1. Mod´elisation de
strat´egies en
finance de march´e
Alexander Surkov
Valeur `a risque
Mesures de RM
V`aR lin´eaire
Portefeuille
D´ecomposition
V`aR historique
Mod´elisation de strat´egies en finance de
march´e
S´eance 9 : Valeur `a risque
Alexander Surkov, CFA, FRM, PRM, PhD
alexander.surkov@usherbrooke.ca
´Ecole de gestion
Universit´e de Sherbrooke
Le 15 mars 2017
2. Mod´elisation de
strat´egies en
finance de march´e
Alexander Surkov
Valeur `a risque
Mesures de RM
V`aR lin´eaire
Portefeuille
D´ecomposition
V`aR historique
Table de mati`ere
Valeur `a risque
Mesures du risque de march´e
V`aR lin´eaire
V`aR pour un portefeuille
D´ecomposition de V`aR
Approche historique `a l’estimation de V`aR
3. Mod´elisation de
strat´egies en
finance de march´e
Alexander Surkov
Valeur `a risque
Mesures de RM
V`aR lin´eaire
Portefeuille
D´ecomposition
V`aR historique
Table de mati`ere
Valeur `a risque
Mesures du risque de march´e
V`aR lin´eaire
V`aR pour un portefeuille
D´ecomposition de V`aR
Approche historique `a l’estimation de V`aR
4. Mod´elisation de
strat´egies en
finance de march´e
Alexander Surkov
Valeur `a risque
Mesures de RM
V`aR lin´eaire
Portefeuille
D´ecomposition
V`aR historique
Mesure coh´erente de risque
Normalisation : M0 = 0 (pas d’actifs, pas de risque)
Monotonicit´e : X1 ≤ X2 ⇒ MX1 ≥ MX2 (toujours
plus de rendements, moins de risque)
Sous-additivit´e : M(X1 + X2) ≤ MX1 + MX2
(diversification)
Uniformit´e : M(bX) = bMX, b > 0 (double de risque
pour double de portefeuille)
Invariance translationnelle : M(X + k) = MX − k
(l’ajout d’un actif sans risque diminue le risque)
5. Mod´elisation de
strat´egies en
finance de march´e
Alexander Surkov
Valeur `a risque
Mesures de RM
V`aR lin´eaire
Portefeuille
D´ecomposition
V`aR historique
´Ecart type (1)
L’´ecart type n’est pas monotone et n’a pas d’invariance
translationnelle, mais il est sous-additif.
La variance de rendement du portefeuille :
V π
t = V
(1)
t + · · · + V
(N)
t , R
(i)
t2,t1
=
V
(i)
t2
V
(i)
t1
− 1
Rπ
t2,t1
≡
V π
t2
V π
t1
− 1 =
N
i=1
V
(i)
t1
V π
t1
V
(i)
t2
− V
(i)
t1
V
(i)
t1
=
N
i=1
ωi R
(i)
t2,t1
σ2
π =
N
i=1
N
j=1
ωi ωj cov R
(i)
t2,t1
, R
(j)
t2,t1
Rπ
t2,t1
≡ ωT
1×N
· Rt2,t1
N×1
, σ2
π = ωT
1×N
· Σ
N×N
· ω
N×1
, ωT
1×N
· 1
N×1
= 1
6. Mod´elisation de
strat´egies en
finance de march´e
Alexander Surkov
Valeur `a risque
Mesures de RM
V`aR lin´eaire
Portefeuille
D´ecomposition
V`aR historique
´Ecart type (2)
La variance de valeur du portefeuille :
∆V π
t2,t1
= ∆V
(1)
t2,t1
+ · · · + ∆V
(N)
t2,t1
, ∆V
(i)
t2,t1
= V
(i)
t2
− V
(i)
t1
En termes mon´etaires :
σ2
π =
N
i=1
N
j=1
cov ∆V
(i)
t2,t1
, ∆V
(j)
t2,t1
8. Mod´elisation de
strat´egies en
finance de march´e
Alexander Surkov
Valeur `a risque
Mesures de RM
V`aR lin´eaire
Portefeuille
D´ecomposition
V`aR historique
Valeur `a risque
V`aR est une estimation des pertes actualis´ees d’un
portefeuille fixe lors d’une p´eriode pr´ed´etermin´ee telle
que de pertes plus grandes peuvent se produire avec la
probabilit´e choisie :
VaR1−α = inf {x : P {L > x} ≤ α} ,
Les param`etres :
L’horizon : 1 jour, 10 jours, 1 an
Le niveau de confiance : 1 − α = 95%, 99%, 99.97%, . . .
La V`aR est monotone mais elle n’est pas toujours
sous-additive.
9. Mod´elisation de
strat´egies en
finance de march´e
Alexander Surkov
Valeur `a risque
Mesures de RM
V`aR lin´eaire
Portefeuille
D´ecomposition
V`aR historique
V`aR99% 1 jour pour l’indice TSX
−10 −5 0 5 10
0
50
100
150
200
250
300
350
∆V , $, V0 = 100$
Nombred’observations
10. Mod´elisation de
strat´egies en
finance de march´e
Alexander Surkov
Valeur `a risque
Mesures de RM
V`aR lin´eaire
Portefeuille
D´ecomposition
V`aR historique
Non sous-additivit´e de V`aR : exemple
Pour une distribution elliptique des rendements, la V`aR
est sous-additive.
Cependant, pour le risque de cr´edit, ce n’est pas toujour
le fait.
Exemple : trois obligations A, B et C avec le notionnel
100$, PD = 0.5%, PCD = 100%. Les d´efauts sont
ind´ependants.
Pour chacune des obligations V`aR99% = ?
11. Mod´elisation de
strat´egies en
finance de march´e
Alexander Surkov
Valeur `a risque
Mesures de RM
V`aR lin´eaire
Portefeuille
D´ecomposition
V`aR historique
Non sous-additivit´e de V`aR : exemple
Pour une distribution elliptique des rendements, la V`aR
est sous-additive.
Cependant, pour le risque de cr´edit, ce n’est pas toujour
le fait.
Exemple : trois obligations A, B et C avec le notionnel
100$, PD = 0.5%, PCD = 100%. Les d´efauts sont
ind´ependants.
Pour chacune des obligations V`aR99% = ?
Pour chacune des obligations V`aR99% = 0$
Pour le portefeuille des obligations V`aR99% = ?
12. Mod´elisation de
strat´egies en
finance de march´e
Alexander Surkov
Valeur `a risque
Mesures de RM
V`aR lin´eaire
Portefeuille
D´ecomposition
V`aR historique
Non sous-additivit´e de V`aR : exemple
´Etat Probabilit´e Perte
Pas de d´efaut 0.9850749 0$
1 d´efaut 0.0148504 100$
2 d´efauts 0.0000746 200$
3 d´efauts 0.0000001 300$
V`aR99% = 100$
13. Mod´elisation de
strat´egies en
finance de march´e
Alexander Surkov
Valeur `a risque
Mesures de RM
V`aR lin´eaire
Portefeuille
D´ecomposition
V`aR historique
V`aR conditionnelle
CVaR1−α = E (L |L > VaR1−α ) = −
1
α
−VaR1−α
−∞
x fR(x) dx
CVaR (Conditional VaR), ETL (Expected Tail Loss),
ES (Expected Shortfall)
La V`aR conditionnelle est sous-additive.
Par exemple, l’indice TSX, V0 = 100$, 1 jour :
VaR99% = 3.49$, CVaR99% = 5.22$
14. Mod´elisation de
strat´egies en
finance de march´e
Alexander Surkov
Valeur `a risque
Mesures de RM
V`aR lin´eaire
Portefeuille
D´ecomposition
V`aR historique
Table de mati`ere
Valeur `a risque
Mesures du risque de march´e
V`aR lin´eaire
V`aR pour un portefeuille
D´ecomposition de V`aR
Approche historique `a l’estimation de V`aR
15. Mod´elisation de
strat´egies en
finance de march´e
Alexander Surkov
Valeur `a risque
Mesures de RM
V`aR lin´eaire
Portefeuille
D´ecomposition
V`aR historique
V`aR normale lin´eaire
L’hypoth`ese : les rendements du portefeuille sont
ind´ependants et identiquement distribu´es selon la loi
normale :
Rπ
∼ N µπ, σ2
π ,
Rπ − µπ
σπ
∼ N (0, 1)
La V`aR normale lin´eaire
VaR1−α = −σπΦ−1
(α) − µπ
Φ−1
(0.05) = −1.64, Φ−1
(0.01) = −2.33,
Φ−1
(0.0003) = −3.43
Pour l’indice TSX, V0 = 100$, 1 jour
VaR99% = −1.18$ · (−2.33) − 0.02$ = 2.73$
VaR = - nanstd(dV) * norminv(0.01) - nanmean(dV)
16. Mod´elisation de
strat´egies en
finance de march´e
Alexander Surkov
Valeur `a risque
Mesures de RM
V`aR lin´eaire
Portefeuille
D´ecomposition
V`aR historique
Loi t de Student
−4 −2 0 2 4
0
0.1
0.2
0.3
0.4
ν=1
ν=2
ν=5
ν=100
17. Mod´elisation de
strat´egies en
finance de march´e
Alexander Surkov
Valeur `a risque
Mesures de RM
V`aR lin´eaire
Portefeuille
D´ecomposition
V`aR historique
L’indice TSX : ajustement de la loi normale
−10 −5 0 5 10
0
50
100
150
200
250
300
350
∆V , $, V0 = 100$
Nombred’observations
18. Mod´elisation de
strat´egies en
finance de march´e
Alexander Surkov
Valeur `a risque
Mesures de RM
V`aR lin´eaire
Portefeuille
D´ecomposition
V`aR historique
L’indice TSX : ajustement de la loi t de Student
−10 −5 0 5 10
0
50
100
150
200
250
300
350
∆V , $, V0 = 100$
Nombred’observations
19. Mod´elisation de
strat´egies en
finance de march´e
Alexander Surkov
Valeur `a risque
Mesures de RM
V`aR lin´eaire
Portefeuille
D´ecomposition
V`aR historique
V`aR lin´eaire : la loi t de Student
Si X ∼ tν :
EX = 0, VX =
ν
ν − 2
, ν > 2
L’hypoth`ese : les rendements standardis´es du
portefeuille sont ind´ependants et identiquement
distribu´es selon la loi t de Student
Rπ − µπ
σπ
ν
ν − 2
∼ tν
La V`aR lin´eaire si les rendements suivent la loi t de
Student
VaR1−α = −σπ
ν − 2
ν
t−1
ν (α) − µπ
20. Mod´elisation de
strat´egies en
finance de march´e
Alexander Surkov
Valeur `a risque
Mesures de RM
V`aR lin´eaire
Portefeuille
D´ecomposition
V`aR historique
Exemple : V`aR lin´eaire de l’indice TSX
>> pd = fitdist(dV_TSX,’t’)
pd =
tlocationscale distribution
mu = 0.0815829
sigma = 0.664137
nu = 2.59919
>> VaR = - pd.sigma * tinv(0.01, pd.nu) - pd.mu
VaR =
3.3393
21. Mod´elisation de
strat´egies en
finance de march´e
Alexander Surkov
Valeur `a risque
Mesures de RM
V`aR lin´eaire
Portefeuille
D´ecomposition
V`aR historique
Table de mati`ere
Valeur `a risque
Mesures du risque de march´e
V`aR lin´eaire
V`aR pour un portefeuille
D´ecomposition de V`aR
Approche historique `a l’estimation de V`aR
22. Mod´elisation de
strat´egies en
finance de march´e
Alexander Surkov
Valeur `a risque
Mesures de RM
V`aR lin´eaire
Portefeuille
D´ecomposition
V`aR historique
Approximation lin´eaire pour les instrument
financi`eres (1)
G´en´eralement, la construction de pr´evisions pour la
variance du portefeuille n’est pas ´evidente.
Habituellement, l’historique des rendements pour le
portefeuille actuel n’est pas observable.
Cependant, l’historique peut ˆetre disponible pour les
facteurs de risque qui d´eterminent les prix des
instruments financi`eres d´etenus :
les prix d’actions et/ou les indices de march´e,
les taux d’int´erˆet et les spreads,
les taux d’´echange,
les volatilit´es implicites d’options. . .
23. Mod´elisation de
strat´egies en
finance de march´e
Alexander Surkov
Valeur `a risque
Mesures de RM
V`aR lin´eaire
Portefeuille
D´ecomposition
V`aR historique
Approximation lin´eaire pour les instrument
financi`eres (2)
L’approximation lin´eaire
Les variances et covariances des facteurs de risque,
Les sensibilit´es des prix des instruments financi`eres
d´etenus aux facteurs de risque ( mappages ),
La pr´evision pour la variance de rendement du
portefeuille,
La V`aR lin´eaire.
Le nombre de facteurs de risque est limit´e : mˆeme si
l’historique ´etait disponible, la matrice de covariance
pour des milliers actifs d´etenus serait ´enorme.
L’attribution de V`aR aux facteurs de risque est utile
pour la gestion de risque (hedging, stress testing).
24. Mod´elisation de
strat´egies en
finance de march´e
Alexander Surkov
Valeur `a risque
Mesures de RM
V`aR lin´eaire
Portefeuille
D´ecomposition
V`aR historique
Positions → facteurs de risque
N actifs expos´es `a m facteurs de risque
Ra
N×1
= Ω
N×m
· Rf
m×1
La matrice de covariance de rendements des actifs
Σa
N×N
≡ E (Ra
− ERa
)
N×1
(Ra
− ERa
)T
1×N
= E Ω Rf
− ERf
Ω Rf
− ERf
T
= Ω
N×m
· E Rf
− ERf
Rf
− ERf
T
m×m
· ΩT
m×N
= Ω
N×m
· Σf
m×m
· ΩT
m×N
25. Mod´elisation de
strat´egies en
finance de march´e
Alexander Surkov
Valeur `a risque
Mesures de RM
V`aR lin´eaire
Portefeuille
D´ecomposition
V`aR historique
Variance de rendement du portefeuille
Rπ
≡ ωT
1×N
· Ra
N×1
, σ2
π = ωT
1×N
· Σa
N×N
· ω
N×1
σ2
π = ωT
1×N
· Ω
N×m
· Σf
m×m
· ΩT
m×N
· ω
N×1
= ωT
Ω
1×m
· Σf
m×m
· ωT
Ω
T
m×1
26. Mod´elisation de
strat´egies en
finance de march´e
Alexander Surkov
Valeur `a risque
Mesures de RM
V`aR lin´eaire
Portefeuille
D´ecomposition
V`aR historique
Exemple : un portefeuille
50 actions de la Banque Royale du Canada,
75.85$ · 50 ≈ 3783$
50 obligations
US TREAS BD STRIPPED PRIN PMT15-Feb-2020,
92.20 · 50 · 1.2659$ ≈ 5836$
300 USD, 300 · 1.2659$ ≈ 380$
V π
0 = 9998$
27. Mod´elisation de
strat´egies en
finance de march´e
Alexander Surkov
Valeur `a risque
Mesures de RM
V`aR lin´eaire
Portefeuille
D´ecomposition
V`aR historique
Mappages : actions
Supposons que l’historique pour RBC n’est pas
disponible, mais on sait que βRBC = 0.9 par rapport `a
l’indice TSX :
∆V RBC
≈ 0.9 · V RBC
0 · RTSX
La sensibilit´e `a la variation de 1 pdb du rendement de
TSX
Ω1,1 =
0.9 · 3783
10000
≈ 0.34$
28. Mod´elisation de
strat´egies en
finance de march´e
Alexander Surkov
Valeur `a risque
Mesures de RM
V`aR lin´eaire
Portefeuille
D´ecomposition
V`aR historique
Mappages : obligations
Obligations gouvernementales des ´Etats-Unis,
T = 5.2 ans
∆V TB
≈ −
V TB · T
1 + y
∆y +
V TB
ExUSD/CAD
∆ExUSD/CAD
La sensibilit´e `a la variation de 1 pdb du taux d’int´erˆet
5 ans
Ω2,2 = −
5836 · 5.2
(1 + 0.0157) · 10000
≈ −2.99$
La sensibilit´e `a la variation de 1 pdb du taux de change
Ω2,3 =
5836
1.2659 · 10000
≈ 0.46$
29. Mod´elisation de
strat´egies en
finance de march´e
Alexander Surkov
Valeur `a risque
Mesures de RM
V`aR lin´eaire
Portefeuille
D´ecomposition
V`aR historique
Mappages : devises
USD
∆V USD
=
V USD
ExUSD/CAD
∆ExUSD/CAD
La sensibilit´e `a la variation de 1 pdb du taux de change
Ω2,3 =
300
10000
= 0.03$
31. Mod´elisation de
strat´egies en
finance de march´e
Alexander Surkov
Valeur `a risque
Mesures de RM
V`aR lin´eaire
Portefeuille
D´ecomposition
V`aR historique
Table de mati`ere
Valeur `a risque
Mesures du risque de march´e
V`aR lin´eaire
V`aR pour un portefeuille
D´ecomposition de V`aR
Approche historique `a l’estimation de V`aR
32. Mod´elisation de
strat´egies en
finance de march´e
Alexander Surkov
Valeur `a risque
Mesures de RM
V`aR lin´eaire
Portefeuille
D´ecomposition
V`aR historique
V`aR par facteur de risque
La V`aR par facteur de risque est calcul´ee en mettant
nul au lieu de toutes autres sensibilit´es.
Exemple :
VaRTSX
99% = 94$, VaRt5a
99% = 43$, VaRUSD
99% = 91$
Omega = [beta*V_RBC/10000 0 0; 0 0 0; 0 0 0];
%Omega = [0 0 0; 0 -T*V_TB/(1+y)/10000 0; 0 0 0];
%Omega = [0 0 0; 0 0 V_TB/USDCAD/10000; ...
% 0 0 V_USD/USDCAD/10000];
sigma = sqrt(sum(sum(Omega*Sigma_f*(Omega’))));
VaR_f = -norminv(0.01)*sigma;
33. Mod´elisation de
strat´egies en
finance de march´e
Alexander Surkov
Valeur `a risque
Mesures de RM
V`aR lin´eaire
Portefeuille
D´ecomposition
V`aR historique
V`aR marginale (1)
La V`aR marginale pour la position i
MVaR(i)
=
∂VaR
∂V (i)
V (i)
, VaRπ
≈
N
i=1
∂VaR
∂V (i)
V (i)
Exemple :
MVaRRBC
99% = 43$, MVaRTB
99% = 62$, MVaRUSD
99% = 3$
La V`aR marginale peut ˆetre n´egative.
La V`aR incr´ementale (IVaR) est la variation de la V`aR
suite `a un certain changement dans la position.
35. Mod´elisation de
strat´egies en
finance de march´e
Alexander Surkov
Valeur `a risque
Mesures de RM
V`aR lin´eaire
Portefeuille
D´ecomposition
V`aR historique
Table de mati`ere
Valeur `a risque
Mesures du risque de march´e
V`aR lin´eaire
V`aR pour un portefeuille
D´ecomposition de V`aR
Approche historique `a l’estimation de V`aR
36. Mod´elisation de
strat´egies en
finance de march´e
Alexander Surkov
Valeur `a risque
Mesures de RM
V`aR lin´eaire
Portefeuille
D´ecomposition
V`aR historique
Approche historique `a l’estimation de V`aR
La V`aR historique est un quantile de la distribution
empirique des pertes actualis´ees.
La s´erie de rendements historiques pour le portefeuille
est construite en utilisant
les positions du portefeuille actuel et les rendements
historiques des actifs d´etenus, si disponibles,
les mappages permettant une r´e´evaluation
compl`ete et l’historique des facteurs de risque.
Le mod`ele n’est donc pas lin´eaire.
Aucun matrice de covariance n’est estim´ee.
37. Mod´elisation de
strat´egies en
finance de march´e
Alexander Surkov
Valeur `a risque
Mesures de RM
V`aR lin´eaire
Portefeuille
D´ecomposition
V`aR historique
Exemple : V`aR historique pour l’indice TSX
>> alpha = 0.01;
>> VaR = - quantile( rts, alpha )
VaR =
3.4496
38. Mod´elisation de
strat´egies en
finance de march´e
Alexander Surkov
Valeur `a risque
Mesures de RM
V`aR lin´eaire
Portefeuille
D´ecomposition
V`aR historique
Exemple : V`aR historique pour l’indice TSX
−10 −5 0 5 10
0
50
100
150
200
250
300
350
∆V , $, V0 = 100$
Nombred’observations
39. Mod´elisation de
strat´egies en
finance de march´e
Alexander Surkov
Valeur `a risque
Mesures de RM
V`aR lin´eaire
Portefeuille
D´ecomposition
V`aR historique
Exemple : un portefeuille
50 actions de la Banque Royale du Canada,
75.85$ · 50 ≈ 3783$
50 obligations
US TREAS BD STRIPPED PRIN PMT15-Feb-2020,
92.20 · 50 · 1.2659$ ≈ 5836$
300 USD, 300 · 1.2659$ ≈ 380$
V π
0 = 9998$
Il faut appliquer les chocs historiques (relatifs ou
absolus) aux valeurs actuels des facteurs de risque
40. Mod´elisation de
strat´egies en
finance de march´e
Alexander Surkov
Valeur `a risque
Mesures de RM
V`aR lin´eaire
Portefeuille
D´ecomposition
V`aR historique
Exemple : V`aR historique pour un portefeuille
>> vrbc = rbc * 50;
>> vtb = 50*100 * usdcad ./(1 + y5y / 100 ).^T;
>> vusd = 300 * usdcad;
>> prtf = vrbc + vtb + vusd;
>> dV = prtf - V0;
>> VaR = - quantile( dV, 0.01 )
VaR =
154.5170
41. Mod´elisation de
strat´egies en
finance de march´e
Alexander Surkov
Valeur `a risque
Mesures de RM
V`aR lin´eaire
Portefeuille
D´ecomposition
V`aR historique
Pr´ecision de la V`aR historique
Pr´ecision de l’estimation de quantile peut ˆetre calcul´ee
en utilisant la m´ethode bootstrap.
Pour 10 ans d’observation quotidiennes de l’indice TSX
>> VaR =@(x)-quantile(x, alpha);
>> CI = bootci(2000, {VaR, rts}, ’alpha’, 0.05)
CI =
3.1989
4.0353
42. Mod´elisation de
strat´egies en
finance de march´e
Alexander Surkov
Valeur `a risque
Mesures de RM
V`aR lin´eaire
Portefeuille
D´ecomposition
V`aR historique
L’intervalle de confiance pour la V`aR historique
2.5 3 3.5 4 4.5 5
0
50
100
150
200
250
300
VaR, $, V0 = 100$
Nombred’observations
43. Mod´elisation de
strat´egies en
finance de march´e
Alexander Surkov
Valeur `a risque
Mesures de RM
V`aR lin´eaire
Portefeuille
D´ecomposition
V`aR historique
Difficult´es
La queue de distribution doit contenir assez
d’observations pour atteindre la pr´ecision requise.
L’historique de plusieurs ann´ees de donn´ees
quotidiennes est donc utilis´e.
Des changements structurels peuvent poser des
probl`emes.
La r`egle de racine carr´ee du temps ne fonctionne pas.
Sous l’hypoth`ese d’une distribution stable
VaR1−α,T = T1/ξ
VaR1−α,1
Les exposants d’´echelle sont diff´erents pour diff´erents
classes d’actifs et facteurs de risque.
Une certaine approche est donc n´ecessaire pour
recalculer la V`aR `a un autre horizon.
44. Mod´elisation de
strat´egies en
finance de march´e
Alexander Surkov
Valeur `a risque
Mesures de RM
V`aR lin´eaire
Portefeuille
D´ecomposition
V`aR historique
Exemple : S&P 500, 1950–2015
10
0
10
1
10
2
10
−3
10
−2
10
−1
10
0
T, jours
−Quantileα
α = 0.001, ξ = 2.20
α = 0.010, ξ = 1.76
α = 0.050, ξ = 2.09
α = 0.100, ξ = 2.31
45. Mod´elisation de
strat´egies en
finance de march´e
Alexander Surkov
Valeur `a risque
Mesures de RM
V`aR lin´eaire
Portefeuille
D´ecomposition
V`aR historique
Exemple : 3M TB yield, 1960–2015
10
0
10
1
10
2
10
−2
10
−1
10
0
10
1
T, jours
−Quantileα
α = 0.001, ξ = 1.57
α = 0.010, ξ = 1.58
α = 0.050, ξ = 1.60
α = 0.100, ξ = 1.44
46. Mod´elisation de
strat´egies en
finance de march´e
Alexander Surkov
Valeur `a risque
Mesures de RM
V`aR lin´eaire
Portefeuille
D´ecomposition
V`aR historique
Exemple : VIX, 1990–2015
10
0
10
1
10
2
10
−2
10
−1
10
0
T, jours
−Quantileα
α = 0.001, ξ = 3.63
α = 0.010, ξ = 3.02
α = 0.050, ξ = 2.85
α = 0.100, ξ = 2.79
47. Mod´elisation de
strat´egies en
finance de march´e
Alexander Surkov
Valeur `a risque
Mesures de RM
V`aR lin´eaire
Portefeuille
D´ecomposition
V`aR historique
L’effet de l’exposant d’´echelle
La diff´erence entre T1/ξ et T1/2 par rapport `a T1/2 :
T
ξ
1.5 1.8 2.1 2.4 2.7 3.0
2, j 12% 4% −2% −6% −9% −11%
10 47 14 −5 −17 −26 −32
60 98 26 −9 −29 −41 −49
252 151 36 −12 −37 −51 −60
48. Mod´elisation de
strat´egies en
finance de march´e
Alexander Surkov
Valeur `a risque
Mesures de RM
V`aR lin´eaire
Portefeuille
D´ecomposition
V`aR historique
L’exposant d’´echelle en Matlab
T = 1:100;
for i = 1:length(T)
P1 = P( 1:T(i):end ); % P contient les prix
r = log( P1( 2:end ) ./ P1( 1:(end-1) );
q(i, :) = - quantile( r, alpha );
end
for i = 1:length(alpha)
lm = fitlm( log( q(:,i) ), log(T) );
xi(i) = lm.Coefficients.Estimate(2);
end
49. Mod´elisation de
strat´egies en
finance de march´e
Alexander Surkov
Valeur `a risque
Mesures de RM
V`aR lin´eaire
Portefeuille
D´ecomposition
V`aR historique
Mod`eles avec pond´eration
La pr´ecision de la V`aR historique est d´etermin´ee par le
nombre d’observations dans la queue ⇒ l’historique est
long.
Dans la m´ethode simple, des observations anciennes
font la mˆeme contribution que celles plus r´ecentes.
Dans le mod`ele lin´eaire, la matrice de covariances peut
ˆetre estim´ee en utilisant l’approche EWMA.
M´ethodes de pond´eration pour la V`aR historique :
pond´eration exponentielle des probabilit´es,
ajustement des volatilit´es.
50. Mod´elisation de
strat´egies en
finance de march´e
Alexander Surkov
Valeur `a risque
Mesures de RM
V`aR lin´eaire
Portefeuille
D´ecomposition
V`aR historique
Pond´eration exponentielle des probabilit´es
Assigner les probabilit´es aux rendements observ´es :
pt−1 = 1 − λ, pt−2 = (1 − λ) · λ, pt−3 = (1 − λ) · λ2
, . . .
Trier les rendements dans l’ordre croissant
Calculer la probabilit´e cumulative jusqu’`a l’atteint de α
−VaR1−α est entre les dernier et avant-dernier
rendements inclus (multiplier par la valeur du
portefeuille si en termes mon´etaires).
Exemple : V`aR99% 1 jour pour l’indice TSX en utilisant
10 ans d’observations (V0 = 100$)
VaRλ=0.99
99% = 2.42$, VaRλ=0.995
99% = 2.28$
51. Mod´elisation de
strat´egies en
finance de march´e
Alexander Surkov
Valeur `a risque
Mesures de RM
V`aR lin´eaire
Portefeuille
D´ecomposition
V`aR historique
V`aR99% 1 jour pour l’indice TSX
−10 −5 0 5 10
0
0.2
0.4
0.6
0.8
1
∆V , $, V0 = 100$
Prob.cumul.
1/N
λ = 0.99
λ = 0.995
52. Mod´elisation de
strat´egies en
finance de march´e
Alexander Surkov
Valeur `a risque
Mesures de RM
V`aR lin´eaire
Portefeuille
D´ecomposition
V`aR historique
La pond´eration des probabilit´es en Matlab
N = length( rts );
prb = ( 1 - lambda ) * lambda .^ ( (N-1):(-1):0 );
[rts, ind] = sort( rts );
prb = cumsum( prb( ind ) );
[~, idx] = max( prb>alpha );
p2 = prb( idx );
p1 = prb( idx - 1 );
VaR = -( rts(idx) * ( alpha - p1 ) + ...
rts(idx-1) * ( p2 - alpha ) ) / ( p2-p1 );
53. Mod´elisation de
strat´egies en
finance de march´e
Alexander Surkov
Valeur `a risque
Mesures de RM
V`aR lin´eaire
Portefeuille
D´ecomposition
V`aR historique
Ajustement des volatilit´es
L’id´ee est de pond´erer les rendements historiques pour
que leur volatilit´e soit ´egale `a la volatilit´e actuelle.
Obtenir les s´eries de volatilit´es en utilisant le mod`ele de
GARCH (EWMA est aussi parfois utilis´e)
Ajuster les rendements :
˜rt =
ˆσT
ˆσt
rt
Estimer la V`aR
Exemple : V`aR99% 1 jour pour l’indice TSX en utilisant
10 ans d’observations est ´egale `a 2.04$ (V0 = 100$).
54. Mod´elisation de
strat´egies en
finance de march´e
Alexander Surkov
Valeur `a risque
Mesures de RM
V`aR lin´eaire
Portefeuille
D´ecomposition
V`aR historique
L’ajustement des volatilit´es en Matlab
Mdl = arima( ’ARLags’, [1 2], ...
’Variance’, garch(1,1) );
eMdl = estimate(Mdl, rts);
[res, V] = infer(eMdl, rts);
autocorr(res.^2);
parcorr(res.^2);
55. Mod´elisation de
strat´egies en
finance de march´e
Alexander Surkov
Valeur `a risque
Mesures de RM
V`aR lin´eaire
Portefeuille
D´ecomposition
V`aR historique
L’effet ARCH pour les rendements TSX
0 10 20
0
0.5
1
ACF
0 10 20
0
0.5
1
PACF
0 10 20
0
0.5
1
0 10 20
0
0.5
1
56. Mod´elisation de
strat´egies en
finance de march´e
Alexander Surkov
Valeur `a risque
Mesures de RM
V`aR lin´eaire
Portefeuille
D´ecomposition
V`aR historique
L’ajustement des volatilit´es en Matlab
Mdl = arima( ’ARLags’, [1 2], ...
’Variance’, garch(1,1) );
eMdl = estimate(Mdl, rts);
[res, V] = infer(eMdl, rts);
autocorr(res.^2);
parcorr(res.^2);
rts_n = rts ./ sqrt(V) * sqrt( V(end) );
VaR = -quantile( rts_n, alpha );
57. Mod´elisation de
strat´egies en
finance de march´e
Alexander Surkov
Valeur `a risque
Mesures de RM
V`aR lin´eaire
Portefeuille
D´ecomposition
V`aR historique
Exemple : rendements TSX ajust´es
05 06 07 08 09 10 11 12 13 14 15 16
−10
0
10
05 06 07 08 09 10 11 12 13 14 15 16
−5
0
5
Date