Академический Документы
Профессиональный Документы
Культура Документы
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