage de simplifier considrablement
lestimation de la VaR elle prsente aussi linconvnient de ne pas tre trs
raliste empiriquement comme nous avons vu dans la section prcdente .





7
. En pratique , les chercheurs travaillent avec les rendements au lieu des prix parce quils prsentent
des proprits statistiques plus attractives ( voir Longerstaey et Al .1996. p46 )
8
. Probability Density Function


36

Lavantage le plus significatif de lapproche gnrale (non paramtrique) en
comparaison avec lapproche paramtrique est quelle ne requiert limposition
daucune hypothse concernant les volatilits et les rendements , ni concernant
la corrlation entre eux , ni concernant la distribution elle-mme .

























37









CHAPITRE II :



ESTIMATION DE LA VALUE AT RISK














38

Dans le chapitre prcdant nous avons tudi les diffrents aspects thoriques
de lapproche Value at risk . Dans ce chapitre nous allons tudier les diffrentes
mthodes destimations de la VaR .

Il tait clair dans le premier chapitre que ltape critique dans la dtermination
de la VaR est lobtention de la distribution des changements de valeur du
portefeuille , c'est--dire des gains et des pertes potentiels . Cette distribution
peut tre obtenue de trois faons . Une premire approche consiste supposer
que les variables financires suivent des distributions normales
9
. Le calcul de la
VaR se trouve alors simplifi car il dpend uniquement des valeurs espres et
de la matrice variance-covariance des facteurs de risque . Lapproche de la
matrice variance-covariance est celle qua adopte RiskMetrics pour calculer
la VaR .
Une deuxime mthode destimation dite mthode Monte-Carlo , utilise une
modlisation alatoire des facteurs de risque et simule un grand nombre de
trajectoires possibles de ces facteurs . Le portefeuille est ensuite rvalu chaque
fois et une distribution des gains et des pertes est de nouveau obtenue .
La troisime technique utilise la simulation historique , qui consiste rvaluer
le portefeuille laide de scnarios passs du march . Ces trois mthodes seront
amplement tudies dans les sections venir dans ce chapitre .

Afin d'illustrer de manire empirique nos analyses et dappliquer lapproche
VaR aux donnes du march financier tunisien , nous allons constituer un
portefeuille fictif avec les titres les plus reprsentatifs du march . Ce
portefeuille fera lobjet dtude tout au long du reste de ce mmoire .
Mais avant cela nous allons procder la description des donnes collectes sur
le march boursier tunisien et sur la base des quelles se fera le choix du
portefeuille et lestimation de la VaR .












9
. lhypothse de normalit permet une linarisation des relations entre les changements des variables
du march et les changement de valeur des diffrents instruments qui composent le portefeuille .
A.Louis Calvet . La gestion globale des risques du march . Gestion , volume 25 , numro 3 ,
automne 2000 .


39

SECTION I : DESCRIPTION DES DONNEES

I-1 Prsentation des indices :

Lindice boursier est un instrument qui permet de mesurer la variation
gnrale dun chantillon de valeurs cotes choisies par les spcialistes, et qui
sont juges reprsentatives de lensemble du march. Le choix de ces valeurs est
effectu selon des concepts varis (Frquence de cotation, importance de la
capitalisation boursire, degr du flottant ). Les indices permettent aussi de
mesurer les performances boursires des investisseurs et des gestionnaires de
portefeuilles.
Sur la place de Tunis cohabitent deux indices, savoir lindice BVMT et
TUNINDEX .

Lindice BVMT :

Lindice BVMT est un indice simple non pondr qui reprsente la somme
arithmtique de lensemble des cours de lchantillon retenu, rapport une base
des cours du mme chantillon. Cette base est ajuste lors de toute opration
touchant le titre ( Opration sur capital, paiement de dividende ).
Les valeurs retenues chaque anne sont celles de la cote, admises pour leurs
actions ordinaires lexclusion des socits dinvestissement et dont la
frquence de cotation est suprieure ou gale 60% .

Lindice TUNINDEX :

Lindice Tunindex est un indice de capitalisation pondr qui est ouvert aux
valeurs admises la cote lexclusion des socits dinvestissement et aux
valeurs dont la priode de sjour est au moins de 6 mois .

capitalisation boursire linstant t
Indice Tunindex =
capitalisation boursire ajuste linstant t

La base est ajuste lors de toute opration touchant la capitalisation boursire
( attribution gratuite, mission en numraire, assimilation daction, nouvelle
admission, paiement de dividende ).
Il a t lanc le 1
er
avril 1998, en prenant comme base 1000 le 31/12/1997.

La gestion des indices de la Bourse de Tunis est confie un comit
scientifique de l'indice boursier compos de reprsentants du Ministre des
Finances, du Conseil du march Financier, de la Banque Centrale de Tunisie, de


40

l'Institut Nationale des Statistiques, de l'Institut d'Economie Quantitative,
d'conomistes et de statisticiens reconnus pour leurs comptences .

I-2 Description des donnes collectes :

Dans ce chapitre nous allons utiliser les donnes de march pour estimer la
Value at Risk dun portefeuille dactions . Notre base de donnes sera constitue
des valeurs journalires des titres du portefeuille sur une priode de deux annes
allant du 02/10/2000 jusquau 01/10/2002 . Le portefeuille sera compos dun
certain nombre dactions des socits cotes sur la bourse de Tunis .
Les actions qui feront partie du portefeuille seront choisies parmi celles qui font
partie de lun ou lautre des deux indices BVMT et TUNINDEX fin que le
portefeuille soit le plus possible reprsentatif du march financier tunisien .

La composition des deux indices pour lanne 2002 est disponible en annexe 1 .

Les valeurs des actions le jour au jour seront exprimes par leurs prix journaliers
sur la bourse de Tunis .

I-3 La constitution dun portefeuille fictif :

A fin d'illustrer de manire empirique nos analyses, nous allons constituer un
portefeuille fictif avec les titres les plus reprsentatifs du march ( prsents dans
lun des deux indices ) . Dans lobjectif de respecter de manire cohrente les
principes fondamentaux de gestion de portefeuille , ce portefeuille doit atteindre
un niveau de diversification acceptable pour rduire le risque diversifiable
(risque spcifique) .
Dans cette logique , on peut segmenter le march tunisien en onze secteurs ,
savoir :
Industrie Agro-alimentaire : El Mazraa , SFBT , STIL , Tunisie Lait .
Assurances : AST , CARTE , STAR .
Banques : AB , ATB , BH , BIAT , BNA , BS , BT , BTEI , STB , UBCI ,
UIB .
Commerce : BATAM, SOTUMAG , Magasin Gnral , MGR , STEQ ,
MONOPRIX .
Communications : SOTETEL .
Industrie : Air Liquide , Alkimia , AMS , ICF , Electro Star , SIAME ,
SIPHAT , SOTUV , STIP .
Immobiliers : SIMPAR .
Investissement : PLTU , SPDIT , TINV .
Leasing : Amen Lease , ATL , CIL , General Leasing , Tunisie Leasing .
Tourisme : Palm Beach .
Transport : Tunis Air , SOTRAPIL .


41


Ainsi , dans le choix des titres qui vont faire partie de notre portefeuille fictif
nous devons tenir compte dune diversification sectorielle en choisissant des
titres dans des secteurs diffrents et relativement peu corrls entre eux .
Par ce fait , dans le choix de ces titres nous nous sommes impos trois critres
satisfaire :
- Le titre doit tre prsent dans lun ou lautre des deux indices BVMT et
TUNINDEX fin que le portefeuille soit le plus reprsentatif possible du
march financier tunisien .
- Laction choisie doit reprsenter le meilleur coefficient de variation (CV)
dans son secteur fin de slectionner les titres qui reprsentent le meilleur
rapport risque / rentabilit de chaque secteur .
- Chaque titre doit reprsenter un degr de corrlation faible avec les autres
titres des autres secteurs fin de respecter le critre de diversification .
Sous le premier critre , sept titres sont limins et ne feront pas partie de notre
portefeuille savoir : CARTE , BTEI , STIP , PLTU , TunInvest , MGR et
SPDIT . La slection va donc se faire sur les trente neufs titres restants .
Le tableau en annexe 2 reprsente la classification de ces titres slectionns
selon les secteurs et par ordre croissant du coefficient de variation ( CV ) de
chaque action . Ce tableau reprsente aussi les moyennes et les carts-types du
rendement de chaque titre , en fonction desquelles on a calcul les CV . Les
moyennes et les carts-types ont t calcules sur la base des rendements
journaliers de chaque titre de la priode allant du 02/10/2000 jusquau
01/10/2002 .
Pour des raisons de simplification , ces actions sont considres sans dividendes.
Ainsi le rendement de chaque titre est calcul comme suit :
R
t
= (P
t
P
t-1
) / P
t-1

Avec : P
t
: prix de laction linstant t
P
t-1
: prix de laction linstant t-1

Par la suite , dans chaque secteur on va slectionner le titre qui prsente le
meilleure rapport ecart-type / moyenne pour faire partie dans notre portefeuille
fictif .

Ainsi , les titres qui vont tre dans le portefeuille sont :
AB
SOTUVER
CIL
MONOPRIX
SFBT
TUNIS AIR
ASTREE


42

SOTETEL
PBHT
SIMPAR

Bien videmment ce portefeuille ne reprsente en aucun cas les meilleurs titres
du march (selon le critre CV) mais nous avons juger important de tenir
compte de la diversification sectorielle fin dattnuer le risque spcifique de
chaque titre et fin que le portefeuille soit le plus reprsentatif possible du
march boursier tunisien . Au-del de ce choix il serait plus rationnel de
remplacer laction SIMPAR par Laction BNA par exemple car elle prsente un
meilleur coefficient de variation .
Le calcul de la matrice de corrlation entre les titres du portefeuille montre un
niveau acceptable dindpendance entre ces derniers puisque les titres les plus
corrls sont SFBT et SOTETEL avec un coefficient de corrlation
p = 0,361728 , niveau qui peut tre juger acceptable ( voir annexe 3 ) .

Le poids de chaque titre dans le portefeuille sera proportionnel limportance de
sa capitalisation boursire par rapport aux autres titres slectionns . Ainsi , par
exemple le titre AB prsente une capitalisation boursire de 131 760 000 DT le
02/10/2000 sur une capitalisation totale ( des dix titres ) de 1 369 711 181 DT
pour le mme jour . Ainsi la proportion du titre AB dans notre portefeuille sera
de 9,62 % . Pour le reste du travail nous allons supposer que le montant investis
en actions le 02/10/2000 est de 50 000 DT , par ce fait le montant investis en
actions AB sera de 4 809,773 DT . En divisant le montant investis en actions AB
par le cours du titre le 02/10/2000 on trouve le nombre des actions AB dans le
portefeuille .
Dans cette logique on a :

Nombre de titres AB = 4809,773 / 21,6 =223

Si on applique cette mthode sur les neufs autres titres on aura dans notre
portefeuille : 223 actions AB , 21 SOTUVER , 27 CIL , 67 MONOPRIX , 166
SFBT , 468 T.AIR , 29 ASTREE , 15 SOTETEL , 89 PBHT et 18 actions
SIMPAR . On trouvera le dtail de ces calcul en annexe 4 .


I-4 Etude des statistiques descriptives des rendements du portefeuille
choisi :

I-4-1 Utilisation de E-views :

Nous avons vu dans le premier chapitre que la dtermination de la distribution
des rendements du portefeuille ( ou du titre ) est lune des tapes les plus


43

importante dans lestimation de son VaR . Avant de pouvoir dterminer la loi de
distribution des rendements nous devons tout dabord procder ltude des
statistiques descriptives de ces derniers . Pour cela nous allons utiliser le logiciel
E-views ( v 3.0 ) . Les donnes qui vont constituer lin-put du logiciel sont les
rendements journaliers du portefeuille slectionn dans la section prcdente .
Ces rendements sont calculs pour la priode allant du 02/10/2000 jusquau
01/10/2002 , ainsi nous disposons de 730 observations . Le rendement journalier
du portefeuille est calcul comme suit :

R
t
= (P
t
P
t-1
) / P
t-1


Rappelons que lensemble des actions qui constituent le portefeuille sont
considres sans dividendes pour des raisons de simplification .

E-views nous procure les rsultats suivants :

Histogramme et statistiques descriptives du portefeuille



I-4-2 Interprtation de lout-put :

Daprs la sortie E-views on remarque que le skewness est infrieur zro
( -8,0032 ) , ce qui veut dire que la densit de la distribution des rendements du
portefeuille stale vers la gauche . Ce constat est affirm par lallure de
lhistogramme . Ainsi on peut affirmer que cette distribution fait lobjet dune
asymtrie ngative .
De la mme manire on constate aussi que le Kurtosis qui est dans notre cas gal
123,91 est largement suprieur 3 . On est donc confront au cas dune
distribution leptocurtique . Plus communment , on dit quune telle distribution
prsente des queues paisses , cela toujours en rapport avec les extrmits dune
distribution normale .


44

Ainsi , et daprs ces deux coefficients on peut dire priori quon est pas en
prsence dune distribution normale , mais il faut dvelopper un test pour
affirmer ces constations dune manire convaincante . Le test de Jarque et Bera
(1981) est conu cette fin .
Le test dhypothses est le suivant :
H
0
: la distribution est normale
H
1
: la distribution nest pas normale
La rgle consiste rejeter H
0
si la statistique JB est plus grande que
2
avec deux
degrs de libert au seuil de signification habituel de 5% . Daprs la table
statistique de la loi khi deux
2
(5%) = 5,9915 . Et JB dans notre cas est gale
452 473 il est donc fortement suprieur 5,9915 , ce qui nous permet de rejeter
H
0
et daffirmer que la distribution des rendements du portefeuille dvie
fortement de la normale .

Le test de racine unitaire ADF (Augmented Dickey-Fuller) consiste tester
lhypothse nulle :

H
0
: existence dune racine unitaire srie non stationnaire

Le test consiste rejeter H
0
si la statistique obtenue est infrieure la valeur
critique de MacKinnon . Les rsultats du test ADF sur les rendements du
portefeuille (Annexe 7) nous montre quon doit rejeter H
0
puisque la statistique
ADF (-11.56) est infrieure la valeur critique au seille de signification de 1%
(-3.44) . Ce qui nous permet daffirmer la stationnarit des rendements de notre
portefeuille .


SECTION II : ESTIMATION DE LA VALUE AT RISK

II-1 Lexpansion de Cornish-Fisher et la VaR
11
:
Nous avons vu dans la deuxime section du premier chapitre ( paragraphe
II.1.1) que lquation gnrale de la VaR est la suivante :

VaR
q
= E(p
t
) + z
q
o(p
t
) \ At

Mais comme nous avons choisit de travailler avec les rendements pour leurs
caractristiques statistiques attractives lquation devient :

VaR
q
= E(r
t
) + z
q
o(r
t
) \ At

11
. Pour cette section nous nous rfrons : Stuart A.,Ord K. et Arnolds S ., Kendalls Advenced
Theory of Statistics.Vol1 : Distribution Theory . Arnold , 1999 ,pp. 236-240 ; Hull J.C (2000) ,
Options , Futures and Other Derivatives, Prentice Hall, New Jeresy , Chap14


45

Il est donc ncessaire de connatre le percentile z
q
pour pouvoir calculer
la VaR . On doit donc connatre la loi de distribution des rendements .
Pour une loi normale le calcul est simple , il suffit en fait de remplacer z
q
par sa
valeur en tenant compte du seuil de probabilit dsir (q) . A titre dexemple
pour q = 95% , z
95%
= -1,655 (voir tables statistiques) .
Mais comme nous avons vu pour le cas du portefeuille dans la section
prcdente , la normalit des rendements nest pas toujours vidente voir mme
rare pour des sries de donnes financires . Le calcul des statistiques
descriptives de chaque titre du portefeuille dune manire isole confirme cette
constatation . Le tableau en annexe 5 montre que la totalit des distributions des
dix titres dvient des degrs diffrents de la loi normale .

Ils existent plusieurs solutions pour surmonter ce problme , lexpansion de
Cornish-Fisher
12
est lune de celles-l .

II.1.1 Prsentation de lexpansion de Cornish-Fisher :

Lexpansion de Cornish-Fisher est une relation approximative entre les
percentiles dune distribution et ces moments . Les moments dune distribution
sont : lesprance , lcart type , le Skewness et le Kurtosis .
Daprs Stuart et AL [1999] , un trs grand nombre de distributions que lon
trouve en statistique tendent vers la normale quand le nombre dobservations
tend vers linfini , mais dans des chantillons de moindre taille , la distribution
normale nest pas vidente . Cest pour quoi il faut faire appel lexpansion de
Cornish-Fisher dans ce cas pour approximer les percentiles dune distribution .
Cette approximation est fonde sur la srie de Taylor et recourt aux moments
dune distribution qui dvie de la normale pour calculer ses percentiles .
Hull [2000] fournit cette approximation jusquau troisime moment dune
distribution . Lexpansion de Cornish-Fisher scrit alors comme suit :

w
q
- z
q
+ (1/6) (z
q
2
-1) Sk

Dans cette expression , w
q
est le percentile corrig de la distribution au seuil q ;
z
q
est le percentile correspondant une N(0,1) et Sk est le Skewness
( coefficient dasymtrie ) .







12
. Cornish,E.A et Fisher , R.A. (1973) , Moments and Cumulants in the Specification of Distributions
, Rev.Int.Statist.Inst,307 .


46

Prenons par exemple le cas de laction CIL , lesprance de son rendement
= -0.00051167 , son cart type o = 0.01307788 et son coefficient dasymtrie
Sk = -1.706048 . Si on ignore sa dviation de la normale est on travail avec
z
95%
= -1.655 on aura la VaR annuelle suivante :

VaR
95%
= -0.00051167-1.655(0.01307788) = -0.022

Ainsi , la perte journalire pour chaque dinar investis en action CIL est de
0.022 DT avec une probabilit de 95% que cette perte ne dpasse pas ce
montant .
Voyions maintenant lorsque on corrige z
q
avec lexpansion de Cornish-Fisher :

w
95%
= z
95%
+(1/6) (z
95%
2
-1) Sk = -1.655+(1/6) [(-1.655)
2
1] (-1.706048)
= -2.1493

Corrige de lasymtrie des rendements des titres , la VaR par dinar devient :

VaR
95%
= -0.00051167-2.1493(0.01307788) = -0.028

La VaR augmente donc de 27% la suite de la correction du percentile de la
distribution , ce qui confirme nos propos au premier paragraphe de la troisime
section du chapitre prcdant sur le fait quune utilisation de la loi normale
lorsque en ralit la distribution des rendements ne lest pas sous estime le
risque encouru .

Mais Hull [2000] nest pas aller au del que le troisime moment dune
distribution pour crire lexpansion de Cornih-Fisher , alors que cette dernire
met en cause toutes les moments dune distribution . En fait le principale
problme que prsentent les distributions de rendements est leur caractre
leptocurtique que nous avons nomm dans le premier chapitre fat tails ou
queues paisses . Ce phnomne sexprime en ralit par un excdent de
Kurtosis par rapport celui dune distribution normale et qui est gale 3 . En
prenant compte de cet excdent (EKur) , Racicot et Thoret [2001] sont all
jusqu le quatrime moment de la distribution . Lexpansion de Cornish-Fisher
devient :

w
q
= z
q
+ (1/6) (z
q
2
-1) Sk + (1/24) (z
q
3
-3z
q
) EKur - (1/36) (2z
q
3
-5z
q
) Sk
2

Ainsi donc , pour lexemple prcdant du titre CIL w
95%
devient en tenant
compte la fois de lasymtrie et du leptocurtisme de la distribution de ces
rendements :



47

w
95%
= -2.1493 + (1/24) [(-1.655)
3
3 (-1.655)] (23.0563) (1/36) [2 (-1.655)
3
-5(-1.655)] (-1.706)
2
= -1.724
La VaR par dinar pour q = 95% devient donc :

VaR
95%
= -0.00051167 1.724 ( 0.01307788 ) = - 0.023

Lexcs de Kurtosis a donc rduit la VaR pour un q de 95% . Lexcs de
Kurtosis na cependant pas un effet sens unique sur la VaR . Son effet dpend
de la marge derreur que lon recherche . En fait le point mort , soit le point ou
lexcdent de Kurtosis commence jouer ngativement sur la VaR , se situe
z
q
= -1.73 , cest dire q = 95.818% .


II.1.2 Application de lexpansion de Cornish-Fisher sur les titres du
portefeuille et calcul de la VaR :

Le tableau suivant nous donne les VaR par dinar investi pour chaque titre du
portefeuille pris sparment des autres . Cette VaR a t calcule pour un niveau
de confiance de 99% , c'est--dire quil y a 1% de chance que des vnements
extrmes se ralisent et que la perte dpasse le montant indiqu par la VaR .
Lhorizon pour la quelle la VaR a t calcule et dune journe . Le niveau de
confiance de 99% et lhorizon dun jour sont les paramtres qui ont t
recommands par le comit de Ble pour le calcule de la VaR des institutions
financires . Cette recommandation est toute fait lgitime vu limportance des
risques encourus par les institutions financires et spcialement celles qui grent
des portefeuilles dactions .

Titres Sk Ekur w
99%
VaR/Dinar
AB -0,6783 6,2444 -4,1116 -0,035
SOTUVER -3,6624 54,3938 -12,6870 -0,228
CIL -1,7058 20,0566 -7,1741 -0,094
MPX -1,7905 16,7712 -6,3569 -0,054
SFBT -8,1243 116,6798 -10,7376 -0,249
T.AIR 0,4885 -0,8825 -1,6711 -0,029
ASTREE -22,6384 578,5539 38,6374 0,748
SOTETEL -2,0338 15,6951 -5,9341 -0,123
PBHT 9,1360 220,2967 -15,6974 -0,364
SIMPAR -2,6295 46,0757 -12,4285 -0,124

Pour avoir la VaR pour la totalit du montant investis en chaque titre on doit
multiplier la VaR/dinar par la somme investi en chacun de ces titres . Comme
nous avons fait dans le tableau suivant :


48

titres VaR/Dinar Mt investis VaR
99%

AB -0,035 4809,773 -168,576
SOTUVER -0,228 250,574 -57,07
CIL -0,094 725,518 -68,441
MPX -0,054 1891,254 -101,729
SFBT -0,249 29979,167 -7478,313
T.AIR -0,029 7636,357 -222,335
ASTREE 0,748 1146,519 857,88
SOTETEL -0,123 2828,699 -347,718
PBHT -0,364 457,995 -166,774
SIMPAR -0,124 274,145 -34,026

Ainsi , le dtenteur de ce portefeuille risque de perdre au maximum 0.035 dinars
sur chaque dinar investi en titre AB le 1/10/2002 avec une probabilit de 99%
que sa perte ne dpasse pas ce montant et sur lhorizon dun jour . De cette
faon , son risque de perte totale sur lensemble des titres AB quil dtient est de
168,576 dinars pour la mme probabilit et sur le mme horizon de calcul .

En procdant de la mme manire , on peut obtenir la VaR avec des seuils de
confiance moins levs : 97.5% et 95% . Ceci en remplaant
z
99%
= -2.326

respectivement par : z
97.5%
= -1.96 et z
95%
= -1.655 ( voir table de
la loi normale) . On obtient ainsi :


Titres VaR
95%
VaR
97,5%
VaR
99 %

AB -71,028 -108,455 -168,576
SOTUVER -6,539 -24,653 -57,07
CIL -16,734 -35,68 -68,441
MPX -29,19 -56,113 -101,729
SFBT -367,761 -2945,106 -7478,313
T.AIR -203,631 -217,512 -222,335
ASTREE 298,52 497,651 857,88
SOTETEL -113,529 -201,52 -347,718
PBHT 72,631 -5,857 -166,774
SIMPAR -3,886 -14,651 -34,026

On remarque quen diminuant lintervalle de confiance la VaR baisse
considrablement . Ceci est parfaitement logique car au fur et mesure quon
augmente lintervalle de confiance on se rapproche du niveau 100% au quel la
perte est totale . De la mme manire , si on augmente lhorizon de calcule la
VaR augmente car le risque augmente avec le temps .


49

Titres VaR
99%
1 j VaR
99%
10 j VaR
99%
1 mois
AB -168,576 -532,584 -922,293
SOTUVER -57,07 -180,354 -312,342
CIL -68,441 -215,625 -373,202
MPX -101,729 -320,615 -554,956
SFBT -7478,313 -23540,404 -40736,579
T.AIR -222,335 -682,107 -1174,341
ASTREE 857,88 2713,866 4700,896
SOTETEL -347,718 -1087,3 -1879,1
PBHT -166,774 -528,101 -914,939
SIMPAR -34,026 -107,711 -186,598

Ainsi la VaR totale de notre portefeuille est gale la somme des VaR de
chaque titre contenue dans le portefeuille . Le tableau qui suit prsente les VaR
du portefeuille calcules pour les diffrents horizons et niveaux de confiance le
1/10/2002 :

1 jour 10 jours 1 mois
99% -7 787.104 -24 480.935 -42 353.454
97.5% -3 111.896 -9 696.629 -16.746.285
95% -441.147 -1 250.980 -2 117.992

II-2 Lapproche variance-covariance (VC) :

Cest la mthode qui a t propose et dveloppe par JP Morgan en 1994 ,
avec son systme RiskMetrics . A ce jour il sagit de la forme la plus acheve ,
du point de vue oprationnel , des techniques de calcul de la VaR .
Cette mthode comprend essentiellement trois tapes , savoir :
- dcomposer les actifs financiers du portefeuille en plusieurs facteurs de
risque lmentaires
- rpartir les cash-flows associs ces facteurs de risque en cash-flows plus
simples correspondants des chances standards , cette technique est
appele en anglais mapping
- le calcul effectif de la VaR
La mthode VC se base sur trois hypothses :
- normalit de la distribution des facteurs de risque
- stationnarit des prix ou des rendements de lactif objet de lestimation :
les paramtres statistiques mesurs pour la distribution observe des
variations des rendements sont de bonnes estimations de ces mmes
paramtres pour lhorizon de calcul de la VaR
- linarit de la relation entre les prix des actifs et les facteurs de risque .


50

Il est tout fait claire que ces hypothses sont particulirement contraignantes :
lhypothse de la linarit constitue un vritable entrave lapplication de la
mthode VC aux produits optionnels , et nous avons vue dans les sections
prcdentes que lhypothse de la normalit nest pas toujours vraie , voir mme
trs rare . Ces contraintes ont pouss JP Morgane gnraliser le cadre de son
approche par la linarisation de la relation entre les prix des actifs optionnels et
les facteurs de risque . De mme , lhypothse de normalit a t assouplie de la
manire suivante :
Lhypothse de normalit permet de dcrire lvolution du rendement dun actif
par un modle de marche alatoire : random walk qui scrit :

R
t
= n + o c
t

avec c
t
: variable alatoire indpendante et identiquement distribue (iid) suivant
une loi normale centre rduite N(0,1) . Les paramtres et o reprsentent
respectivement lesprance et lcart type (volatilit) des rendements et sont
donnes par :

E (R
t
) = n
var (R
t
) = o
2

Lhypothse de normalit est donc allge si on suppose que :
- la volatilit des rendements varie dans le temps :
R
t
= n + o
t
c
t
- les rendements sont autocorrls , comme dans les modles GARCH
14


Dune manire gnrale , pour lensemble du portefeuille , lhypothse devient :

R
jt
= n
j
+ o
t
c
jt

o c
jt
suivent une loi multinormale de moyenne nulle et de matrice des
variances-covariances V
t
dpendante du temps . On dit des rendements obissant
cette condition quils vrifient lhypothse de normalit conditionnelle .









14
Gourieroux C . Modles ARCH est applications financires . Economica , Paris , 1992 .


51

II.2.1 Dcomposition des actifs financiers (Risk mapping):

Cest la premire tape de la mthode de la matrice des variances-covariances
estime . Il sagit de transformer les diffrentes positions du portefeuille en
combinaisons linaires dun certains nombre de facteurs de risque pour faciliter
les mesures des risques et le calcul des variances et donc de la VaR :

p = f ( X
1
,X
2
,,X
n
) + c
= a
1
X
1
+ a
2
X
2
+ + a
n
X
n
+ c

avec : X
1
,X
2
,,X
n
: les facteurs de risques
p : prix de lactif

Chacun de ces facteurs de risque est un cash-flow caractris par :
- un certain montant
- pay une certaine date
Ces cash-flows doivent tre actualiss la date t
0
o la VaR est calcule .
La dcomposition dun actif en un ensemble de facteurs de risque assure une
grande prcision des rsultats , mais cette opration est trs coteuse en moyens
de calcul et en donnes ncessaires pour alimenter le modle .
Il existe plusieurs modles de dcomposition , dans notre travail on sintresse
particulirement au cas des actions et des obligations .


Cas des obligations :

Considrons un titre procurant des revenues certains de montants : X
1
,X
2
,,X
T
,
aux poques respectives t
1
,t
2
,,t
T
, ces revenues pouvant tre positifs ou
ngatifs . Lensemble des facteurs de risque en lesquels ce titre se dcompose
peut se reprsenter par :


X
1
(1+r
1
)
-t1
X
2
(1+r
2
)
-t2
. X
T
(1+r
T
)
-tT

t
1
t
2
. t
T


o r
j
reprsente le taux du march pour la j
m
priode .
Nous avons donc dcompos un titre revenues fixes en une somme
dobligations zro coupon et les donnes statistiques qui seront ncessaires
seront relatifs ces dernires .





52

Cas des actions :

Pour les actions , les cash-flows correspondent simplement aux positions
courantes car le titre et sujet au seul risque de volatilit des cours ,
ventuellement adaptes en fonction dun taux de change si le titre est cot sur
un march tranger , dans ce cas on prend en considration le risque de change
en plus du risque de volatilit .

II.2.2 Mapping des cash-flows :

Une fois les actifs dcomposs en facteurs de risque , et donc les cash-flows
dtermins . Le calcul de la VaR ncessite la connaissance des variances de
chacun de ces cash-flows et de toute les covariances deux deux pour les
diffrentes dates possibles , ce qui constitue une tache insurmontable : un tel
volume de donnes nexiste pas et , sil existait , le traitement des donnes serait
beaucoup trop volumineux .
Pour surmonter ce problme on doit procder au mapping , c'est--dire on doit
redistribuer les diffrents cash-flows sur un ensemble limit et prdtermin
dchances standards . Pour un cash-flow correspondant une chance
standard , aucun mapping nest ncessaire . Par contre , pour un cash-flow
survenant entre deux chance standards , il convient de le rpartir sur les deux
chances standards voisines : celle directement suprieure et celle directement
infrieure . Ainsi , un cash-flow de valeur actuelle V
0
et dchance t
0
doit tre
rparti entre les chances standards t
1
et t
2
avec t
1
< t
0
< t
2
:


V
0

Echances
relles
t
0




V
1
V
2
Echances
standards
t
1
t
2

Le problme qui se pose maintenant et de dterminer la valeur actuelle V
1
et V
2

des cash-flows associs aux chances standards t
1
et t
2
. Plusieurs procdures
sont possibles , dans ce qui suit nous allons en prsenter celle qui est prsente
dans la littrature comme tant la plus simple et celle adopte par RiskMetrics :




53

Le mapping lmentaire :

Cette mthode est la plus simple car elle sappuie sur les principes les plus
courants du calcul financier . Elle suppose :
- la conservation de la valeur actuelle : V
0
= V
1
+ V
2

- la conservation de la duration :
(t
0
V
0
/ V
0
) = (t
1
V
1
+ t
2
V
2
) / (V
1
+ V
2
)
ou encore :
t
0
V
0
= t
1
V
1
+ t
2
V
2


la rsolution du systme form par ces deux conditions est trs simple :

V
1
= [(t
2
t
0
) / (t
2
t
1
)] V
0
V
2
= [(t
0
-t
1
) / (t
2
-t
1
)] V
0

Si on note R
0
, R
1
et R
2
les rendements associs chacun des cash-flows , on
aura :
R
0
V
0
= R
1
V
1
+ R
2
V
2

do lexpression suivante pour les variances :

o
0
2
V
0
2
= o
1
2
V
1
2
+ o
2
2
V
2
2
+2 o
12
V
1
V
2

= o
1
2
V
1
2
+ o
2
2
V
2
2
+ 2 o
1
o
2
o
12
V
1
V
2

Suite la prsence du coefficient de corrlation o
12
qui est infrieur 1 , la
variance ainsi calcul peut tre sous estime :

o
0
2
V
0
2
_ o
1
2
V
1
2
+ o
2
2
V
2
2
+ 2 o
1
o
2
V
1
V
2

= ( o
1
V
1
+ o
2
V
2
)
2

Le mapping selon RiskMetrics :

La sous estimation ventuelle de la variance va conduire la sous estimation
de la VaR calcule . Ce problme peut tre limin en dterminant cet cart-
type par interpolation linaire . Cest la solution propose par RiskMetrics
qui est dfinie par :
- la conservation de la valeur actuelle : V
0
= V
1
+ V
2

- la conservation du risque :

o
0
2
V
0
2
= o
1
2
V
1
2
+ o
2
2
V
2
2
+ 2 o
1
o
2
o
12
V
1
V
2
o o
1
, o
2
et p
12
sont des donnes et o
0
sobtient par interpolation linaire .

En vertu de la premire relation on peut introduire u pour lequel :



54

o = V
1
/V
0
1-o = V
2
/V
0

en le remplaant dans la seconde relation on obtient :

o
0
2
= o
1
2
o
2
+ o
2
2
(1-o)
2
+ 2 o
1
o
2
o
12
o(1-o)

ou encore :

o
2
(o
1
2
+o
2
2
-2o
1
o
2
o
12
) + 2o(o
1
o
2
o
12
-o
2
2
) + (o
2
2
-o
0
2
) = 0

La rsolution de cette quation du second degr nous donne deux couples
(V
1
,V
2
) et on doit conserver le couple qui est de mme signe que V
0
.


II.2.3 Calcul de la VaR :

Les valeurs numriques dont salimente la mthode de la matrice VC estime
sont les valuations des valeurs moyennes et des variances des diffrents
facteurs de risque , ainsi que des covariances relatives aux couples
correspondants . Et comme dans ce travaille on ne sintresse quaux actions
et aux obligations , il convient dutiliser ces paramtres pour les deux
facteurs suivants :
- les taux dintrt pour la reprsentation des instruments taux fixe ,
comme les obligations avec mapping en une somme de titres zro coupon
- les indices boursiers nationaux pour la reprsentation des actions laide
du modle bta .

Considrons maintenant un portefeuille constitu de N actifs en nombres
respectifs n
1
,, n
N
; la valeur de chacun de ceux-ci sexprimant partir des
facteurs de risque X
1
,X
2
,,X
n
par une relation linaire :

P
j
= a
j1
X
1
+ + a
jn
X
n
j = 1, ,N

Cest le cas pour les titres que nous tudions dans ce travail : les actions et les
obligations . La valeur du portefeuille peut donc scrire :



55

avec :
p
j
: le prix de lactif j
p
p
: le prix de lensemble du portefeuille
n
j
: le nombre de titre j dans le portefeuille
X
k
: la position en les diffrents facteurs de risque

ou , si on veut tenir compte du temps


La variation de la valeur du portefeuille peut alors scrire :


o ^
k
(t) a linterprtation habituelle et o


peut sinterprter comme le montant investi en (t-1) dans le k-me facteurs de
risque .

On sintresse lvolution de la valeur du portefeuille entre linstant
prsent ( t = 0 ) et lhorizon de calcul de la VaR ( t = 1 ) , on suppose que
lon dispose des observations suivantes :

- les positions actuelles ( t = o ) en les diffrents facteurs de risque :

X
k
(0) k = 1, , n

que nous noterons simplement X
k


- lestimation partir des historiques , des variations relatives moyennes
pour les divers facteurs de risque :



56

E ( ^
k
(1) ) = E
k
k = 1 , , n

- lestimation , galement partir des historiques , des variances et des
covariances des facteurs de risque :


var (^
k
(1)) = o
k
2
= o
kk
k = 1 , , n
cov ( ^
k
(1),^
l
(1) ) = o
kl
k,l = 1 , , n


Ces donnes peuvent scrire sous la forme matricielle :

La variance de la perte peut scrire (voir ch I , II.1.3) :

ce qui nous permet de calculer

et donc


Cas particulier des actions :

Le cas des actions se traite dune manire particulire car pour ce type dactif
il nest possible de disposer de la matrice des variances-covariances , qui
serait trop volumineuse . Cest la raison pour laquelle cette famille dactif est
traite par une approximation : un modle diagonal . Il sagit dun modle
comparable au modle indice simple de Sharpe prsent au II.1.2.1 du
premier chapitre , mais o lindice est obligatoirement reprsentatif du


57

march , alors que dans le modle de Sharpe il pouvait sagir dun indice
sectoriel .
Les seuls lments statistiques ncessaires dans ce cas sont le rendement
espr de lindice E
I
, son cart type o
I
et les coefficients u
j
et
j
du modle
pour le j-me titre
15
:

^p
j
= o
j
+
j
^I + ^c
j
j = 1, ,N

Avec :
u
j
: performance du titre j lorsque la performance de lindice I est nulle

j
: la mesure relative de la sensibilit de la performance du titre j par rapport
lvolution de la performance de son indice rfrence I .

ainsi que les variances des rsidus des diffrentes rgressions :

o
cj
2
j = 1,,N
En effet , on sait que le rendement espr et la variance du portefeuille sont,
dans ce cas , donnes par :

E ( ^p
p
) = o
p
+
p
E
I
N
var ( ^p
p
) =
p
2
o
I
2
+ _ n
j
2
o
cj
2

j=1
o on a pos

N
o
p
= _ n
j
o
j

j=1
N

p
= _ n
j

j
j=1


.
Pour des raisons de facilit , le systme RiskMetrics utilise en ralit une
variante de ce modle diagonal , le modle bta , qui diffre seulement de
celui que nous venons de prsenter par labsence , dans le second membre de
la formule donnant la variance du portefeuille , du terme :

_ n
j
2
o
cj
2



15
. Dans le cas o les prix sont remplacs par les rendements , les nombres n
j
dactifs en
portefeuille doivent tres remplacs par les proportions correspondant aux capitalisations
boursires respectives des diffrents titres


58

Prenant en compte les carts entre les rendements observs des diffrents
titres et ceux donnes par le modle . Cette mthode conduit une valeur
lgrement sous-estime du paramtre VaR et qui vaut :

VaR
q
*
= z
q

p
o
I

p
reprsente ici la sensibilit de la performance de lensemble du
portefeuille par rapport lvolution de la performance de lindice tandis que
o
I
reprsente lcart type de ce mme indice .

Le tableau suivant montre les rsultats de la rgression par MCO des
paramtres du modle diagonale pour les dix actions contenues dans le
portefeuille tudi :

u
j

j
t-Student R
2
DW FISHER
AB * -0,000818 0,002839 1,925 0,0074 2,2087 3,7079
SOTUVER -0,005256 0,000475 0,2604 0,000136 2,2741 0,0678
CIL ** -0,014163 0,008407 3,4734 0,0237 2,2082 12,0646
MPX -0,009258 0,002583 1,4451 0,0042 2,3783 2,0883
SFBT *** -0,201969 0,139331 6,6071 0,0807 1,7932 43,6535
T.AIR ** -0,018653 0,00409 3,2792 0,02118 1,2966 10,7533
ASTREE -0,003208 -0,00176 -0,2043 0,000084 1,9777 0,0417
SOTETEL *** -0,253787 0,080876 4,5804 0,0405 1,85 20,981
PBHT 0,004443 0,000207 0,2354 0,000111 1,8703 0,0554
SIMPAR 0,002791 -0,000641 -0,4111 0,00034 2,0044 0,169

* : significatif au seuil de 10%
** : significatif au seuil de 5%
*** : significatif au seuil de 1%

Daprs les rsultats de lestimation et des tests de significativit sur les
coefficients on a relev les constations suivantes :
- Sur les dix quations estimes , la variable variation de lindice (^I)
contribue fortement lexplication de la variation du prix du titre en
question (^p
j
) pour cinq actions savoir :AB,CIL,SFBT,T.AIR et
SOTETEL . Les cinq
j
restants sont non significatifs et ce mme des
seuils levs .
- Le R
2
est le coefficient de dtermination cest dire le carr du coefficient
de corrlation entre le rendement du titre et le rendement de lindice du
march . Ce coefficient indique dune part dans quelles proportions les
variations du prix du titre sont expliques par celles de lindice , et dautre
part , quelle est la proportion du risque systmatique dans le risque total
du titre . On constate que les dix actions contenues dans notre portefeuille
prsente des R
2
faibles ( < 30%) ce qui veut dire que les variations des


59

prix de ces titres sont essentiellement expliques par des caractristiques
propres au titre lui mme plutt quau march . Laction CIL par exemple
prsente un R
2
= 2,37% ce qui veut dire que 97.63% des fluctuations du
prix de ce titre son dues aux caractristiques propres laction CIL et
seulement 2,37% de ces fluctuation sont dues celles de lindice .
- La statistique de Durbin-Watson (DW) permet de dtecter une
autocorrlation des rsidus dordre 1 . Le test ce prsente ainsi :
H
0
: p = 0
H
1
: p = 0
Les valeurs critiques de DW au seuil de 10% pour 730 observations et 1
variable explicative sont d
1
= 1.65 et d
2
= 1.69 . Les rsultats obtenus nous
permettent de conclure quon peut accepter H
0
pour 8 titres qui sont : AB,
SOTUVER , CIL , SFBT , ASTREE , SOTETEL , PBHT et SIMPAR .
Autrement dit , les quations de ces 8 titres ne prsente pas un problme
dautocorrlation des erreurs. Pour les deux titres restants , savoir MPX
et T.AIR , on a pu constater lexistence dune autocorrlation des erreurs
- Le test de Fisher est une gnralisation des tests de Student . Il teste la
nullit de lensemble des coefficients de la rgression . Les valeurs F
calcules ( F
C
) seront compares F thorique ( F
T
= 4.1 )
16
. Ce test nous
permettra de juger quant la qualit du modle . Les hypothses sont les
suivantes :
H
0
:
j
= 0
H
1
:
j
= 0
Nous avons obtenue les rsultats suivants :
On rejette H
0
pour les 4 titres ayant F
C
> F
T
et par consquent ayant un
modle significatif dans sa globalit au seuil de 5% . Pour ces titres , on
peut dire que le march a une influence sur les variations des prix puisque
leurs
j
sont non nulles . Ces titres sont : CIL, SFBT, T.AIR et SOTETEL.
Pour les 6 actions restantes le modle tait non significatif .Les variations
des prix de ces titres ne sont pas influences par les mouvements du
march mais par des vnements qui leurs sont propres .
- On remarque que les deux titres ASTREE et SIMPAR admettent des
j

ngatives . Cela signifie que ces deux titres voluent en sens inverse avec
le march .

Pour lensemble du portefeuille on obtient :
o
p
= -47.843

p
= 27.257




16.
F
T
a t dtermine ici pour un seuil de 5% et un degr de libert de 10


60

Cela signifie que la performance du portefeuille est de -47.843% lorsque
celle de lindice est nulle , et que la valeur du portefeuille augmente de
27.257% lorsque lindice augmente de 1% .

Et la VaR
*
du portefeuille pour un horizon dun jour et un niveau de
confiance de 95% serait le 2/10/2002 de :

VaR
*
95%
= z
95%

p
o
I
^t
= -1.655 x27.257 x 6.623
= - 298.760

Calcule pour des niveaux de confiance de 95 , 97.5 et 99% et des horizons
de 1 , 10 et 30 jours , on obtient :

95% 97,50% 99%
1 jours -298,76 -353,825 -420,619
10 jours -944,762 -1 118,89 -1 330,11
30 jours -1 636,38 -1 937,98 -2 303,83

On a vue dans II.1.1.2 du premier chapitre que :

VaR = VaR
*
+ E ( ^p
p
)

tel que : E ( ^p
p
) = o
p
+
p
E
I

ainsi on obtient : E ( ^p
p
) = - 47. 843 + [27. 257 x (-0. 5215)] = -62. 057

Calcule ainsi , la VaR du portefeuille devient :

95% 97,50% 99%
1 jours -360.817 -415.882 -482.676
10 jours -1 006.819 -1 180.947 -1 392.167
30 jours -1 698.437 -2 000.037 -2 365.887


II.2.4 Conclusion quant la mthode VC :

La mthode VC est relativement facile mettre en pratique grce aux
hypothses formules . En effet , la VaR sexprime simplement comme un
multiple de lcart type des variations des prix sur la priode de dtention , et
des paramtres de sensibilit des prix des actions aux variations du march
travers les variations de lindice .


61

Cependant , les hypothses poses par lapproche VC ( savoir lhypothse
de normalit des fluctuations des facteurs de march , de stationnarit des
prix et de la linarit de la relation entre les prix et les facteurs de risque )
savrent assez restrictives et peuvent rendre lestimation peu prcise .
Les deux autres mthodes destimation de la VaR sont la simulation
historique et la simulation Monte Carlo . Ces deux techniques se basent sur
des scnarios pour rvaluer le portefeuille et ainsi calculer la VaR comme le
quantile de la distribution des pertes et profits sur le portefeuille . Ces deux
mthodes diffrent seulement dans la faon dont elles spcifient les
scnarios .


II-3 Lapproche de simulation historique :

Lapproche de simulation historique (SH) destimation de la VaR ,
contrairement lapproche variances-covariances , ne pose pas dhypothses
sur la distribution des rendements du portefeuille . Cependant elle repose sur
lhypothse de stationnarit de ces rendements : la distribution des variations
des prix des diffrents facteurs de risque , pour lhorizon pour lequel on
estime la VaR , est bien estime par les observations des variations de ces
prix pendant lhistorique disponible . Dans ce cas la qualit destimation des
paramtres ( moyennes , variances , covariances , ) de cette distribution
est galement garantie .
La mthode destimation de la VaR par lapproche historique est celle qui est
prne par la Chase Manhattan Bank
17
, avec les systmes Charisma et Risk$

II.3.1 Mthodologie de base :

Le principe gnral de cette approche consiste estimer la distribution des
variations des facteurs de risque par la distribution observe partir des
historiques . A titre de rappel , un facteur de risque est un cash-flow gnr
par lactif un instant t quelconque .

II.3.1.1 Cas dun facteur de risque :

Supposons un cas simple o la valeur dont ont dsire dterminer la VaR est
le facteur de risque X lui mme ( le cours dune action par exemple ) . Dans
ce cas la variable alatoire est A tel que :


17
. CHASE MANHATTAN BANK N.A , Value at risk : its measurement and uses
CHASE MANHATTAN BANK N.A , The management of financial risk price , (1995)
CHASE MANHATTAN BANK N.A , Value at risk (1996)
STAMBAUGH F . , Value at risk , s .d (1996)


62


^ = [ X(1) X(0) ] / X(0)

On suppose que la distribution de cette variable alatoire est bien reprsente
par les observations

^(t) = [ X(t) X(t-1) ] / X(t-1) t = -T+1 , , -1 , 0.

Avec :
^(t) : variation du facteur de risque linstant t
X(t) : facteur de risque linstant t
X(t-1) : facteur de risque linstant t-1

La relation
X(1) X(0) = ^ . X(0)

permet destimer la valeur future du facteur de risque X par

X
(t)
(1) = X(0) + ^(t) . X(0) t = -T+1 , ,-1, 0

Et la distribution de la perte encourue par

L
(t)
= X(0) - X
(t)
(1) = - ^(t) . X(0) t = -T+1 , ,-1, 0 .

X
(t)
(1) tant la valeur estime du facteur de risque en question pour linstant
(1) et L
(t)
la perte estim pour ce mme instant .

II.3.1.2 Cas dun actif isol :

Considrons maintenant le cas o lactif dont on veut dterminer la VaR
dpend de plusieurs facteurs de risque X
1
, X
2
, , X
n
. La valeur de cet actif
sexprime donc par une relation du type :

p = f ( X
1
, X
2
, , X
n
) .

On dispose dobservations pour ces facteurs de risque , dont on dduit les
variations relatives ( rendements ) :

X
k
(t) X
k
(t-1)
^
k
(t) = k = 1,,n t = -T+1 ,, -1, 0
X
k
(t-1)



63

Avec X
k
reprsentant lensemble des facteurs de risque de lactif et ^
k
la
variation relative de X
k
.

A partir des valeurs observes actuellement X
1
(0) , , X
n
(0) des diffrents
facteurs de risque , on estime la distribution des valeurs futures par :

X
k
(t)
(1) = X
k
(0) . ( 1+^
k
(t) ) k = 1 , , n t = -T+1 , , -1 , 0 .

De l , on peut dduire lestimation de la distribution du prix futur de lactif
considr :

p
(t)
(1) = f ( X
1
(t)
(1) , X
2
(t)
(1) , , X
n
(t)
(1) ) t = -T+1 , , -1 , 0

ainsi que , par diffrence avec :

p (0) = f( X
1
(0) , X
2
(0) , , X
n
(0) ) ,

on peut dterminer lestimation de la distribution de la perte subie :

L
(t)
= p(0) p
(t)
(1) t = -T+1 , ,-1, 0 .

II.3.1.3 Cas dun portefeuille :

Considrons maintenant un portefeuille constitu de N actifs en
nombres

respectifs n
1
, , n
N
, la valeur de chacun de ceux-ci sexprimant
partir de plusieurs facteurs de risque X
1
, X
2
, , X
n
. La valeur p
p
de ce
portefeuille sexprime en fonction de celles p
j
( j = 1 , , N ) des diffrents
actifs par


Mme dans le cas o on calcule la VaR sous lhypothse dune distribution
normale par la formule :

(et la mthode de lanalyse historique est indpendante de cette hypothse
distributionnelle) , on rencontre un problme pour le cas dun portefeuille
puisque la variance de la valeur de celui ci dpend des covariances entre les prix
des diffrents actifs :



64


On dterminera donc ici aussi directement la distribution de la perte du
portefeuille partir de leffet des variations des divers facteurs de risque sur la
valeur du portefeuille lui-mme . La dtermination de cet impact se fera bien sr
de la mme manire que celle qui vient dtre expose pour un actif isol .



En synthse

On peut donc dire que lapproche historique de calcul de la VaR du portefeuille
passe par les quatre tapes suivantes :

a) Identification des diffrents facteurs de risque X
1
, X
2
, , X
n
dterminant
la valeur des divers actifs en portefeuille : dans notre cas les cours des
titres .
b) Pour chaque facteur de risque , on applique la mthodologie prsente ci-
dessus . Ainsi , partir des observations des diffrents facteurs de risque
pour les poques -T , -T+1 , , -1 , 0 , on dduit les variations relatives
( rendements )



Les observations actuelles X
1
(0) , , X
n
(0)

de ces facteurs de risque
permettent den estimer la distribution des valeurs futures


c) Le prix des diffrents actifs sexprime partir des facteurs de risque par
les relations


Ces relations peuvent tre trs simples ( facteurs de risque quivalents aux
prix de lactif par exemple ) ou beaucoup plus complexes ( la formule de
Black et Scholes pour le cas des options ) . Elles permettent de dterminer
les distributions des prix futurs des diffrents actifs :


et donc la distribution de la valeur future du portefeuille :



65


d) On dispose par ailleurs de la valeur actuelle du portefeuille

o


Lestimation de la distribution de la perte subie sur le portefeuille se
dduit alors par :

et avec elle la valeur du paramtre VaR .

II .3 .2 Rsultats des estimations de la VaR du portefeuille :

Une petite illustration de ces calculs est fournie en annexes 6 titre dexemple .
Dans cet exemple nous avons travaill avec un portefeuille constitu de trois
actions : AB , SOTUVER et CIL et un historique de 11 jours . Les calculs de
lannexes 6 ont pour but dillustrer le calcul qui a , en ralit , t ralis pour
notre portefeuille constitu des dix actions slectionnes la section I-4 de ce
chapitre , et un historique de 730 jours . Ce calcul nous a fournie les rsultats
suivants pour le 2/10/2002 :

95% 97,50% 99%
1 jour -269,116 -323,811 -399,607
10 jours -1651,88 -2704,841 -3015,664
30 jours -3100,95 -3182,56 -3231,522

En dressant un graphique sur lequel on porte en abscisse lestimation des pertes
et en ordonne la probabilit cumule doccurrence de ces dernires , on obtient
la distribution estime des pertes de notre portefeuille (DEP) :












66

Distribution estime des pertes
0
0,2
0,4
0,6
0,8
1
1,2
-1000 -500 0 500 1000 1500 2000 2500
pertes (+) ou bnfices (-)
S
e
u
i
l

d
e

c
o
n
f
i
a
n
c
e



De ce graphique on peut dterminer loccurrence bnficiaire ou dficitaire
de notre portefeuille en regardant simplement le lieu o la courbe croise laxe
des ordonnes . On voit , pour le cas de notre portefeuille quil y a 29% de
chance quil soit en perte et 60% de chance quil soit en bnfice , tandis que il y
a 11% de chance que son rsultat soit nul .
Il est galement intressant de relever sur le mme graphique la perte maximale
estime et le bnfice maximum estim pour le portefeuille . Ainsi on obtient
une perte maximale estim sur le portefeuille de 2 273.737 dinars et un bnfice
maximum estim de 698.111 dinars .
En effet ces informations peuvent se rvler trs intressantes lors du choix de
portefeuille .

Remarques :
En fait , la VaR pour un horizon dun jour est calcule comme dans
lannexe 6 mais pour un portefeuille de dix actions et un historique de
730 jours . Pour avoir la VaR pour 10 et 30 jours il suffit de calculer les
rendements des actions tout les 10 jours ( resp 30 ) . De cette faon on
auras les estimation des prix pour un horizon de 10 jours ( resp 30 ) ,
ainsi que les VaR du portefeuille y correspondants .
Pour un horizon de 30 jours , le volume des observations rduit de 730
23 observations affecte la structure des probabilits ce qui nous
empche davoir les pertes exactes pour les probabilit de 95 , 97.5 et 99
% . Ces pertes peuvent en fait tres obtenues par interpolation linaire .


67


II.3.4 Conclusion quant la mthode SH :

La mthode SH est simple est intuitive . Comme nous avons vue ci-dessus ,
elle calcule la VaR sur la base du comportement historique des titres et par la
suite du portefeuille . La mthode SH vite ainsi dmettre des hypothses qui
pourraient savrer restrictives . Cependant , en pratique , la mthode SH
manque souvent de donnes pour gnrer des estimations prcises du risque ,
sans compter quelle nest capable de tenir compte que des vnements qui
apparaissent dans les observations utilises .

II-4 La simulation de Monte Carlo (MC) :

La simulation de Monte Carlo est une mthode statistique utilise lorsque il est
trs difficile de dterminer une loi de probabilit uniquement par un
raisonnement mathmatique . Elle consiste en fait en la fabrication de cette
distribution laide de la gnration dun grand nombre dchantillons pseudo-
alatoires extrait de cette distribution . La mthode de simulation de MC est
prne par la banque Bankers Trust , avec son systme RaRoc 2020 .
En fait la mthode de simulation MC suppose que chacun des facteurs de risque
de march suit une loi paramtrique connue , dont les paramtres sont estims
sur base de donnes historiques . Une fois la distribution jointe des facteurs de
march spcifie , une technique de gnration de nombres alatoires est mise
en uvre . Celle ci produit des scnarios hypothtiques en choisissant des
changements des prix au hasard partir de la distribution jointe des facteurs de
risque . Chaque scnario fournit une valorisation diffrente du portefeuille . En
gnrant un grand nombre de scnarios , la mthode de simulation MC construit
une distribution proche de la vraie distribution des valeurs futures du
portefeuille et la VaR correspond au quantile choisi de cette distribution .

II.4.1 Les tapes de la simulation de MC :

Lapproche MC comporte les cinq tapes suivantes :

a) On fait le choix dune famille de modles dvaluation pour les diffrents
facteurs de risque ou les actifs en portefeuille . Il peut sagir de loi
normale , lognormale , ou de modles plus complexes pour certains
produits drivs ; il peut de manire plus gnrale sagir de nimporte
quelle distribution qui aurait t ajuste partir dobservations
historiques. On peut galement considrer des relations qui expriment le
comportement des prix des diffrents actifs en fonction de facteurs
communs de risque , comme un indice gnral de march pour le modle
indice simple de Sharpe pour les actions . Dans notre cas on peut choisir


68

la loi lognormale comme modle dvaluation car cest la loi laquelle se
rapproche le plus la distribution des rendements de nos actions ( voir
I.5.2 Ch 2 ) .
b) A partir des historiques des actifs en prsence et des facteurs de risque ,
on estime :
- la distribution des diffrents facteurs de risque , ainsi que des paramtres
qui y sont associs , moyennes et matrice des variances-covariances ;
- les paramtres des relations liant les prix des actifs et les facteurs de
risque ; il sagit gnralement destimations ralises par des techniques
du type rgression .
c) Pour lensemble des facteurs de risque , lutilisation conjointe des
modles probabilistes obtenues en (a) et des paramtres des distributions
dtermins en (b) permet de construire par simulation de MC un grand
nombre M (5000 10000 ) dchantillons pseudo-alatoires extraits de
chacune des distributions des variations des facteurs de risque en question


Les valeurs futures des facteurs de risque sobtiennent alors partir des
valeurs observes actuellement X
1
(0) , , X
n
(0) :



Il sagit l dautant de scnarios dvolution des prix . Il est bien clair que
ces simulations doivent tre ralises partir des paramtres dcrivant
chacun des facteurs de risque individuellement , mais aussi partir des
corrlations liant ceux-ci les uns aux autres ( dcomposition de Choleski
).
d) Les rsultats de ces simulations sont alors introduits dans les relations de
comportement des actifs en fonction des facteurs communs de risque



Ces relations peuvent tre trs simples ( facteur de risque quivalent au
prix de lactifs par exemple , comme dans notre cas pour les actions ) ou
beaucoup plus complexes ( dans le cas des options ) . Elles permettent de
simuler les distributions des prix futurs des diffrents actifs :



Le calcul de la valeur du portefeuille en fonction de la valeur de ses
lments constitutifs pour chacune des M simulations



69



suppose que les distributions des diffrents prix peuvent simplement
sadditionner pour donner la distribution du prix du portefeuille . Or on
sait que ceci nest possible que si la distribution conjointe des prix est
multinormale . Puisque la mthode de MC veut viter cette hypothse
exigeante , on peut alors effectuer lagrgation des lments constitutifs
du portefeuille par une nouvelle simulation , en tenant compte cette fois
de la structure de corrlation entre les diffrents actifs du portefeuille , ce
qui est beaucoup plus lourd .

e) La confrontation avec la valeur actuelle du portefeuille

o

permet destimer la distribution de la perte subie sur le portefeuille :


Aprs ordonnancement et regroupement ventuel des M rsultats obtenus
on dduit le paramtre VaR .

II.4.2 Mise en pratique de la simulation MC :

A fin de mettre en pratique cette simulation et de calculer ainsi la VaR de
notre portefeuille nous allons faire recours au logiciels Mathmatica 4 et nous
allons nous bas dans ce travail sur larticle de Simon Benninga et Zvi
Wienner intitul Value-at-Risk
18
.
Dans leur article Benniga et Wienner ont travaill avec la distribution normale
pour des raisons de simplifications . Dans le calcul de la VaR de notre
portefeuille nous allons travailler avec la loi lognormale car cest celle qui se
rapproche le plus de la distribution des rendements de notre portefeuille ( voir
I.5.2 Ch 2 ) . Ainsi nous commenons par spcifier la loi de distribution
choisie dans le langage Mathmatica , ceci bien sr aprs avoir introduit les
donnes historiques relatives aux valeurs du portefeuille le jour au jour allant
du 2/10/2000 jusquau 1/10/2002 :

18
. Value-at-Risk , Simon Beninga , Zwi Wienner . Mathematica in Education and research .
Vol.7 No.4 1998 .


70

lognormu_,sig_: RandomLogNormalDistributionmu,sig;
MCvarAddportf_,mrkt_,n_:10:
Moduletbl,simulatedParam,values,
tblTablesqrtAddCovar.Tablenor0,1,LengthAddCovMxAddMeansVec,n;
simulatedParamTablemrkt,ntbl;
values MapvaluePportf,#&,simulatedParam;
Meanvalues,StandardDeviationvalues,StandardErrorOfSampleMeanvalues,values,
simulatedParam;


Ensuite , fin de gnrer un vecteur de variables alatoires distribues selon une
loi lognormale et corrles entre elles , nous commenons par gnrer un
vecteur de variables alatoires indpendantes (distribu selon une loi
lognormale) et ensuite le multiplier par la racine carre de la matrice covariance
. Ceci pour vrifier que cela mne la corrlation dsire . La table tbl rsulte
des changements de la valeur du portefeuille dans le temps .
La fonction suivante incorpore toutes les tapes ncessaires pour la simulation
MC . Les paramtres de cette fonction sont : portf portefeuille , mrkt donnes
actuelles du march , quant : 1-probabilit dsire de la VaR , n nombre des
scnarios gnrs .
Cette fonction nous procure la VaR ainsi calcule :

MCApproachAddportf_, mrkt_, quant_, n_ :
ModulecurrentValue, changes, currentValue valuePportf, mrkt;
changes MCvarAddportf, mrkt, n4 currentValue;
Quantilechanges, quant, changes;


SeedRandom1;
MCApproachAddportfolio, mrkt2Oct02, 0.05, 100001


820.155


Ainsi , pour lhorizon dun jour et un niveau de confiance de 95% , la VaR du
portefeuille est de 820,155 DT pour le 2/10/2002 . Il suffit ensuite de remplacer
0.05 par 0.025 et 0.01 pour obtenir la VaR pour 97.5 et 99 % .

95% 97,50% 99%
VaR -820,155 -986,122 -1162,96


II.4.3 Conclusion quant la mthode MC :

La mthode de simulation MC est un outil trs puissant est sophistiqu pour
estimer la VaR . Cette technique est cependant trs complexe et difficile mettre


71

en uvre ( dou notre recours au logiciel Mathmatica 4 ) , sans compter son
cot lev , notamment en temps de calcul .











































72















CHAPITRE III :




ANALYSE COMPARATIVE ET
VALIDATION DES APPROCHES
DESTIMATION














73

Nous avons vu dans le chapitre prcdant que les trois techniques classiques
destimation de la Value at Risk (VC,SH,MC) diffrent sensiblement soit du
point de vue des hypothses sur lesquelles se base chacune dentre elles , soit du
point de vue de la mthode destimation et des rsultats . Les calculs de la VaR
par les trois techniques classiques nous ont fournie des rsultats diffrents pour
chaque mthode avec des disparits plus ou moins importantes selon la
technique utilise .

Dans ce chapitre nous allons effectuer une analyse comparative des trois
techniques destimation de la VaR utilises dans le chapitre prcdant , en
tentant de dgager les forces et les faiblesses de chacune dentre elles , tant dun
point de vue thorique que pratique .
Nous allons ensuite procder la vrification de la prcision de chaque mthode
en effectuant un contrle ex-post sur les variations effectives de la valeur du
portefeuille en comparant chaque fois la VaR estime et la perte ou profit
relle sur le portefeuille : cette procdure est dite le backtesting .

En fin nous allons essayer , en se basant sur les rsultats du backtesting , de
choisir parmi les trois techniques utilises celle qui savrerait la plus
performante du point de vue prcision des estimations , et par suite celle qui
serait la plus approprie notre portefeuille et aux ralits du march financier
tunisien .























74


SECTION I : ANALYSE COMPARATIVE DES METHODES
DESTIMATION :

I.1 La mthode variances-covariances :

I.1.1 Les forces de la mthode :

Lavantage fondamental de la mthode VC par rapport aux autres mthodes
rside dans la simplicit de la mise en uvre de cette technique surtout pour le
cas des actions .
- Lhypothse de normalit des variations des prix sur laquelle se base cette
mthode , simplifie considrablement lestimation de la VaR . De plus ,
les donnes ncessaires pour calculer la matrice des variances-covariances
sont gnralement facilement disponibles bien quassez volumineuses .
Par consquent , lestimation de la VaR par la mthode VC seffectue
rapidement et requiert peu de ressources informatiques .
- En supposant que les changements des prix sont normalement distribus ,
la mthode VC permet dexprimer la VaR pour toutes les combinaisons
possibles du niveau de confiance et de lhorizon de calcul , contrairement
la mthode SH qui , en augmentant lhorizon de calcul , on perd une
large partie des observations . Cette possibilit dajustement rend la VaR
potentiellement riche en informations .
- En fin , la mthode VC jouit dune grande objectivit du fait que la
procdure destimation est particulirement intuitive .

I.1.2 Les limites de la mthode :

Grce aux hypothses quelle pose , la mthode VC est facilement mise en
uvre . Toutefois ces hypothses peuvent savrer irralistes et compromettre
les rsultats .
- Lhypothse de normalit des variations des prix constitue une hypothse
fondamentale formule par la mthode VC . Comme nous lavons vue
auparavant , elle simplifie normment la procdure . Ce pendant , nos
analyses empiriques au dbut du second chapitre montre que les
rendements du portefeuille ne semblent pas se comporter de manire
normale , cest le cas pour la plus part des actifs financiers .
- La mthode VC repose sur une autre hypothse fondamentale , savoir la
linarit de la relation entre les prix des actifs et les facteurs de risque .
Cette hypothse est particulirement contraignante lorsque on traite le cas
des actifs optionnels tel que les options , instruments typiquement non
linaires , dans ce cas cette hypothse peut savrer problmatique .


75

Par consquent , la mthode VC ne mesure pas de manire prcise le
risque des portefeuilles dont une large proportion prsente des
caractristiques non linaires .
- La technique VC se fonde galement sur lhypothse selon laquelle les
volatilits et les corrlations entre les diffrents facteurs de risque sont
stables pendant la priode de temps choisie (hypothse de stationnarit) .
Elle savre ainsi limite dans le traitement des marchs instables , et ce
particulirement lorsque lhorizon de temps est long .
- La mthode VC peut tre soumise au risque de modle si le modle
dvaluation des positions choisi est erron ou incomplet .

I.1.3 Conclusion quant la mthode :

La mthode VC savre simple et relativement intuitive , elle sduit par son
aspect pratique . Cependant , elle perd cet avantage majeur lorsque le
portefeuille sloigne trop des hypothses poses . Elle est donc inadapte au
traitement des vnements extrmes et des positions non linaires .
Cependant , cette mthode est assez performante pour grer les portefeuilles
linaires dans des risques normaux .


I.2 La mthode de simulation historique :

La mthode de SH suppose que les mouvements de prix seront identiques aux
variations observes durant une priode passe reprsentative de la situation
actuelle . Elle applique ces variations passes des prix aux positions actuelles du
portefeuille . A partir de la distribution du taux de rendement futur du
portefeuille ainsi obtenue , la mthode SH calcul un histogramme de profits et
pertes dont la VaR correspond au quantile choisi .

I.2.1 Les forces de la mthode :

Lavantage majeur de la mthode SH rside dans le fait quelle allie simplicit
et large application .
- La mthode SH reprsente manifestement la plus intuitive des techniques
de calcul de la VaR . La procdure est en effet simple et fournit des
rsultats faciles interprter .
- Un autre avantage considrable de la mthode SH est le fait quelle ne
formule aucune hypothse quant la forme des distributions des
rendements, ni quant la linarit des relations entre les prix et les
facteurs de risque . Elle parvient ainsi sadapter avec les spcificits des
positions traites et des marchs . Elle convient donc pour grer tout type
de position dans toute condition de march .


76

- Un autre avantage vient sajouter ceux de cette technique , en fait son
caractre non paramtrique lui vite destimer des paramtres , ceux tant
implicitement prsents dans lhistorique des variations des facteurs de
march . La SH ne requiert donc pas de calculs prliminaires .
- La mthode SH chappe au risque de modle puisque , du fait de son
caractre non paramtrique et labsence dhypothses , elle nutilise
aucun modle dvaluation .

I.2.2 Les limites de la mthode :

Les difficults lies lutilisation de donnes passes pour prvoir une perte
sont particulirement problmatiques dans le cadre de la mthode SH .
- La mthode SH construit donc la distribution des rendements futurs du
portefeuille sur base des prix passs . Pour calculer sa VaR sur base de la
SH , linstitution financire est donc tenue de rcolter et de stocker une
quantit importante de donnes historiques relatives un grand nombre de
facteurs de risque . Ces exigences en matire de donnes peuvent poser
problme , particulirement lorsque des instruments financiers sont
rcents ou proviennent de marchs mergents .
- Dans le cadre de la SH , les donnes passes jouent un rle crucial dans
lestimation de la VaR . Or elles soulvent quelques problmes .
Premirement , la mthode de SH ne tient pas compte des vnements
extrmes , puisque le volume des donnes historiques utilises est
forcment limit pour pouvoir tenir compte de ces vnements trs rares .
De plus , cette mthode , dans sa version la plus rpondue (galement
pour celle que nous avons utilis dans le chapitre prcdant ) assigne le
mme poids pour toutes les donnes , anciennes ou rcentes . Or on sait
que les donnes les plus rcentes jouent un rle plus important dans
lestimation .
Lutilisation de donnes historiques pose encore problme du fait que ces
donnes sont traites comme si elles provenaient toutes de la mme
distribution de probabilit , alors que celles ci changent au cours du
temps. En consquent la mthode SH considre les donnes extrmes ,
observes durant les priodes de turbulence des marchs comme des
outliers . En ralit , celles-ci proviennent dune distribution dont la
dispersion est plus leve . En procdant de la sorte , la mthode de SH
ignore les hausses temporaires de la volatilit (G.Holton , 1998) .
De plus , la mthode SH est incapable de prendre en compte des
vnements futurs plausibles si ceux-ci napparaissent pas dans le passe
(K.Dowd , 1998) .
En fin , le choix de la priode dobservation pose problme . Dun cot ,
beaucoup de donnes sont ncessaires pour observer les vnements


77

rares , de lautre , la prise en compte de donnes trop anciennes peut
affaiblir la pertinence des estimations .

I.2.3 Conclusion quant la mthode :

La mthode SH est simple , tant en thorie quen pratique . En vitant au
maximum de poser des hypothses restrictives , cette technique parvient priori
traiter les particularits , tant des positions que des marchs . Elle parvient
ainsi viter certains problmes tel que les fameuses fat tails ou le risque de
modle . Cependant , cette mthode est particulirement affaiblie par sa grande
dpendance aux donnes quelle utilise .
Toute fois , la mthode SH peut savrer tre une mthode puissante pour
mesurer le risque associ tout portefeuille pour lequel des donnes sont
facilement disponibles , dans des conditions relativement stables des marchs
financiers .


I.3 La mthode de simulation Monte Carlo :

I.3.1 Les forces de la mthode :

La mthode de simulation MC constitue une technique dont les possibilits
thoriques semblent illimites , cest un outil de gestion du risque trs puissant
et flexible . En effet elle semble tre capable de grer tout type de position dans
toutes les circonstances possibles du march . La mthode de simulation MC
saccommode avec le phnomne de queues paisses ainsi quavec les positions
en options et le problme de non stationnarit des paramtres . Elle parvient
aussi grer des vnements extrmes (K.Dowd,1998) .

I.3.2 Les limites de la mthode :

Dun point de vue conceptuel , cette mthode prsente lavantage de possder
des facults immenses , mais au prix dune grande complexit thorique et
pratique . La lenteur dexcution et la grande vulnrabilit de cette mthode au
risque de modle sont une consquence de cette complexit .
- La mthode de simulation MC prsente linconvnient majeur dtre la
plus complexe des approches de calcul de la VaR . En fait , elle rend la
VaR peu intuitive , difficile comprendre et donc inapproprie pour
communiquer les rsultats dune institution financire . De ce fait la
mthode de simulation MC prive lapproche VaR de ces avantages les
plus significatifs .


78

- Un autre inconvnient non moins important de la mthode de simulation
MC est son cot trop lev tant quen moyen humain , informatique ou
temporel . Ceci sans doute en consquence de son extrme complexit .

I.3.3 Conclusion quant la mthode :

En thorie , si le risque de modle est matris , la mthode possde des
capacits illimites . Cependant , au vu de la complexit des procdures , cette
technique savre extrmement coteuse .
En raison de ces cots importants , la mthode est essentiellement mise en
uvre lorsque les deux autres techniques ne conviennent manifestement pas ,
cest dire lorsque le portefeuille contient une proportion importante
dinstruments drivs . Dans ce cas , la mthode VC est manifestement
inadapte et la mthode de SH est confronte des problmes de manque de
donnes . Hormis le cas dun portefeuille contenant une grande proportion de
produits drivs , les deux autres techniques destimation de la VaR sont
fortement prfrables la mthode de simulation MC .

























79

SECTION II : VALIDATION DES APPROCHES
DESTIMATION PAR LANALYSE EX POST DES
PERFORMANCES : LE BACKTESTING

II.1 Prsentation de la notion de backtesting :
Les rsultats des estimations de la VaR du second chapitre posent clairement la
question du choix de la mthode de calcul de la VaR . Tout naturellement , les
critres de cots dimplmentation , de complexit du modle et de flexibilit
sont dterminants . Cependant , il est aussi trs important de sassurer de
ladquation de la mthode choisie , on parle alors de backtesting . Cet exercice
consiste confronter la VaR calcule avec les pertes et profits effectivement
raliss sur le portefeuille sur une priode assez prolonge dans le temps . Le
comit de Ble exige des banques que cette priode de calcul soit au moins de
250 jours ouvrables , dans ce cas on aura 250 VaR confronter avec 250
rsultats du portefeuille correspondant aux nombres de jours ouvrables . Le
groupe RiskMetrics dans son document Risk Management : A Practical Guide
affirme quune fentre de 90 jours ouvrables est suffisante pour effectuer un
backtesting sur le portefeuille et davoir des rsultats assez significatifs .
Aprs avoir fixer la fentre temporelle dans laquelle on va effectuer le
backtesting , et aprs avoir relever les VaR et les profits et pertes journalires
durant toute la priode du test , on procde la comparaison des valeurs
obtenues jour par jour et on relve ensuite le nombre dexceptions ou de
violations : cest dire le nombre de fois ou la perte relle dpasse la VaR
estime .
Le nombre dexceptions durant toute la priode du test rvle le degr de
pertinence de la technique utilise pour calculer la VaR , et par la suite prsente
un critre pertinent pour juger de la qualit de lapproche utilise et de son
adquation avec le portefeuille sujet destimation .
Le nombre dexceptions (ou de violations) acceptable est relatif au niveau de
confiance au quel on a calcul la VaR . En effet , selon les directives du comit
de Ble , sur une VaR calcule pour un niveau de confiance de 95% on peut
accepter 5 exceptions dans une fentre de 100 jours de test . Ceci veut dire que
la proportion des pertes qui dpasse la VaR estime ne doit pas dpasser les 5% .
Dans la mme logique , pour un niveau de confiance de 99% le nombre
dexceptions ne doit pas dpasser une fois sur 100 jours , cest dire que la perte
relle sur le portefeuille ne doit pas dpasser la VaR pour plus de 1% des cas .
Cette procdure savre parfaitement logique et intuitive lorsque on revoit la
dfinition du niveau de confiance . En effet , une VaR calcule pour un niveau
de 95% veut dire implicitement que dans 95% des cas la perte relle sur le
portefeuille ne dpasse pas la VaR obtenue et quil y a 5% de chance quelle la
dpasse . Ainsi si la perte relle dpasse la VaR une frquence suprieure


80

5%, il faut dans ce cas se poser des questions sur la pertinence de la VaR
obtenue et par consquent sur la fiabilit de la technique utilise .
Dailleurs , pour le cas des banques , le comit de Ble a prvu des pnalits
(sous forme daugmentation dexigence de fonds propres) en cas dinadquation.
Dans le cadre des accords de Ble de 1998 , les banques sont tenues deffectuer
cette analyse en utilisant les douze derniers mois de donnes pour un niveau de
confiance de 99% et un horizon dun jour . Trois zones sont dfinies selon le
nombre de dpassements :

Zone
Nombre
d'exceptions
Augmentation du
multiple
Verte 0 0
1 0
2 0
3 0
4 0
Jaune 5 0,4
6 0,5
7 0,65
8 0,75
9 0,85
Rouge 10 ou + 1

Selon la zone dans laquelle le modle de la banque se trouve , les rgulateurs
agissent diffremment : en effet , si le modle utilis par la banque se trouve
dans la zone verte aucune pnalit nest prvue par les directives du comit de
Ble , et le niveau des fonds propres que la banque doit dtenir se calcul par la
formule classique : FP = 3 x VaR + c .
Par contre , si le modle est dans la zone jaune ou rouge la banque se voit
pnalise . Dans ce cas , les autorits majorent le coefficient multiplicateur dun
facteur complmentaire valant de 0,4 0,85 (selon le nombre dexceptions) pour
la zone jaune , et de 1 pour la zone rouge . Ainsi pour un modle appartenant
la zone jaune avec huit exceptions le niveau des fonds propres exigs devient :
FP = 3,75 x VaR + c . Et les banques , dans ce cas , sont tenues de revoir leurs
modles .

II.2 Les techniques de backtesting :
A fin de tester et de comparer les trois approches qui ont t utilises pour
lestimation de la VaR dans le chapitre prcdent , nous avons procd un
backtesting sur le portefeuille sujet destimation entre le 02/01/2002 et le
18/12/2002 . Ainsi la priode de test stend sur 251 jours ouvrables comme
lexige les directives du comit de Ble . Le test seffectue ici sur une VaR
estime pour lhorizon dun jour et un niveau de confiance de 95% . Le
graphique des rsultats du backtesting est le suivant :


81




82

II.2.1 Le test de Kupiec : Time Until First Failure

Kupiec (1995) a dvelopp un test pour vrifier la pertinence du modle VaR
utilis . Son approche est base sur les observations obtenues par la comparaison
entre les profits et pertes journalires sur le portefeuille et les VaR
correspondantes . Ce test est aussi connue sous le nom : test du ratios de
vraisemblance ou en anglais Likelihood Ratio tests : LR .
Ce test est bas sur le nombre de jours ouvrables jusqu' la premire exception
observe durant la priode du backtesting . A fin de comprendre le test de
Kupiec nous allons utiliser les notations suivantes :

v : nombre de jours jusqu la premire exception
p : probabilit relle de la VaR
p* : probabilit thorique de la VaR ; p* = 1 niveau de confiance
p : estimateur du maximum de vraisemblance de p ; p = 1/v

le ratios de vraisemblance se dfinit par :

p*. ( 1-p* )
v-1

LR
TUFF
= -2ln
p . ( 1-p )
v-1

LR
TUFF
est distribu selon une loi Khi deux un degr de libert .

Lhypothse nulle de ce test est que la probabilit relle de la VaR est infrieure
ou gale sa probabilit thorique :

H
0
: p _ p
*
=> on accepte le modle .
H
0
serait rejete si la statistique LR est suprieure a la valeur critique de Khi
deux un degr de libert et pour une probabilit de 95% (
2
1
(95%) = 3.8414)
et par consquent le modle serait aussi rejet .

En consultant le rapport des exceptions en annexe 8 , on observe que pour le cas
de lapproche VC la premire exception survient le 29/01/02 cest dire aprs
20 jours de backtesting , ceci pour une VaR estime avec un niveau de confiance
de 95% et un horizon dun jour . A partir de ces informations on peut appliquer
le test de Kupiec pour juger de la pertinence de la VaR estime et par la suite de
la mthode VC . Par ce fait le ratio de vraisemblance LR
TUFF
pour cette
approche est gal 1,005 . Or en comparant le ratios obtenue la valeur critique
de Khi deux correspondant un niveau de confiance de 95% et deux degrs de
libert qui est gale 3.8414 on obtient LR
TUFF
>3.8414 ce qui nous permet
daccepter lhypothse nulle que la probabilit relle de la VaR est infrieure ou
gale sa probabilit thorique et par la suite accepter le modle .


83

Dans la mme logique , lapplication du test de Kupiec sur les deux autres
approches SH et MC nous a permis daccepter H
0
pour ces deux techniques et
par la suite de les valider , LR
TUFF
pour ces deux dernires tant respectivement
1,005 et 0,2643 .

II.2.2 Le test de Christoffersen :

Christoffersen (1998) a dvelopp une procdure comportant trois testes pour
valuer lapproche destimation de la VaR . Ces trois testes sont :
- le test de couverture inconditionnelle
- le test dindpendance des exceptions
- le test de couverture conditionnelle
Ces trois testes font recours au ratios de vraisemblance (LR) . Le test de
couverture inconditionnelle Unconditional Coverage teste lhypothse nulle
que la proportion des exceptions dpasse le niveau de significativit de la VaR :

H
0
: a _ p => on passe au test suivant
H
1
: a > p => on rejette le modle

Avec : a : proportion des exceptions
p : niveau de significativit de la VaR , p = 1 niveau de confiance


ainsi le test se dfinit par :

p
n1
. ( 1-p )
n0
LR
uc
= - 2 ln
a
n1
. ( 1-a )
n0

avec :
p : niveau de significativit de la VaR
n
0
: nombre de jours sans exceptions
n
1
: nombre dexceptions
a = n
1
/ ( n
1
+n
0
)

Si le ratios de vraisemblance LR
uc
est suprieure la valeur critique de
2
un
degr de libert pour une probabilit de 95% on rejette H
0
, et par la suite on
passe au test suivant , sinon on accepte H
0
et on rejette le modle .

En se referant au rapport des exceptions (annexe 8) on observe que pour
lapproche VC et sur 251 jours de test on obtient 18 exceptions , ce qui veut dire
que sur 251 VaR estimes 233 ne dpassent pas la perte relle sur le portefeuille
tan disque 18 la dpassent . Ces constatations , combines au niveau de


84

significativit de la VaR qui est de 5% , nous permettent de calculer LR
uc
est
deffectuer le premier test de Christoffersen . Les rsultats obtenus sont les
suivants :

VC SH MC
LR
uc
2.209 1.255 -5.051

En comparant ces rsultats la valeur critique 3.8414 on remarque que pour les
trois approches LR
uc
est infrieure cette valeur critique ce qui nous permet
daccepter H
0
pour les trois modles et de passer au test suivant .

Le deuxime test de Christoffersen consiste tester lindpendance des
exceptions entre elles . Lhypothse nulle de ce test est que les exceptions sont
indpendantes :

H
0
: les exceptions sont indpendantes => on passe au test suivant

Et le test est le suivant :

( 1-a
2
)
(n00+n10)
. a
2

(n01+n11)
LR
ind
= - 2 ln
( 1-a
01
)
n00
. a
01
n01
( 1-a
11
)
n10
a
11
n11


avec
n
ij
: nombre de valeurs i suivies par une valeur j i,j = 0,1
a
ij
: Pr { I
t
= i / I
t-1
= j } i,j = 0,1
a
01
= n
01
/(n
00
+ n
01
) ; a
11
= n
11
/ (n
01
+ n
11
)
a
2
= (n
01
+ n
11
) / (n
00
+ n
01
+ n
10
+ n
11
)

Comme au premier test on accepte H
0
si LR
ind
est infrieur la valeur critique de

2
(1)
pour une probabilit de 95% , et dans ce cas on passe au test suivant . Si non
on rejette le modle .

De la mme manire que pour le premier test de Christoffersen , et en consultant
le rapport des exceptions , on peut relever les mesures ncessaires pour le calcul
de LR
ind
pour chacune des trois approches utilises pour estimer la VaR . Ainsi
pour lapproche VC on obtient :
n
01
= 14 : nombre de jours sans exceptions prcds par une exception
n
00
= 219 : nombre de jours successifs sans exceptions
n
11
= 4 : nombre de jours successifs avec exceptions
n
10
= 14 : nombre de jours sans exceptions suivis dune exception



85

A partir de ces rsultats on peut calculer a
01
, a
11
et a
2
. a
01
tant la probabilit
quun jour sans exceptions soit prcds par une exception , a
11
la probabilit
davoir deux exceptions successives et a
2
la probabilit davoir une exception
labsolue . Calcul ainsi on obtient LR
ind
pour chacune des trois approches :

VC SH MC
LR
ind
4.515 1.018 0.008

Ces rsultats nous permettent daccepter lhypothse nulle que les exceptions
sont indpendantes pour les deux approches SH et MC puisque pour ces
dernires on obtient un ratios de vraisemblance infrieur la valeur critique . Par
contre ce test rejette H
0
pour lapproche VC et par la suite ne la valide pas . On
peut ainsi conclure que les exceptions sont indpendantes pour les deux
approches SH et MC et par la suite passer au troisime test de Christoffersen .

Le troisime test de Christoffersen est le test de couverture conditionnelle . Il
sagit de tester si le modle VaR utilis a lhabilit de capturer la distribution
conditionnelle des rendements et ses proprits dynamiques tel que sa volatilit
dans le temps . Le ratios de vraisemblance se dfinit par :

p
n1
( 1-p )
n0

LR
cc
= - 2 ln

( 1-p )
n00
. a
01
n01
. ( 1-a
11
)
n10
. a
11
n11


Si LR
cc
est infrieur la valeur critique on accepte dfinitivement le modle , si
non on le rejette .

En appliquant ce dernier test sur nos estimations on obtient les rsultats
suivants :

VC SH MC
LR
cc
6.730 2.187 18.592

On constate donc quon obtient des ratios de vraisemblance suprieure la
valeur critique pour les deux approches VC et MC ( ce qui confirme les rsultats
du deuxime test pour le cas de lapproche VC ) . Ainsi on peut conclure que les
deux techniques VC et MC nont pas lhabilit de capturer le distribution
conditionnelle des rendements et ses proprits dynamiques : pour le cas de la
mthode VC ce constat et tout fait logique et attendu car on a montr que les
rendement du portefeuille ne sont pas normale or que cette approche ce base sur
lhypothse de normalit des rendements . Concernant le cas de lapproche MC ,
on a vue que cette dernire tait particulirement sensible au risque de modle


86

ce qui peut tre la cause de son rejet au test de couverture conditionnelle de
Christoffersen .

II.2.3 Mesure de la taille relative et de la variabilit :

Ce test a t dvelopp par Hendricks en 1996 . Nous allons dabords prendre
en considration les variabilits des VaR estimes par les diffrentes approches .
Ceci va nous permettre dvaluer si une approche particulire parmi celles
utilises produit un risque estim relativement plus lev que les autres . En
dautres termes , cette mesure va nous permettre de dire si lapproche utilise
pour estimer la VaR surestime ou non le risque . Une telle approche qui ,
logiquement , va fournir des VaR leves va tre juge comme tant
conservative .
Pour valuer la taille relative des VaR estimes fournies par les trois approches
utilises nous allons faire recours la statistique du Biais Relatif Moyen
(MRB)
19
dveloppe par Hendricks en 1996 . Cette statistique MRB a pour rle
de capturer lampleur la quelle les diffrentes approches produisent des
estimations de tailles moyennes semblables .
Etant donne le nombre T de priodes et N de modles VaR , le Biais Relatif
Moyen dune approche i est donne par :



avec :

VaR
it
= VaR fournie par lapproche i le jour t

VaR
t
= Moyenne des VaR fournies par chacune des approches au jour t

Ainsi , comme nous lavons signal ci dessus , cette procdure nous fournie une
mesure de la taille de chaque VaR obtenue par chacune des trois approches , une
taille qui est relative la moyenne des VaR des trois approches . De ce fait , le
MRB obtenu est un pourcentage , en effet un MRB = 0.1 implique que
lapproche utilis et par la suite la VaR obtenue est en moyenne 10% plus
grande que la moyenne des VaR obtenues par les trois approches .
En appliquant cette statistique aux trois approches que nous avons utilis pour
estimer la VaR de notre portefeuille dactions nous obtenons les rsultats
suivants :


19.
Mean Relative Bias est la traduction en anglais du terme Biais relatif moyen .
avec


87


VC SH MC
MRB -0.4391 -0.2825 0.7216

Le biais relatif moyen de lapproche VC montre que cette dernire nous fournie
une VaR qui est en moyenne 43.91% plus petite que la moyenne des VaR
obtenues par les trois approches , ce qui implique quelle sous estime le risque
estim . Cette sous-estimation du risque peut tre expliquer par le fait que
lapproche VC se base sur lhypothse de normalit des rendements et nous
avons montr au premier chapitre de ce travail ( .III.1) que cette hypothse peut
nous induire en erreur et nous pousser sous estimer le risque du fait du
caractre leptocurtique de la distribution relle des rendements de notre
portefeuille . Pour les deux autres approches SH et MC nous obtenons des biais
relatifs moyens respectivement gales -28.25% et 72.16% , ce qui veut dire
que lapproche SH fourni une VaR qui est en moyenne 28.25% plus petite que la
VaR moyenne , sous estimant ainsi le risque du portefeuille mais un degr
moins important que lapproche VC . Le rsultat obtenue pour lapproche MC
montre que cette dernire , contrairement aux deux autres , sur estime le risque
de 72.16% . Ainsi ce test montre que lapproche MC produit des rsultats
beaucoup moins fiables que les deux autres approches puisque elle sur estime
considrablement le risque , on dit quune telle approche est trop conservative .
Lapproche SH est plus performante celle de VC , cette dernire sous estimant
beaucoup le risque .

Hendricks (1996) tend la simple statistique du biais relatif moyen qui capture la
variabilit du modle estim une autre statistique qui capture lampleur la
quelle la moyenne des VaR de chaque approche diffre de la moyenne des VaR
de toutes les approche runis , en dautre termes , elle nous fourni une
information sur lampleur la quelle lapproche utilise sur estime ou sous
estime le risque . Cette statistique est connue sous le nom de : racine carre du
biais relatif moyen (RMSRB)
20
et donne par :



En appliquant cette relation sur les VaR estimes par chaque approche nous
obtenons les rsultats suivants :



20.
Root Mean Squared Relative Bias , cest la traduction en anglais du terme racine carre du biais
relatif moyen


88

VC SH MC
RMSRB 0,4471 0,2879 0,7281

Ces rsultats montre que lapproche VC tend sous estimer le risque dans
44.71% des cas et lapproche SH dans 28.79% , tandis que lapproche MC a
tendance sur estimer le risque dans 72.81% des cas . Ainsi , comme le test
prcdant , ce test nous confirme la supriorit de la mthode SH sur les deux
autres mthodes puisque cest celle qui fourni des VaR quotidiennes qui dvient
le moins souvent de la moyenne des VaR .
Dans lobjectif de choisir lapproche destimation la plus approprie notre
portefeuille nous avons construit un tableau qui rsume les diffrentes
caractristiques de chaque mthode ainsi que les rsultats du backtesting
effectu par les tests de Kupiec et de Christoffersen :


SH VC MC
Hypothse
distributionnelle
aucune
normalit : non
vrifie
aucune
Hypothse de
linarit
aucune vrifie aucune
Hypothse de
stationnarit
vrifie vrifie aucune
Risque de modle pas sensible sensible trs sensible
Mise en place facile moyenne difficile
Cot trs faible faible trop leve
Comprhension facile moyenne difficile
Test TUFF valid valid valid
Test UC valid valid valid
Test Ind valid non valid valid
Test CC valid non valid non valid
MRB -0.2825 -0.4391 0.7216
RMSRB 0,2879 0.4471 0,7281


Lanalyse de ce tableau montre clairement la supriorit de lapproche de la
simulation historique sur les deux autres approches . En effet , comme nous
lavons signal au par avant , la SH prsente lavantage de ne pas poser
dhypothses sur la distribution des rendements du portefeuille , de mme pour
la linarit des facteurs de risque , ainsi elle sadapte trs bien notre
portefeuille car il est constitu uniquement dactions et ne contient pas
dinstruments optionnels , de plus on a vue dans le paragraphe I.5.2 du second
chapitre que les rendements du portefeuille ne sont pas normalement distribus ,


89

alors que la mthode VC exige la satisfaction de cette hypothse pour procurer
des estimations fiables . La seule hypothse quimpose lapproche SH est la
stationnarit des rendements du portefeuille , or cette hypothse et justement la
seule qui se trouve vrifie pour notre cas (voir I.5.2 ch. 2 ) . Ainsi , dun point
de vue hypothtique la SH semble tre la plus approprie notre portefeuille .
Dun autre point de vue , la SH prsente lavantage de ne pas tre sensible au
risque de modle puisque du fait de son caractre non paramtrique elle nutilise
pas de modle dvaluation . Alors que les deux autres approches : VC et MC
sont sensibles ce risque des degrs diffrents , la simulation Monte Carlo
tant la plus sensible au risque de modle .
Dun point de vue pratique , La simulation historique prsente aussi des
avantages en comparaison avec les deux autres mthodes . En effet elle est la
plus facile mettre en place et elle reste la plus intuitive des trois approches .
Elle requiert moins de moyens humains , informatiques et financiers et par
consquent elle est la moins coteuse tout en tant la plus facile comprendre
tous les niveaux de linstitution .
Dun point de vue statistique les trois approches SH , VC et MC sont valides
par le test de Kupiec (TUFF) . Mais les tests de Christoffersen accordent la
supriorit lapproche SH puisque cest la seule mthode qui a t valide par
les trois tests , la mthode VC ayant t rejete ds le deuxime test et
lapproche MC par le troisime test . Les deux statistiques de Hendricks donnent
aussi une nette supriorit lapproche SH sur les deux autres approches
puisque la statistique MRB montre que cette dernire nous fourni des VaR
quotidiennes qui , en moyenne , scartent le moins de la VaR moyenne fournie
par les trois approches runies . Tandis que la statistique RMSRB montre que
cest lapproche qui sen carte le moins souvent .

En conclusion , on peut dire en se basant sur les rsultats du backtesting et sur
ltude comparative des caractristiques de chacune des trois approches
classiques destimation de la VaR et on tenant compte des caractristiques du
portefeuille objet de lestimation , que lapproche qui semble la plus approprie
pour lestimation de la VaR de ce portefeuille et lapproche de la simulation
historique . Ce rsultat nest bien videment pas absolu mais propre au
portefeuille qui a t lobjet de notre tude . Dautres tudes ralises sur
dautres portefeuilles avec des actifs ou des proprits diffrentes peuvent
procurer des rsultats tout fait diffrents .









90

CONCLUSION :

Lobjectif de ce travail tait de prsenter lapproche Value at Risk pour la
mesure du risque dun portefeuille dactifs et deffectuer une tude comparative
entre les trois approches classiques destimation de la VaR (VC , SH , MC) fin
de choisir lapproche la plus approprie pour lestimation de la VaR dun
portefeuille dactions cotes sur le march boursier tunisien .
Nous avons commenc ce travail par donner un aperue historique de lapproche
VaR et prsenter la mthode de calcul de la VaR dun actif isol (action et
obligation) puis la VaR dun portefeuille dactifs pour un seul facteur de risque
ainsi que pour plusieurs facteurs . Nous avons en plus prsent les modles
linaires et non linaires dvaluation .
Par la suite , nous avons prsent les objectifs et le contexte dutilisation de la
VaR ainsi que les prcautions prendre lors de son utilisation de mme que ses
avantages et ses inconvnients .
En suite nous avons procd la constitution dun portefeuille fictif compos
dactions slectionnes sur le march boursier tunisien . Aprs avoir tudi les
statistiques descriptives des rendements du portefeuille et aprs avoir prsent
les trois approches classiques destimation de la VaR , nous avons estim la VaR
du portefeuille par chacune de ces approches .
Par la suite , nous avons effectu une analyse comparative de ces trois approches
tant du point de vue thorique que pratique en prsentant les avantages et les
inconvnients de chacune delles et en effectuant un backtesting sur chaque
approche . Les techniques de backtesting utilises t le test de Kupiec et celui
de Christoffersen .
En analysant les proprits de chacune des approches et en les comparant avec
celles de notre portefeuille et en relevant les rsultats des deux test de Kupiec et
de Christoffersen , nous avons trouv que lapproche la plus performante pour
estimer la VaR de notre portefeuille t lapproche de la simulation historique
(SH) . Nous avons ensuite essay de prsenter les extensions du concept VaR
aux autres types de risque et dinstitutions autres que financires .

Il est important de prciser quil n'est pas possible d'identifier une
mthodologie universellement accepte pour estimer la VAR, chacune
prsentant ses propres limites. Lune des limites fondamentales de nimporte
quelle mthodologie est le fait quelle soit le reflet la subjectivit des hypothses
sous-jacentes. Toutefois, le plus grand risque dans lutilisation de la VAR
dcoule de l'incomprhension des limites de la mthodologie utilise.
La VAR demeure malgr tout un puissant outil de gestion de risque, mais aussi
faut-il lutiliser avec beaucoup de prcaution quant vient le temps dinterprter
les rsultats. La VAR est une valeur qui parat scientifique et prcise mais en
fait, elle repose sur plusieurs affirmations qui ne sont que jugements
significativement subjectifs. Il ne faut cependant pas oublier que les hypothses


91

sont invitables dans la mise en pratique d'une mthode de VAR, la fois pour
des raisons de cots et de temps. Par consquent, les gestionnaires ont besoin de
bien connatre ces hypothses et leurs implications pour tre capable
dinterprter proprement la VAR. Ceci donne lieu plusieurs faons de dpasser
les difficults poses par la VAR. Avec diffrentes mthodologies combines
avec autant de jugement dans la mise en pratique, on ne peut tre certain que les
rsultats dune institution lautre sont comparables. De plus, la VAR seule ne
suffit pas, elle doit faire partie dun processus de gestions des risques et elle doit
tre supporte par des politiques bien dfinies.
En dfinitive, le premier lment que nous pouvons retenir est qu'il n'y a pas une
seule mthode de VAR. Nous avons bien sur des repres thoriques qui nous
indiquent quels devraient tre les rsultats. Or, en pratique, il est autrement. Il
est trs important de doser les hypothses et d'tudier les avantages et les
dsavantages d'une mthode pour des situations particulires rencontres par
l'institution financire. Il est galement trs important d'tablir une bonne
dfinition des objectifs recherchs par l'implantation de la VAR. Comme le
remarquait Jorion (1996), au-del le la valeur de la VAR, toute implantation
d'une mthode de VAR oblige une organisation prendre conscience de son
exposition au risque et permet un meilleur processus de gestion des risques. Il
s'agit l d'une tape aussi importante que celle des calculs.
Le deuxime lment est qu'il faut reconnatre que la modlisation et la gestion
du risque sont deux activits dynamiques et complexes. La VAR a connu une
volution considrable depuis son apparition au dbut des annes 90. Il est
ncessaire que les recherches dans ce domaine se poursuivent et que les
innovations qu'elles amnent soient intgres rapidement par les institutions
financires.
Une priode de raffinement semble tre commence. L'approche reposant sur la
mesure de la Value at Risk semble tre une voie trs intressante. Il est
probable, d'ici quelques annes, que l'objectif sera une gestion unifie des
risques. Mais avant d'y parvenir, il faudra que la gestion de chacun des risques
soit bien matrise.













1


















.^^tAt








1

ANNEXE 1


COMPOSITION DE L'INDICE BVMT 2001/2002



N 2001 2002
1 SFBT SFBT
2 BIAT BIAT
3 STB STB
4 ELECTRO STAR BH
5 BH BT
6 BT TUNISAIR
7 TUNISAIR SOTETEL
8 SOTETEL SIAME
9 SIAME UIB
10 UIB BS
11 BS ATL
12 SOTRAPIL BATAM
13 STEQ BNA
14 ATL TLS
15 BATAM SOTUMAG
16 SIPHAT GLS
17 BNA MONOPRIX
18 TUNISIE LEASING UBCI
19 SOTUMAG CIL
20 GENERAL LEASING AMEN BANK
21 MONOPRIX MAGASIN GENERAL
22 UBCI EL MAZRAA
23 CIL AMS
24 AMEN BANK ATB
25 MAGASIN GENERAL ALS
* Source : www.bvmt.com.tn










2

COMPOSITION DE LINDICE TUNINDEX 2001/2002



N 2001 2002
1 AB AB
2 AIR LIQ AIR LIQ
3 ALKIMIA ALKIMIA
4 ALS ALS
5 AMS AMS
6 ASTREE ASTREE
7 ATB ATB
8 ATL ATL
9 BH BH
10 BIAT BIAT
11 BNA BNA
12 BS BS
13 BT BT
14 CIL CIL
15 ICF ICF
16 EL MAZRAA ELMAZRAA
17 MNP MNP
18 MTR MTR
19 PALM BEACH PALM BEACH
20 SFBT SFBT
21 SIMPAR SIMPAR
22 SOTETEL SOTETEL
23 SOTUV SOTUV
24 STAR STAR
25 STB STB
26 STIL STIL
27 TUNISAIR TUNISAIR
28 TUNISIE LAIT TUNISIE LAIT
29 TLS TLS
30 UBCI UBCI
31 UIB UIB
Source : www.bvmt.com.tn









3

ANNEXE 2

Secteurs Titres Moyenne Ecart-type CV
Banques AB -4,82E-05 0,00851262 -176,727028
BNA -0,00010603 0,01772546 -167,181234
BIAT -7,83E-05 0,00581029 -74,2057726
BT -0,00021144 0,01010197 -47,7764342
ATB -0,00024623 0,00921109 -37,4092085
STB -0,00032195 0,00955813 -29,6878616
BH -0,00047374 0,01090594 -23,0211256
UBCI -0,0005925 0,0085463 -14,4241253
UIB 0,00036394 0,01020559 28,0418852
BS 0,00022952 0,00999468 43,54598
Industrie SOTUVER -0,00021842 0,01793493 -82,1120487
ICF -0,00059532 0,00859076 -14,4305411
SIAME -0,00108859 0,0140127 -12,8723816
SIPHAT 0,00148598 0,04315991 29,0446532
E.STAR 0,00235777 0,08637291 36,6333191
AIR LIQ 0,0002968 0,01189089 40,0630355
AKIMIA 0,00021876 0,01299916 59,4220872
AMS 9,97E-05 0,01427283 143,199616
Leasing CIL -0,00051167 0,01307788 -25,5592051
ALS -0,0005006 0,01214878 -24,2685144
GLS -0,00065 0,01143723 -17,5957198
TLS -0,00085161 0,01418662 -16,6585265
ATL -0,00079954 0,01177478 -14,7269969
Commerce MPX -0,0002643 0,00841997 -31,8571961
M.GENERAL -0,0007503 0,01442311 -19,2231212
SOTUMAG -0,00070105 0,01259287 -17,9627763
BATAM -0,00174332 0,01679547 -9,63417786
STEQ 0,00169376 0,07612072 44,9418429
Agro Alim SFBT -0,00166759 0,02307615 -13,8380434
T.LAIT -0,00089914 0,01180454 -13,1286857
STIL 0,0010101 0,03673957 36,3721529
EL MAZ 0,00133616 0,05130143 38,3947601
Transport T.AIR -0,00127054 0,01666301 -13,1149043
SOTRAPIL 0,00234903 0,05802795 24,7029513
Assurance ASTREE -0,00040794 0,01937643 -47,4982946
STAR -0,00026548 0,0082 -30,8877755
Communication SOTETEL -0,00200813 0,02037657 -10,1470517
Tourisme PBHT 0,0007207 0,02324337 32,251015
Immobilier SIMPAR 0,00018531 0,01000145 53,9713223

* CV = Ecart-type / Moyenne





4

ANNEXE 3


Matrice corrlation



AB ASTREE CIL MPX PBHT
AB 1.000000 0.005099 0.002312 0.095360 -0.053422
ASTREE 0.005099 1.000000 -0.027102 -0.002126 0.011632
CIL 0.002312 -0.027102 1.000000 0.129448 -0.031569
MPX 0.095360 -0.002126 0.129448 1.000000 0.012595
PBHT -0.053422 0.011632 -0.031569 0.012595 1.000000
SFBT 0.018196 -0.000869 0.068529 0.075020 0.001319
SIMPAR -0.009010 0.000373 0.009876 -0.010454 0.002551
SOTETL 0.060741 -0.000799 0.099272 0.048772 0.024951
SOTUVER -0.017124 0.029658 0.042537 0.053985 -0.004955
T_AIR01 0.124709 -0.033477 0.053450 -0.007520 -0.053977

SFBT SIMPAR SOTETL SOTUVER T_AIR01
AB 0.018196 -0.009010 0.060741 -0.017124 0.124709
ASTREE -0.000869 0.000373 -0.000799 0.029658 -0.033477
CIL 0.068529 0.009876 0.099272 0.042537 0.053450
MPX 0.075020 -0.010454 0.048772 0.053985 -0.007520
PBHT 0.001319 0.002551 0.024951 -0.004955 -0.053977
SFBT 1.000000 -0.011935 0.361728 0.003384 0.130291
SIMPAR -0.011935 1.000000 0.003074 0.090859 -0.026171
SOTETL 0.361728 0.003074 1.000000 0.038278 0.213554
SOTUVER 0.003384 0.090859 0.038278 1.000000 -0.000234
T_AIR01 0.130291 -0.026171 0.213554 -0.000234 1.000000

* logiciel utilis : E-views

















5


ANNEXE 4


Titres Mt investis Cours (2/10/2000) Nbre de titres
AB 4809,773 21,6 223
SOTUVER 250,574 12,19 21
CIL 725,518 26,5 27
MONOPRIX 1891,254 28,02 67
SFBT 29979,167 180,1 166
T.AIR 7636,357 16,31 468
ASTREE 1146,519 39,26 29
SOTETEL 2828,699 184,5 15
PBHT 457,995 5,16 89
SIMPAR 274,145 15,02 18




ANNEXE 5



Titres Skewness Kurtosis JB
AB -0.005703 16.20511 5304.302
SOTUVER -3.652322 59.91146 100139.9
CIL -1.706048 25.91003 16318.9
MPX -1.785454 22159686 12068.98
SFBT -8.101831 121.6873 436456.2
T.AIR 0.487453 5.088157 161.5380
ASTREE -22.57636 579.7794 10180860
SOTETEL -2.027572 21.54477 10960.73
PBHT 9.110849 224.4556 1501811
SIMPAR -2.622414 51.66197 72863










6


ANNEXE 6

Considrons un portefeuille constitu de trois actions en nombres respectifs :
n
AB
= 223 n
SOT
= 21 n
CIL
= 27
pour lesquels on a observ les cours 11 poques (de -10 0 ) :

Cours historiques

AMEN BANK SOTUVER CIL
-10 21,7 12,19 26,8
-9 21,6 12,19 26,5
-8 22 12,19 26,1
-7 22,1 12,49 26
-6 22,1 12,8 26,02
-5 22 12,8 26
-4 22 12,8 26
-3 22 12,8 26
-2 22,46 12,8 26
-1 22,46 12,8 26,6
0 22,42 13,02 26

On calcul les variations relatives ^
k
( t ) pour t = -9 , , 0 :
^
1
( -9 ) = (21.6 21.7) / 21.6 = - 0.0046
et on dduit partir des observations pour t = 0 , les valeurs estimes pour la
prochaine priode :
X
1
(-9)
( 1 ) = 22.42 x ( 1 0.0046 ) = 22.317

Rendements historiques


AB

SOTUV

CIL

-9 -0,00460829 0 -0,01119403
-8 0,01851852 0 -0,01509434
-7 0,00454545 0,02461034 -0,00383142
-6 0 0,02481986 0,00076923
-5 -0,00452489 0 -0,00076864
-4 0 0 0
-3 0 0 0
-2 0,02090909 0 0
-1 0 0 0,02307692
0 -0,00178094 0,0171875 -0,02255639






7

Estimations du portefeuille

X
AB
X
SOTUV
X
CIL

-9 22,316 13,02 25,708
-8 22,835 13,02 25,607
-7 22,521 13,34 25,9
-6 22,42 13,343 26,02
-5 22,3185 13,02 25,98
-4 22,42 13,02 26
-3 22,42 13,02 26
-2 22,888 13,02 26
-1 22,42 13,02 26,6
0 22,38 13,243 25,413

On dtermine alors la valeur du portefeuille en t = 0 :
p
p
(0) = 223 . 22,42 + 21 . 13,02 + 27 . 26 = 5 975,080
les estimations de la valeur future de celui ci :
P
p
(-9)
(1) = 223 . 22,316 + 21 . 13,020 + 27 . 25,709 = 5 944,181
ainsi que les pertes subies :
L
(-9)
= 5 975,080 5 944,181 = 30,899

Valeurs futures et pertes subies
VF pertes subies
5944,182 30,898
6057,070 -81,990
6001,845 -26,765
5982,406 -7,326
5951,918 23,162
5975,080 0,000
5975,080 0,000
6079,618 -104,538
5991,280 -16,200
5955,041 20,039

On classe par la suite pertes par ordre de grandeur croissante et on attribue
chaque perte sa probabilit doccurrence . On obtient ainsi :

pertes subies probabilit
-104,538 0,1
-81,990 0,2
-26,765 0,3
-16,200 0,4
-7,326 0,5
0,000 0,6
0,000 0,7
20,039 0,8
23,162 0,9
30,898 1


8


On peut dire alors que :
- il y a 8 chances sur 10 que la perte relle soit infrieure ou gale 23.162
DT : VaR
80%
= 23.162 DT
- il y a 9 chances sur 10 que la perte relle soit infrieure ou gale 30.898
DT : VaR
90%
= 30.898 DT







































9


ANNEXE 7

Test de stationnarit des rendements du portefeuille

ADF Test Statistic -11.56610 1% Critical Value* -3.4417
5% Critical Value -2.8658
10% Critical Value -2.5690
*MacKinnon critical values for rejection of hypothesis of a unit root.


Augmented Dickey-Fuller Test Equation
Dependent Variable: D(REND)
Method: Least Squares
Date: 03/17/03 Time: 22:53
Sample(adjusted): 10/07/2000 10/26/2002
Included observations: 750 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob.
REND(-1) -0.814364 0.070410 -11.56610 0.0000
D(REND(-1)) -0.007136 0.064520 -0.110600 0.9120
D(REND(-2)) -0.046210 0.056935 -0.811627 0.4173
D(REND(-3)) -0.013692 0.047437 -0.288633 0.7729
D(REND(-4)) 0.023964 0.036652 0.653838 0.5134
C -0.001020 0.000473 -2.155674 0.0314
R-squared 0.416703 Mean dependent var -1.24E-06
Adjusted R-squared 0.412783 S.D. dependent var 0.016597
S.E. of regression 0.012718 Akaike info criterion -5.883629
Sum squared resid 0.120340 Schwarz criterion -5.846669
Log likelihood 2212.361 F-statistic 106.3015
Durbin-Watson stat 2.001495 Prob(F-statistic) 0.000000
E-Views

























10


ANNEXE 8

Rapport des exceptions

J
me
jour
de test
Date VC SH MC
20 29/1/02 **** ****
68 5/4/02 **** ****
69 8/4/02 **** ****
72 11/4/02 **** **** ****
75 16/4/02 **** ****
76 17/4/02 ****
77 18/4/02 ****
78 19/4/02 ****
85 30/4/02 ****
90 7/5/02 **** ****
101 22/5/02 ****
115 11/6/02 ****
122 20/6/02 ****
128 28/6/02 ****
144 22/7/02 **** ****
170 27/8/02 **** ****
179 9/9/02 ****
196 2/10/02 **** ****
Total 18 9 1





1





t:tt:"t.|t:t









2

Livres :

- Bessis.J . Gestion des risques et gestion actifs/passif des banques .
Dalloz 1995 .
- Esch , Kieffer , Lopez .Value at Risk , vers un risque management moderne.
De Boeck universit .
- Majorie Demazy .Value at Risk et contrle prudentiel des banques .
Fortis Bank .



Articles :

- Atsushi Inoue , Jinyong Hahn, Peter Christoffersen,. Testing and comparing
Value at Risk measures.
Srie Scientifique , CIRANO Janvier 2001 .
- Akimou Oss . La Value at Risk .
Les cahiers de la finance , BCV Mai 2002 .
- A.Louis Calvet . La gestion globale des risques du march : de la Value at
Risk CorporateMetrics
TM
.
Gestion , volume 25 , numro 3 , automne 2000 .
- Casper G .De Veris . Jon Danielson . Value at Risk and Extreme Returns .
Annales dconomie et de statistique . No 60-2000 .
- Colleen Cassidy . Marianne gizycki . Measuring traded market risk : Value at
Risk and backtesting techniques .
Reserve Bank of Australia . November 1997 .
-Darrel Duffie , Jun Pan . An Overview of Value at Risk.
January 21,1997 .
- Denis Pelletier , Peter Christoffersen . Backtesting portfolio risk measures .
Mc Gill University , October 4-2002 .
- Don Bredin , Stuart Hyde . FOREX Risk: Measurement and Evaluation using
Value-at-Risk .
Central Bank of Ireland . November 2001 .
- Fabien Roy . Risk Management : une tude applique au secteur bancaire et
financier .
Universit HEC Lausanne
UBS AAT Private Banking .
- Maria Coronado . Comparing different methods for estimating Value at Risk
for actual non-linear portfolios : empirical evidence .
European Journal of Finance August 2000 .




3

- Marcus Hass . New Methods in Backtesting .
Financial Engineering Research centre Caesar Friedensplatz 16, D-53111 Bonn
February 5, 2001 .
- Michael K. Ong . Understanding the Fundamentals of Value-at-Risk .
ABN-AMRO June 1997 .
- Paul Glasserman . Perwez Shahabuddin . Philip Heidelberger . Variance
Reduction Technics for Estimating Value at Risk .
Management Sciences Vol.46 No.10 October 2000 .
- Peter F. Christoffersen . Elements of Financial Risk Management .
McGill University and CIRANO December 5, 2002 .
- Simon Benninga . Zvi Wiener . Value at Risk .
Mathematica in Education and Research , Vol 7 No 4 ,1998 .
- Stephen G. Thieke . Risk Management : a practical guide .
RiskMetrics Group , August 1999.
- Introduction lutilisation des mthodes bases sur le calcul numrique en
finance quantitative : variations sur les aspects thoriques de la VaR avec
application Visual Basic du calcul de la VaR selon la mthode du Bootstrapping
et selon lexpansion de Cornish-Fisher .



Cites web :

- www.gloriamundi.org
- www.RiskMetrics.com
- www.lefigaro.fr