Beruflich Dokumente
Kultur Dokumente
GESTION
*
*
Docteur s Sciences conomiques, Thierry RONCALLI est responsable Risk Analytics du Groupe de Recherche Oprationnelle du Crdit
Agricole S.A. et professeur associ dconomie lUniversit dvry. Il
a t auparavant Research Fellow au Financial Econometric Research
Centre de la City University Business School et membre du Laboratoire
dAnalyse et de Recherche conomique de lUniversit de Bordeaux.
Auteur de nombreux articles de finance et dconomie, il a aussi crit
deux livres sur le langage de programmation GAUSS et dvelopp la
bibliothque numrique TSM de sries temporelles et dondelettes.
9:HSMHLH=]Y]^VZ:
ISBN 2-7178-4891-6
35 5
Thierry RONCALLI
3654
1486
5461
1654
8641
6589
4564
+685
9865
4165
789+
6+56
4654
+659/
8*/96
+615
4894
8651
3216
5749
8421
4654
8974
8954
6574
8957
4896
5418
9541
6574
8954
1654
1854
1985
7416
5418
9574
1748
5 7 4566
8754
+ 9 1486
5461
1654
8641
6589
4564
+685
9865
4165
789+
6+56
4654
+659/
-
354698467
@5454454
4@465454
121245648
945546541
546541531
215341153
145545++32154+9
48784*631
@//=98744
9+7444565
445445454
654546545
465475477
8=5@65+6
52+656454
458544461
354698467
345775644
74844845
94316144
61739874
3724@73
12938549
1112374
423977
1@1*9
+2431
7134
451
564
04
3
2
1
748965
148654
611654
864165
894564
+6859
865416
5789+
6+564
654+6
5 9 / 8*/96+
615489
486513
216574
984214
654897
489546
574895
748965
418954
165748
954165
418541
985741
654189
574174
857456687
54+9*631@
//=987
49+74
445654
454454
546545
465454
654754
778=5
@65+6
52+65
645445
854446
135469
84673
44845
6144
9874
@73
489
74
87
9
1
G ESTION
La Gestion
des Risques
Financiers
Thierry RONCALLI
Prface de Antoine FRACHOT
ECONOMICA
PREFACE
Preface
haute valeur ajoutee. En gestion des risques, cela signifie tr`es concr`etement
de developper des outils statistiques daide `a la decision (score, syst`eme
expert) ou des indicateurs de risque synthetiques, accroissant encore la
sophistication.
Le risque de marche
69
Pn
avec
j =
erente et
i=1 xi,j / n. Dans RiskMetrics, lestimation est diff
utilise une approche moyenne mobile pour ponderer les observations :
j ,j =
1 2
n
X
i xi,j1
j1 xi,j2
j2
i=1
2.4.
La gestion du risque des produits exotiques est beaucoup plus complexe que celle des produits lineaires (Rebonato, 2001 ; Derman, 2001).
Considerons le cas simple dun portefeuille contenant une action S (t)
et une option dachat C (t) sur cette action. La valeur du portefeuille
` linstant t + 1, nous avons
`a linstant t est P (t) = S (t) + C (t). A
P (t + 1) = S (t + 1) + C (t + 1). Nous en deduisons la valeur du PnL :
PnL
= P (t + 1) P (t)
= (S (t + 1) S (t)) + (C (t + 1) C (t))
70
2.4.1.
Les facteurs de risque sont souvent explicites pour les produits lineaires,
ce qui nest pas le cas pour les produits exotiques. Considerons une option
europeenne dachat dune action de maturite T et de prix dexercice ou
strike K. Dans le mod`ele de Black et Scholes, leprix de loption
est
egal
S
`a C = S (d1 ) KerT (d2 ) avec d1 = 1 T ln K
+ rT + 12 T et
d2 = d1 T . Etant
donne une valeur de volatilite , la formule de
Black et Scholes permet de donner un prix `a loption puisque tous les
autres param`etres sont objectifs. Dans la pratique, elle est utilisee pour
calculer la volatilite etant donne le prix de loption. On observe alors que
la volatilite nest pas constante en fonction du strike, cest le phenom`ene
de volatility smile ou volatility skew. De plus, meme pour un strike donne,
la volatilite nest pas constante en fonction de la maturite T . On obtient
donc une nappe de volatilite (T, K). Ces volatilites calculees (`a partir
des options standards ou produits vanilles) sont designees sous le terme
de volatilites implicites. Elles vont servir `a calculer les prix de produits
exotiques. Nous venons didentifier un second facteur de risque.
Plus generalement, les produits exotiques sont evalues avec un mod`ele
et un certain nombre dinputs. Lanalyse du pricer (produit + mod`ele +
inputs) permet de definir les facteurs de risque. Par exemple, pour les produits equity, ce sont principalement les nappes de volatilite et les prix des
sous-jacents. Il serait cependant simpliste dassimiler les facteurs de risque
Le risque de marche
71
S (S (t + 1) S (t)) + C (C (t + 1) C (t))
S rS S (t) + C rS S (t)
72
Remarque 18. On appelle portefeuille delta neutre le portefeuille insensible aux variations du 1er ordre du sous-jacent, cest-`
a-dire S rS S (t) +
C rS S (t) = 0 ou encore :
S = C
Nous considerons maintenant quil y a deux facteurs de risque : le rendement du sous-jacent et la volatilite. Nous avons C (t) = f (S (t) , (t))
do`
u:
PnL = S rS S (t) + C (f ((1 + rS ) S (t) , (t + 1)) C (t))
Pour choquer la volatilite, nous pouvons considerer que (t + 1) = (1 + r )
(t). Nous obtenons pour la valeur en risque historique un montant de
57,02 euros. Avec la prise en compte de ce second facteur, la VaR augmente de 1,24 euro soit 2,2%.
Remarque 19. La mise en place dune VaR degradee nest pas plus difficile que precedemment, il suffit de prendre en compte le risque de vega
en plus du risque de delta.
2.4.3.
Le backtesting
Lorsquon utilise un mod`ele pour calculer des prix, on parle de valorisation mark-to-model, alors que la valorisation est dite mark-to-market lors-
Le risque de marche
73
quon utilise des prix de marche. Pour les portefeuilles lineaires, les PnLs
simules pour calculer la valeur en risque correspondent `a la difference entre
la valeur mark-to-model du portefeuille en t+1 et la valeur mark-to-market
du portefeuille en t :
PnLsimule =
P (t + 1)
P (t)
z
}|
{ z
}|
{
mark-to-model mark-to-market
En t + 1, le PnL effectivement realise est la difference entre deux markto-market :
PnLconstate =
P (t + 1)
P (t)
z
}|
{ z
}|
{
mark-to-market mark-to-market
Pour certains produits exotiques, on na pas forcement de prix de marche.
On peut donc avoir des portefeuilles qui sont valorises en mark-to-model
et non en mark-to-market. Cela implique que les PnLs simules pour la
VaR sont calcules comme la difference de deux mark-to-model :
P (t)
P (t + 1)
}|
{ z
}|
{
z
mark-to-model mark-to-model
tout comme le PnL effectivement realise
PnLsimule =
PnLconstate =
P (t + 1)
P (t)
z
}|
{ z
}|
{
mark-to-model mark-to-model
74
<
>
11 D. Kurtz et G. Riboulet,
Laudit des pricers : une
etude du risque de mod`
ele ,
Document interne, Cr
edit Lyonnais, 2002.
Le risque de marche
75
le prix de transaction et le prix mark-to-model. Pour figer ces marges commerciales, il convient donc de gerer le produit, cest-`a-dire de mettre en
place une couverture. Le risque de gestion est justement le risque dune
mauvaise couverture. Idealement, le risque de mod`ele ne doit pas seulement sinteresser au produit exotique, mais bien `a lensemble produit et
portefeuille de couverture.
Remarque 20. Les scenarios de stress ont une grande importance dans
la gestion des produits exotiques et compl`etent les gestions en VaR et en
sensibilites. Ils sont par exemple utilises pour mesurer le risque lie `
a un
param`etre de mod`ele qui nest pas observable (ou qui ne peut etre calibre `
a
partir de donnees de marche). Ils peuvent aussi servir `
a definir des limites
de trading.
Remarque 21. Il y a un debat sur le risque de mod`ele que certains assimilent `
a un risque operationnel. Nous pensons que cest une erreur, et
que le risque de mod`ele est un risque de marche, car une mauvaise valorisation (par un mod`ele ou par le marche) est intrins`equement un risque
de marche. Lorsque le choix dun mod`ele mathematique nest pas evident,
cest souvent parce que le produit est difficile `
a valoriser et donc que le
risque commercial est important. Cest pourquoi les marges commerciales
sont generalement plus importantes que pour dautres produits et int`egrent
implicitement ce risque supplementaire de valorisation.
3.
premi`
ere partie de cette section sinspire des travaux r
ealis
es par Arnaud Costinot lors de son stage au Groupe de Recherche Op
erationnelle du Cr
edit Lyonnais.
A. Costinot, La construction dun programme de simulation de crise, Rapport de stage,
Groupe de Recherche Op
erationnelle, Cr
edit Lyonnais, 2000.
13 Une
etude men
ee par Tucker et Lawrence sur le risk management aupr`
es de 679
institutions de 25 pays montre que 93% des risk managers consid`
erent quune mesure
VaR est insuffisante comme mesure de risque.
T. Tucker et A. Lawrence, Chain Reaction , FOW, November 1998, p. 25-28.
<
>
Le risque de marche
85
Reprenons lhypoth`ese H1. Soit la serie historique des rendements journaliers {rj , j = 1, . . . , T }. Les estimateurs
=
classiques de et sont
qP
.
PT
T
2
)
T . En fait, ces estimateurs sont
T et
=
j=1 (rj
j=1 rj
` partir de la serie historique prececeux du maximum de vraisemblance. A
dente, nous pouvons creer la serie historique {rj , j = 1, . . . , T / n} des
maxima rn:n (t). La log-vraisemblance individuelle du j-i`eme maximum
86
est egale `a :
` (rj ; , )
= ln fn:n (rj )
= ln n + (n 1) ln F (rj ) + ln f (rj )
rj
1
= ln n + (n 1) ln
ln 2 ln
2
1 rj
2
Si la distribution est vraiment gaussienne, alors les deux estimations donnent sensiblement les memes resultats. De meme, nous pourrions considerer
toute autre statistique dordre. Soit la serie historique {rj , j = 1, . . . , T / n}
de la i-i`eme statistique dordre rn:n (t). Nous avons :
` (rj ; , ) = ln fi:n (rj )
= ln n! ln (i 1)! ln (n i)! +
rj
rj
(i 1) ln
+ (n i) ln
"
#
2
1
1 1 rj
ln (2) + ln 2 +
2
2
2
En reprenant les donnees de lindice CAC 40, nous estimons les param`etres
et pour differentes valeurs de i (ordre de la statistique) et de n (horizon). Les valeurs sont donnees dans les tableaux 8 et 9. Pour i et n egal
`a 1, nous obtenons les estimations classiques du maximum de vraisemblance. Nous remarquons que les valeurs prises par sont generalement
plus elevees pour les statistiques dordre extreme que pour les statistiques
dordre median.
Tableau 8. Estimation ML de (en pb) `
a partir des statistiques
dordre (distribution gaussienne)
n/i
1
2
3
4
5
6
7
8
9
10
1
8
21
37
60
78
97
121
116
154
153
10
11
5
6
10
17
26
60
35
82
33
4
6
5
3
11
13
19
58
0
4
5
4
8
6
80
4
3
3
4
5
104
5
2
2
4
132
18
4
3
145
25
6
166
47
185
Le risque de marche
87
1
154
149
162
178
188
198
212
204
231
224
10
161
116
112
125
132
141
182
145
196
180
115
112
110
112
122
121
131
198
122
111
108
104
114
115
212
128
113
108
106
110
228
131
117
111
108
243
146
124
109
248
151
130
260
175
269
1
102
102
101
105
102
103
107
102
104
100
10
105
103
100
102
103
108
111
110
117
106
103
102
100
100
107
106
112
109
105
102
099
095
104
104
108
107
103
099
099
102
111
109
104
102
100
111
111
110
099
111
115
111
109
111
107
88
1
64
63
56
53
46
43
42
36
32
28
10
65
70
68
63
59
59
54
52
50
60
70
72
70
66
69
65
63
56
66
71
70
67
72
69
52
66
70
71
72
74
48
62
68
70
71
44
58
68
65
40
58
63
36
49
32
Le risque de marche
89
3.5.3.
La theorie asymptotique
La theorie asymptotique des valeurs extremes consiste `a etudier le comportement des statistiques dordre extreme lorsque la taille de lechantillon
tend vers linfini. Nous verrons que ce comportement est original et que
la distribution de ces statistiques dordre converge vers une distribution
relativement simple. Nous montrerons ensuite comment estimer cette distribution asymptotique et comme lutiliser pour construire des scenarios
de crise.
Le theor`eme de Fisher-Tippet
Ce theor`eme permet de caracteriser la loi de distribution asymptotique
des valeurs extremes18 .
Th
eor`
eme 1. Soient n variables aleatoires X1 , . . . , Xn independantes et
de meme loi de distribution F. Sil existe des constantes an et bn et une
distribution limite non degeneree G telles que :
lim Pr
Xn:n bn
x
an
= G (x)
x R
(1.1)
18 P. Embrechts, C. Kl
uppelberg et T. Mikosch, Modelling Extremal Events for Insurance and Finance, Springer, 1997.
146
avec :
2
EC2 pC (1 pC ) (pC $C [X])
c =
2
E ?2 p? (1 p? ) (p? $? [X])
2
EC2 pC (1 pC ) (pC $C [X]) + pC 2 [LGDC ]
c =
2
E ?2 p? (1 p? ) (p? $? [X]) + p? 2 [LGD? ]
En reprenant les hypoth`eses du Comite de Bale, nous avons :
2
[X]
2
(pi $i [X]) =
Fi
( (X; ) 1)
et :
1p
Ei (1 Ei )
2
Puisque X (0,25; 4), (X; 99,5%) et [X] prennent les valeurs respectives 12,007243 et 2, et nous obtenons :
[LGDi ] =
c = ?2 ?
E
p (1 p? ) 0,033 F ?2 + 0,25 p? E ? (1 E ? )
P
avec FC = PC pC et F ? = C sC FC .
3.3.4.
Nous revenons sur la granularite qui est une notion souvent mal comprise. Lexemple le plus frappant est le nombre de personnes qui pensent `a
tort que le mod`ele Bale II utilise un taux de recouvrement non aleatoire.
Considerons tout dabord un portefeuille compose dune seule creance.
Lexpression de la perte etant L = EAD LGD 1 { < T }, la valeur en
risque de ce portefeuille (ou de cette creance) au seuil de confiance est
alors :
1
si 1 PD
EAD G1 +PD
PD
VaR =
0
sinon
o`
u G est la fonction de distribution de LGD. Nous notons RC la contribution en risque de la creance dans un portefeuille infiniment granulaire.
Le risque de credit
147
148
Le risque de credit
149
4.
150
PD = 10%, = 20%
PD = 10%, = 10%
PD = 1%, = 20%
4.1.
LGD
\N
90%
99%
99,9%
90%
99%
99,9%
90%
99%
99,9%
50
2,7
6,7
6,5
12
13
12
60
33
9,9
50%
100 500
2,7
0,9
1,6
0,1
2,8
0,2
6,8
1,2
6,2
1,2
6,9
1,0
20
4,0
20
1,0
9,9
0,3
50
8,5
10
11
14
20
21
45
35
25
uniforme
100
500
4,5
1,4
4,3 0,1
3,8
0,2
7,4
1,9
9,5
1,5
9,6
1,3
24
5,6
19
2,4
15 0,7
Pour calibrer les methodes de calcul, le Comite de Bale fait des analyses
dimpact quantitatif (Quantitative Impact Study ou QIS) avec laide de
lindustrie bancaire20 . Un QIS se presente sous la forme dun classeur
Excel que la banque remplit. Par exemple, on peut demander `a la banque
de calculer ses actifs ponderes du risque avec la methode actuelle (celle du
ratio Cooke), avec la methode SA du ratio McDonough et avec la methode
IRB. La reponse aux QIS se fait sur la base du volontariat et les donnees
sont traitees confidentiellement par le Comite de Bale. De plus, la banque
nest pas obligee de repondre `a toutes les questions. Par exemple, une
banque peu avancee sur le risque de credit peut neanmoins repondre aux
QIS en remplissant uniquement la partie consacree `a la methode standard.
Le premier QIS date de lannee 2000. Cest un QIS tr`es partiel qui a
aide le Comite de Bale `a calibrer le deuxi`eme document consultatif ou
CP2. En avril 2001, le Comite de Bale lance QIS 2. Les resultats sont publies le 5 novembre 2001. 138 banques de 25 pays differents ont repondu
`a QIS 2. Parmi celles-ci, 127 banques ont fourni des calculs complets
pour lapproche SA et 55 dentre elles ont calcule les actifs ponderes du
risque avec lapproche IRB simple. Pour lapproche IRB avancee, seules 22
banques ont mene les calculs de facon compl`ete. Le tableau 13 presente les
resultats concernant les variations de charge en capital au titre du risque
de credit par rapport `a la methode Cooke. Le Comite de Bale distingue
deux groupes : le groupe 1 est constitue de grandes banques internatio20 Basel Committee on Banking Supervision, Results of the Second Quantitative Impact Study, November 2001.
Basel Committee on Banking Supervision, Results of Quantitative Impact Study 2.5,
June 2002.
Basel Committee on Banking Supervision, Quantitative Impact Study 3 Overview of
Global Results, May 2003.
182
3.5.
Analyse de sc
enarios
Pr {d1 > t} =
Pr Ti > t; 1 < x, . . . , i1 < x; i x
i1
i1
(1 F (x))
i1
(1 F (x)) F (x)
i1
i1
= (1 F (x))
= et
=e
k!
et
k=0
k X
(t)
k!
et
k=0
k
X
(t)
i1
X
(t)
k!
F (x)
i=k
F (x)
k=0
(1F(x))t
Le risque operationnel
183
X
w j dj
,
,
= arg min
j=1
1
(1 F (xj ; , ))
2,5
1
1
4
5
3
7,5
6
10
10
20
40
= 654,
En utilisant une ponderation optimale, nous obtenons
= 8,60 et
= 2,08. On peut comparer directement ces estimations avec celles provenant des donnees. De plus, on peut calibrer les param`etres en maximisant
un crit`ere obtenu comme une combinaison du maximum de vraisemblance
et des restrictions precedentes :
max (1 $) `n (, ) $
(,)
p
X
wj
j=1
1
dj
(1 F (xj ; , ))
o`
u $ est le poids que lon veut donner aux dires dexperts.
Remarque 44. Nous pouvons montrer que les poids optimaux wj correspondent `
a linverse de la variance de dj . Nous avons donc :
wj =
1
2
= 2 (1 F (xj ; , ))
var (dj )
Pour resoudre
le programme
quadratique, nous procedons par iterations.
Notons iter ,
iter ,
iter la solution du programme doptimisation :
X
iter ,
iter ,
iter = arg min
wj dj
j=1
1
(1 F (xj ; , ))
184
2
iter1 1 F xj ;
iter1 ,
iter1
. Sous certaines condi
iter ,
tions, les estimations
iter ,
iter convergent vers la solution. Notons que nous pouvons simplifier le programme doptimisation en remarquant que wj = 1/ var (dj ) = 1/E2 [dj ] ' 1/d2j .
o`
u wj =
Conclusion
La gestion du risque operationnel est tr`es recente dans les banques et son
developpement est fortement lie `a la reforme du ratio international de solvabilite. Dans ce chapitre, nous avons principalement aborde le probl`eme
de la mesure des fonds propres (Pilier I). Il ne faut cependant pas oublier
que le principal enjeu du risque operationnel est la matrise du co
ut du
risque, qui est plus du domaine des unites commerciales.
La valeur en risque permet de calculer lexigence de fonds propres, qui
apparat dans le bilan de la banque. La perte recurrente ou le co
ut du
risque (qui correspond `a lexpected loss) affecte directement les resultats
annuels, donc le compte de resultat. Le co
ut du risque operationnel est
loin detre negligeable, et peut representer une proportion significative
du PNB pour certaines activites. La gestion du co
ut du risque cherche
`a identifier les zones les plus sensibles par le biais du suivi des pertes,
mais aussi par le biais des differentes cartographies. Cela permet davoir
une cotation du risque, pour benchmarker les differentes unites et gerer
le risque recurrent (cest-`a-dire le facturer ou le provisionner ou encore le
reduire).
224
Th
eor`
eme 8. La distribution de la copule Normale bivariee est :
!
Z u1 1
(u2 ) 1 (u)
p
C (u1 , u2 ; ) =
du
1 2
0
Preuve. Soient X = (X1 , X2 ) un vecteur aleatoire gaussien standard
dont la correlation est et X3 une variable gaussienne independante de
X1 et X2 . Nous avons :
(x1 , x2 ; ) =
Pr {X1 x1 , X2 x2 }
h n
oi
p
= E Pr X1 x1 , X1 + 1 2 X3 x2 | X1
!
Z x1
x2 x
=
p
(x) dx
1 2
(x) dx
1 2
!
Z u1 1
(u2 ) 1 (u)
p
=
du
1 2
0
La copule Normale se rev`ele tr`es maniable pour les calculs (un peu
comme la distribution normale multivariee). Par exemple, nous pouvons
calculer explicitement le tau de Kendall = 2 arcsin et le rho de Spearman % = 6 arcsin 2 . La distribution conditionnelle C2|1 (u1 , u2 ) est :
C2|1 (u1 , u2 ) =
=
1 C (u1 , u2 )
!
1 (u2 ) 1 (u1 )
p
1 2
1
Pr X2 F1
2 (u2 ) | X1 = F1 (u1 ) =
1
avec x1 = F1
egression quantile de X2 sur X1
1 (u1 ) et x2 = F2 (u2 ). La r
revient donc `a resoudre le probl`eme suivant Pr {U2 u2 | U1 = u1 } =
ou encore 1 C (u1 , u2 ) = . Si nous notons u2 = q? (u1 ; ) la solu?
tion de cette equation, nous avons x2 = F1
2 (q (F1 (x1 ) ; )) et donc
?
q (x; ) = F1
(q
(F
(x)
;
)).
La
r
e
gression
quantile
(et mediane) est
1
2
donc un probl`eme statistique de copules.
225
p
2
2
x2 =
2 1 + 1 2 1 () + x1
1
1
= a () + bX1
La regression est donc lin
eaire (tout comme le probl`eme de la regression
esp
erance conditionnelle qui est traditionnellement appelee regression
lineaire). Dans le cas de la copule Normale, nous avons :
!
1 (u2 ) 1 (u1 )
p
Pr {U2 u2 | U1 = u1 } =
1 2
Lexpression
de la fonction quantile
u2 = q? (u1 ; ) est donc u2 =
p
1 (u1 ) + 1 2 1 () . Introduisons la transformee .
D
efinition 10. Nous definissons loperateur de la facon suivante :
[F]
RR
x 7 [F] (x) = 1 (F (x))
Y2 = a + bY1 + U
Pr {Y2 y2 | Y1 = y1 } =
La regression quantile de X2 sur X1 est alors
X2 = 1 [F2 ] a
+ b [F1 ] (X1 )
Concernant la dependance de queue, nous avons :
0 si < 1
U = L =
1 si = 1
La copule Normale ne permet donc pas de correler les valeurs extremes
(voir le graphique 23).
<
>
10 S. Portnoy et R. Koenker,
The Gaussian Hare and the Laplacean Tortoise :
Computability of `1 vs `2 regression estimators , Statistical Science, 12, 1997, p. 279300.
248
3. poser u1 = (1 + x1 /x)
et u2 = (1 + x2 /x)
3. prendre u2 = 1 01 0 vv12
(v1 ) .
Remarque 59. On peut montrer que cet algorithme est celui des distributions conditionnelles.
6.4.
La m
ethode des quantiles empiriques
F1 (U1 )
..
X=
.
F1
n (Un )
Cela implique de connatre les distributions analytiques F1 , . . . , Fn . Cela
nest pas toujours le cas (par exemple les distributions composees des
pertes dans le risque operationnel). Neanmoins, sil est possible de simuler les marges F1 , . . . , Fn , alors nous pouvons simuler la distribution
multidimensionnelle F grace `a la methode des quantiles empiriques. Soit
Fi,m le processus de distribution empirique (non normalise). Nous avons
le resultat suivant :
a.s.
1
a.s.
1
1
0
sup Up F1
1,m (u1 ) , . . . , Fn,m (un ) C F1 (u1 ) , . . . , Fn (un )
u1 ,...,un
Chapitre 5
ASPECTS
MULTIDIMENSIONNELS
DU RISQUE
1.
Agr
egation des risques de march
e
266
Rating
t
1
()
t1
4 ()
c (; 4)
t1
2 ()
c (; 2)
99%
100 jours
2,33
3,75
2,33
6,96
2,33
BBB
99,75%
400 jours
2,81
5,60
3,48
14,1
4,71
A
99,9%
4 annees
3,09
7,17
4,45
22,3
7,46
AA
99,95%
8 annees
3,29
8,61
5,35
31,6
10,6
AAA
99,97%
13 annees
3,43
9,83
6,10
40,8
13,6
267
1.1.
Leffet de diversification
x1 +x2 x
La valeur en risque VaR (L1 + L2 ; ) depend donc des distributions marginales, ainsi que de la copule C entre L1 et L2 .
Nous considerons le cas C = C+ . Nous supposons que F1 et F2 sont
continues. Dapr`es la definition de la comonotonie, nous avons L2 =
324
Le risque de credit
1.
Le march
e des cr
eances bancaires
325
2.
Le march
e des obligations risqu
ees
390
Le risque de credit
X +
m(i) Xm(i) +
1 m(i) i
Si1 (t | i2 = t? ) =
Les param`etres
391
et :
fi1 (t | i2 = t )
e>
i1 exp (t) eK
p
2
1 (1 (1 PDi1 (t)))
o`
u PDi (t) = e>
eduisons alors la fonction de hasard
i exp (t) eK . Nous en d
i1 (t | i2 = t? ) apr`es defaut. La reference au mod`ele factoriel implicite
du mod`ele copule permet dinterpreter plus facilement ces sauts de la
fonction de hasard. Par exemple, il est normal que le defaut dans 10 ans
dune firme CCC implique un saut negatif dans la fonction de hasard des
firmes bien notees. En effet, cela veut dire que le risque idiosyncratique de
la firme CCC a ete contrebalance par une bonne conjoncture economique
(le facteur commun X). Si le defaut de la firme CCC etait intervenu tr`es
tot, les sauts seraient quasiment nuls, car on peut penser que le defaut est
d
u au risque specifique de la firme. Si une firme notee AAA fait defaut, le
saut sera dautant plus important que le defaut est soudain (et donc plus
attribuable au facteur commun quau facteur specifique). Il ny a donc pas
de relation monotone a priori entre les sauts de spread et la correlation.
Graphique 21. Taux de hasard (en pb) des ratings
392
Le risque de credit
Graphique 22. Taux de hasard (en pb) des ratings lorsquune firme notee
AAA fait defaut au bout de 10 ans ( = 5%)
Graphique 23. Taux de hasard (en pb) des ratings lorsquune firme notee
AAA fait defaut au bout de 10 ans ( = 50%)
398
Le risque de credit
Econom
etrie des correlations de defaut
q
1 m(i) i (t)
<
>
<
>
>
<
Les param`etres
399
1 . Notons
nelle `a X = x est alors Pi (x; Bi , ) = Bi x
dt le nombre de firmes ayant fait defaut en t et nt le nombre total de
firmes en t. Si nous disposons dun historique de T taux de defaut, nous
pouvons estimer la correlation de defaut par la methode du maximum
de vraisemblance. Nous notons `t () la log-vraisemblance de la t-i`eme
observation. Nous supposons pour linstant une seule
de risque C,
classe
cest-`a-dire que Bi = B ou encore P (x; B, ) = B x
1 .
Conditionnellement au facteur X = x, le nombre de defaut D est une
variable aleatoire binomiale avec :
nt
d
n d
Pr {D = dt | X = x} =
P (x; B, ) t (1 P (x; B, )) t t
dt
Nous en deduisons que :
Z
`t () = ln Pr {D = dt | X = x} dH (x)
Z
nt
d
n d
= ln
P (x; B, ) t (1 P (x; B, )) t t dH (x)
dt
Generalement, lhorizon pour mesurer les taux de defaut est annuel. Dans
ce cas, si le facteur commun X est gaussien, nous en deduisons que B =
1 (PD) avec PD la probabilite de defaillance dhorizon 1 an de la classe
de risque C. Nous en deduisons que la log-vraisemblance de lobservation
t secrit :
Z
`t () = ln
!
dt
nt dt
nt
P x; 1 (PD) ,
1 P x; 1 (PD) ,
d (x)
dt
que la probabilit
e de d
efaillance se traduit dans la moyenne.
400
Le risque de credit
Graphique 26. Frequence (en %) du taux de defaut
Exemple 32. Les nombres de defauts dune classe de risque dont la probabilite de defaillance annuelle est egale `
a 200 pb sont respectivement pour
les vingt derni`eres annees 3, 1, 14, 0, 33, 3, 53, 1, 4, 0, 1, 8, 7, 3, 5, 5, 0,
49, 0 et 7. On suppose que le nombre de firmes est egal `
a 500 quelle que
soit lannee. Si nous estimons la vraisemblance en considerant un facteur
gaussien et B = 1 (PD), nous obtenons
= 28,86%. Si nous estimons
= 2,066 (ce qui implique
aussi la barri`ere, nous avons
= 28,49% et B
une probabilite de defaillance implicite de 194 pb). Il est generalement
preferable destimer la barri`ere si on na pas confiance dans la valeur de
la probabilite de defaillance de la classe, car lestimation de la correlation
risque detre biaisee. Par exemple, avec une probabilite de 100 pb, nous
obtenons
= 23,57%, ce qui est plus faible que lestimation precedente.
Conclusion
La modelisation du risque de credit repose sur quatre briques essentielles : lexposition au defaut, la perte en cas de defaut, la probabilite de
defaut et la correlation de defaut. Les choix de modelisation influencent
la mesure de risque qui permet de dimensionner les fonds propres. Ils sont
neanmoins indissociables des syst`emes dinformation et des donnees disponibles. Cela est particuli`erement le cas de lexposition au defaut que de
nombreuses banques apprehendent actuellement de facon tr`es simplifiee.
438
Le risque de credit
le client B sav`ere etre bien plus rentable que celle avec le client A. En
revanche, lapproche Raroc estime statistiquement le risque recurrent en
fonction des caracteristiques de la contrepartie et permet dores et dej`
a de
voir que la marge demandee au client B nest pas en adequation avec les
co
uts inherents `
a loperation. Par ailleurs, lanalyse economique du risque
presente une consommation de fonds propres sept fois plus importante
pour le client B. En conclusion, le Raroc met en exergue la profitabilite
du client A et le danger dune operation avec le client B.
Le Raroc nest quun outil daide `a la decision et `a la gestion. Il est
excessivement dependant des donnees fournies en entree et des differents
phenom`enes modelises. Il ne saurait donc etre le seul crit`ere pour une
decision doctroi de credit. Bien des raisons en effet peuvent militer pour la
mise en place dune operation intrins`equement non rentable. La premi`ere
tient `a la concurrence exacerbee qui existe sur lactivite du credit. Sil
est vrai que les recentes r`egles prudentielles ont clarifie les r`egles de la
concurrence internationale, il est parfois necessaire voire vital de faire
preuve dune certaine agressivite commerciale. Par ailleurs, il peut arriver
quune banque ait un interet `a conserver une relation car elle lui permet
de recuperer denormes frais de gestion par ailleurs.
3.3.
Niveau
Frequence
Horizon
Donnees
Alimentation
Detail
Transactionnel
transaction/client
demande de credit
ex ante sur la
duree des engagements
previsionnelles
manuelle
fin
Gestion
client/groupe/portefeuille
mensuelle ou trimestrielle
ex post sur un
an par exemple
reelles
automatique
grossier
3.4.
439
Les diff
erentes utilisations
440
3.5.
Le risque de credit
Dans les outils Raroc, nous rappelons que la modelisation des pertes Li
des differentes operations financi`eres est beaucoup plus fine que dans les
calculs de capital reglementaire ou de gestion de portefeuille (utilisation
decheanciers damortissement du capital et des garanties, prise en compte
du risque de taux, etc.) et int`egre de plus des elements de rentabilite
(modelisation des commissions et de limposition, prise en compte des
co
uts operationnels et des revenus du side-business, etc.). Pour determiner
le Raroc dune operation financi`ere, nous devons calculer le co
ut du risque
et la contribution en risque. Par definition, le co
ut du risque est lesperance
de la perte Li qui est facile `a calculer. Le calcul de la contribution en risque
est plus difficile `a realiser, puisque lexpression de la perte L du portefeuille
de la banque est relativement complexe. Puisque les outils Raroc utilisent
lunexpected loss pour mesurer le risque, nous avons theoriquement :
RCi = E [Li | L = EL + UL] E [Li ]
Lidee est alors dutiliser un proxy UL? de lunexpected loss defini comme
un multiple de la volatilite de la perte du portefeuille :
UL? = k (L)
Dans ce cas, la contribution en risque RC?i est la contribution de la volatilite (Li ) de loperation financi`ere `a la volatilite totale. Nous avons :
(L)
=
=
=
cov (L, L)
(L)
!
X
1
Li
cov L,
(L)
i
X
cov (L, Li )
(Li )
(L) (Li )
i
fi =
fi (Li ) avec :
cov (L, Li )
(L) (Li )
fi est souvent appele le facteur de diversification. La decomposition precedente correspond au principe dEuler de la covariance. Generalement, on
suppose que le portefeuille (ou le portefeuille cible) est infiniment granulaire (objectif de diversification de la banque). Dans ce cas, et sous
certaines
hypoth`eses techniques, nous pouvons montrer que fi est egal
RC?i = k ? (Li )
441
n
X
EADi LGDi 1 { i Ti }
i=1
n
X
EAD2i
i=1
n X
n
X
i=1 j>i
et :
(Li ) = EADi
q
( 2 [LGDi ] + E2 [LGDi ]) PDi E2 [LGDi ] PD2i
(PDi ) + 1 ()
EADi E [LGDi ]
PDi
1
i=1
n
X
442
Le risque de credit
Tableau 4. Param`etres Raroc k et f
PD
(en pb)
100
500
500
10%
10%
20%
99%
3,8
3,4
3,8
k
99,5% 99,9%
4,7
7,0
4,0
5,5
4,6
6,4
f
99,97%
8,9
6,5
7,7
0,097
0,160
0,240
? = f 2
(en %)
0,94
2,55
5,78
une seule maturite), nous pouvons obtenir des formules analytiques. Par
exemple, nous avons :
1
(PD)+ 1 ()
PD
1
k = q
2 [LGD]
1 n1 C (PD, PD; ) PD n1 PD + nE
2 [LGD] PD
o`
u C est la copule Normale bivariee. Nous en deduisons que la valeur de
k pour le portefeuille asymptotique est :
1
(PD)+ 1 ()
PD
1
q
k=
C (PD, PD; ) PD2
Pour le facteur de diversification, nous obtenons :
v
s
u
u C (PD, PD; ) PD2
C (PD, PD; ) PD2
+
f
=
f = t 2 [LGD]
2
PD PD2
E2 [LGD] PD + PD PD
Remarque 114. Lanalyse precedente utilise un facteur de diversification unique et nous avons RC?i = kf (Li ). Nous pouvons aussi utiliser
un facteur de diversification differencie pour chaque creance. Nous avons
alors RCi? = k fi (Li ). Par exemple, si nous utilisons le mod`ele B
ale
II, fi est calibre en posant :
1
(PDi )+ 1 ()
E [LGDi ]
PDi
(Li )
1
q
fi =
=
k ULi
k ( 2 [LGDi ] + E2 [LGDi ]) PDi E2 [LGDi ] PD2i
Conclusion
Lobjet de la gestion de portefeuille est dameliorer la qualite globale du
portefeuille bancaire via des techniques dassurance ou de diversification.
Pour ce faire, il est necessaire de posseder, en plus dun outil de type
Raroc, dun bon mod`ele de correlation qui permette de mesurer limpact
dune politique de diversification sur le portefeuille.
`
TABLE DES MATIERES
Remerciements
Pr
eface
Introduction g
en
erale
11
Premi`
ere partie
Capital r
eglementaire et
ratio international de solvabilit
e
Chapitre 1 Le risque de march
e
1.
La reglementation prudentielle ......................................
1.1.
Les normes generales .........................................
1.2.
Les crit`eres qualitatifs........................................
1.3.
Les crit`eres quantitatifs......................................
1.4.
Simulations de crise ...........................................
1.5.
Traitement du risque specifique ...........................
1.6.
Dispositif prudentiel de controle ex post lie `a
lutilisation des mod`eles internes..........................
2.
La valeur en risque ......................................................
2.1.
Definition ........................................................
2.1.1.
La VaR parametrique ...........................
33
33
37
37
39
41
42
43
45
46
48
2.1.2.
La VaR historique ................................
2.1.3.
La VaR Monte Carlo ............................
2.2.
Les aspects reglementaires du calcul de la VaR ......
2.2.1.
Le seuil de confiance ..........................
2.2.2.
Une explication du facteur complementaire
2.2.3.
Le probl`eme du scaling..........................
2.3.
Les aspects methodologiques ...............................
2.3.1.
Lintervalle de confiance dune valeur
en risque .............................................
2.3.2.
Le choix de la distribution de probabilite .
2.3.3.
Lestimation de la matrice de covariance ..
2.4.
Les produits exotiques .......................................
2.4.1.
Lidentification des facteurs de risque ......
2.4.2.
Les differentes methodes pour calculer
la VaR................................................
2.4.3.
Le backtesting .....................................
2.4.4.
La gestion du risque de mod`ele des produits exotiques.....................................
3.
Les programmes de stress-testing...................................
3.1.
Definition ........................................................
3.2.
Directions methodologiques choisies par les institutions bancaires.............................................
3.3.
Lapproche historique ........................................
3.4.
Une approche subjective : le macro stress-testing ...
3.5.
La theorie des valeurs extremes ...........................
enements rares et hypoth`ese de nor3.5.1.
Ev
malite.................................................
3.5.2.
Les statistiques dordre .........................
3.5.3.
La theorie asymptotique ........................
Conclusion ........................................................................
Chapitre 2 Le risque de cr
edit
1.
Typologie du risque de credit ........................................
2.
Lapproche standard....................................................
2.1.
La reglementation prudentielle actuelle .................
2.2.
Lapproche standard du ratio McDonough ............
2.2.1.
Les ponderations du risque ....................
2.2.2.
Les notations externes...........................
2.3.
Les procedures de reduction des risques dans
lapproche SA du ratio McDonough .....................
2.3.1.
Les transactions assorties de s
uretes ........
2.3.2.
Les garanties et les derives de credit ........
2.3.3.
Autres considerations ............................
2.3.4.
Quelques exemples ...............................
3.
Lapproche IRB du deuxi`eme document consultatif ..........
3.1.
Les principes generaux .......................................
50
51
53
54
55
56
57
57
61
68
69
70
71
72
74
75
76
77
78
79
79
81
81
89
103
105
105
107
107
109
109
112
114
114
117
118
119
120
120
3.2.
123
123
126
133
134
135
Chapitre 3 Le risque op
erationnel
1.
La definition du risque operationnel ...............................
2.
Les differentes approches pour mesurer
le risque operationnel...................................................
2.1.
Lapproche indicateur de base .............................
2.2.
Lapproche standardisee .....................................
2.3.
Les mesures AMA .............................................
3.
La methode LDA ........................................................
3.1.
Estimation de la distribution de severite ...............
3.1.1.
Les methode directes du maximum de
vraisemblance ou des moments generalises
3.1.2.
Heterogeneite des donnees et biais de
reporting (ou de collecte).......................
3.1.3.
Comment corriger le biais de collecte ? .....
3.2.
Estimation de la distribution de frequence ............
3.3.
Calcul de la charge en capital..............................
3.3.1.
Quelle est la definition de la charge en
capital ? ..............................................
3.3.2.
Comment prendre en compte les assurances ?...............................................
3.3.3.
Comment agreger les charges en capital ? .
3.4.
Determination des intervalles de confiance.............
3.4.1.
Distribution de lestimateur de la charge
en capital ............................................
159
159
137
146
149
150
153
154
156
156
156
157
158
158
163
163
164
165
168
170
170
172
173
174
175
175
176
176
179
179
3.4.2.
Deuxi`
eme partie
Mod
elisation des risques multiples
Chapitre 4 Les fonctions copules
1.
Representation canonique dune distribution de probabilite multidimensionnelle .............................................
1.1.
Theor`eme de Sklar ............................................
1.2.
Expression de la densite bidimensionnelle..............
1.3.
Premi`eres proprietes des fonctions copules ............
1.4.
Extension au cas multidimensionnel .....................
1.5.
Representation graphique dune copule .................
2.
Les classes de Frechet ..................................................
2.1.
Definition ........................................................
2.2.
Ordre stochastique de concordance ......................
3.
Copules et variables aleatoires.......................................
3.1.
Principaux resultats ..........................................
3.2.
Composantes singuli`eres .....................................
3.3.
Mesures de dependance ......................................
3.4.
Et la correlation ? .............................................
3.5.
Le tau de Kendall et le rho de Spearman ..............
3.6.
La dependance de queue ....................................
4.
Les copules parametriques ............................................
4.1.
Les copules Archimediennes ................................
4.2.
La copule Normale ............................................
4.3.
La copule t de Student.......................................
4.4.
Comparaison des copules Normale et Student ........
4.5.
Copules parametriques bivariees avec plusieurs
param`etres.......................................................
5.
Les copules de valeurs extremes.....................................
5.1.
Theorie des valeurs extremes multiples .................
5.2.
Caracterisation des domaines dattraction .............
6.
Simulation et methodes de Monte Carlo .........................
6.1.
La methode des distributions ..............................
6.2.
La methode des distributions conditionnelles .........
6.3.
Les methodes dites analytiques............................
6.4.
La methode des quantiles empiriques ...................
7.
Inference statistique des copules ....................................
7.1.
La copule empirique de Paul Deheuvels ................
7.2.
Lidentification dune copule Archimedienne ..........
7.3.
La methode des moments ...................................
187
187
188
189
191
193
193
197
197
198
202
202
204
208
210
214
217
219
220
223
226
228
234
235
236
240
242
242
243
246
248
250
250
253
256
7.4.
La methode du maximum de vraisemblance ..........
7.5.
La methode IFM...............................................
7.6.
Lestimateur omnibus ........................................
Conclusion ........................................................................
257
258
260
263
5.2.2.
Etude
du cas bivarie .............................
5.2.3.
Simulation de changement de rating ........
5.2.4.
Simulation de trajectoires dynamiques
de rating .............................................
5.3.
Lapproche par intensite .....................................
5.4.
Construction de fonctions de survie multidimensionnelle ..........................................................
5.4.1.
Copule de survie et fonction de survie
multivariee ..........................................
5.4.2.
Les copules Frailty ................................
5.4.3.
Les statistiques dordre .........................
Conclusion ........................................................................
265
265
267
270
271
271
272
274
278
279
279
281
282
284
284
285
286
288
289
291
293
293
297
298
300
303
309
311
315
315
317
319
320
Troisi`
eme partie
Le risque de cr
edit
Chapitre 6 Le march
e du risque de cr
edit
1.
Le marche des creances bancaires ..................................
2.
Le marche des obligations risquees .................................
2.1.
Evolution
recente du marche des obligations..........
2.1.1.
Le volume demission ............................
2.1.2.
Le risque de defaut ...............................
2.2.
Valorisation dune obligation risquee ....................
3.
Le marche des derives de credit
et de la titrisation synthetique ......................................
3.1.
Les derives de credit ..........................................
3.1.1.
Les credit default swaps ou CDS.............
3.1.2.
First-to-default ou FTD ........................
3.2.
Les produits structures ......................................
3.2.1.
Le tranching ........................................
3.2.2.
Les CDO (collateralized debt obligations)
3.2.3.
Le pricing ...........................................
3.3.
Le traitement prudentiel des derives de credit........
3.3.1.
Le traitement prudentiel des instruments
derives de credit (Bulletin de la Commission Bancaire davril 1998) ................
3.3.2.
Le traitement reglementaire dans les
autres pays..........................................
3.4.
Lutilisation des derives de credit dans la gestion
des risques .......................................................
Conclusion ........................................................................
323
324
325
326
326
326
328
351
351
352
356
357
333
335
335
338
339
339
340
341
342
344
348
349
350
358
363
365
365
367
371
372
374
2.2.1.
2.2.2.
2.2.3.
2.2.4.
3.4.3.
Econom
etrie des correlations de defaut ....
Conclusion ........................................................................
375
378
379
401
401
402
406
408
414
414
414
420
421
422
423
426
426
426
429
430
380
382
383
383
384
385
389
394
395
395
397
398
400
430
432
433
433
435
438
3.4.
Les differentes utilisations .................................. 439
3.5.
Calibration des outils Raroc ............................... 440
Conclusion ........................................................................ 442
Conclusion g
en
erale
443
Bibliographie g
en
erale
445