Professional Documents
Culture Documents
= dy y p x
y x f
) ( ) , (
) , (
(1)
8
En dfinissant un niveau de probabilit et un portefeuille x, alors la Value-at-Risk ( -
VaR) est dfinie comme la perte minimale de telle sorte que la probabilit de dpasser les
pertes est suprieure ou gale :
{ }
= ) , ( : min ) ( x x (2)
De faon analogue, avec une probabilit et un portefeuille x, la Conditional-Value-at-Risk
( -CVaR) est dfinie comme lesprance des pertes suprieur a la -VaR.
La CVaR est calcule partir de la distribution des ralisations comprises dans la
queue. Elle tient compte de lasymtrie de cette rgion. Cette distribution est galement
influence par lpaisseur de la queue, qui est relie lintensit des vnements extrmes.
De faon mathmatique on a :
= dy y p y x f x
x y x f
) ( ) , (
) 1 (
1
) (
) ( ) , (
(3)
La probabilit que ) ( ) , ( x y x f
est prcisment gale 1- . On peut donc rcrire
lquation prcdente de la faon suivante :
| |
= dy y p x y x f x x
n
y
) ( ) ( ) , (
) 1 (
1
) ( ) (
(4)
Avec | | a a =
+
si a>0 mais | | 0 =
+
a si a<0
Avec une probabilit donne, le problme de minimisation de la -CVaR consiste
trouver le portefeuille
n
x de telle faon que ) (x
de la
VaR prsente dans cette dfinition, moins davoir une reprsentation analytique de la VaR.
Lide principale est de dfinir une fonction plus simple qui peut tre utilise la place de la
CVaR :
| |
+ = dy y p y x f x F
n
y
) ( ) , (
) 1 (
1
) , (
(5)
On peut prouver (voir Rockafellar et Uryasev (1999)) que :
1. la fonction ) , (
x F x x F x = =
Plus encore, on peut utiliser la fonction ) , (
x F x
X x X x
=
Minimiser la fonction ) , (
x F est convexe
et galement linaire en fonction de , et si f(x,y) est convexe par rapport x, alors ) , (
x F
est convexe par rapport (x, ) et ) (x
F
ont t dfini. Nous pouvons introduire lalgorithme de minimisation. Pour ce faire nous
montrerons dans la prochaine section quun algorithme de programmation linaire peut tre
utilis.
II-2) Loptimisation de portefeuille
Soit W la richesse investie dans un portefeuille compos de d actifs financiers, De
faon analytique on a :
=
d
i
i
w W (6)
Avec
i
w (i=1,,d) le montant de capital investi dans lactif i. Lquation (6) reprsente la
contrainte dquilibre en terme montaire. Il serait mieux dexprimer cette contrainte en
pourcentage :
=
d
i
i
x 1 (7)
Avec W w x
i i
/ =
Soit x= ) ,..., (
1 d
x x le vecteur de dcision dont les lments,
i
x (i=1,,d), reprsentent
le pourcentage de capital dtenu dans chaque actif. En gnral, dautres contraintes peuvent
tre galement utiliss, tel que linterdiction des ventes dcouvert :
0
i
x (8)
pour chaque i=1,,d
Le vecteur alatoire ) ,..., (
1 d
y y y = reprsente les rendements futures pour chaque
actif i la fin de la priode de dtention considre. La distribution de y est une distribution
multivarie de la rentabilit des d actifs du portefeuille et dpend de x. On assume quune
telle distribution une fonction de densit p(y). Les rendements alatoires du portefeuille la
11
fin de la priode de dtention est la somme des rendements alatoire de chaque actif,
i
y ,
pondrs par leur poids respectif,
i
x . La perte du portefeuille est dfinie comme les
rendements ngatifs du portefeuille associs ltat y:
] ... [ ) , (
1 1 d d
y x y x y x f + + = (9)
La fonction objective minimiser est la suivante :
) ( ) ( ] ) , ( [
1
1
) , ( y d y p y x f x F
d
R
+
+ =
(10)
Lquation (10) est convexe par rapport aux variables ) , ( a x
Cette eqaution peut , cependant, tre simplifie en gnrant K scnarios partir de
lhistorique ou de simulations de monte-carlo. Les scnarios gnrs sont reprsents par K
vecteurs
K
y y
~
,...,
~
1
. De cette faon , il est possible dapproximer la fonction F par la fonction
F
~
qui est donn par :
=
+
+ =
K
k
k
y x f
K
x F
1
] )
~
, ( [
) 1 (
1
) , (
~
(11)
Afin de rsoudre ce problme doptimisation, il suffit de remplacer
+
]
~
[
k
T
y x par
une variable artificielle
k
, tout en imposant les contraintes linaires suivantes :
)
~
, (
k k
y x f (12)
0
k
(13)
Nous introduisons une dernire contrainte ; le rendement espr du portefeuille doit
tre gal un objectif donn
0
R .
] [
0 i
d
i
i
R E x R
(14)
12
Soit
k
i
R le rendement de lactifs i dans le scnario
k
y
~
. Nous pouvons exprimer les
pertes du portefeuille de la faon suivante :
k
i i k
R x y x f = )
~
, ( (15)
Nous obtenons donc le problme de programmation linaire, suivant,
)
`
+
=
K
k
k x
K
Min
1
,
) 1 (
1
(16)
Sous contrainte :
0
k
,
k
i i k
R x ,
0
i
x , ] [
0 i
d
i
i
R E x R
,
1 =
d
i
i
x .
La taille de ce problme de programmation linaire, qui peut tre dtermin
numriquement, est K+d+1.
La principale limite de cette mthode optimisation CVaR est quun chantillon fini ne
peut seulement donner quune description approximative de la distribution des rendements
futures. La prcision de loptimisation CVaR est essentiellement limite par la taille de
lchantillon, nous avons besoin dun chantillon plus grand par rapport la var pour le mme
degr de prcision.
13
III) La gnration de scnarios ncessaires
loptimisation, une approche conomtrique.
III-1)Les caractristiques des sries financires
La correcte spcification des rendements esprs et de la matrice de variance
covariance est une tape cruciale dans le monde de la gestion dactifs. En gnral, dans la
gestion du risque, les simulations de monte carlo pour les scnarios des rendements des actifs
sont gnrs partir dune loi multi-normale. Le vecteur des rendements esprs et la matrice
de variance covariance espr sont calcul partir de lhistorique. Malgr la simplicit de
cette mthodologie, nous passons travers les caractristiques des sries financires ce qui
motivait lutilisation de la CVaR comme mesure du risque.
Passons en revue ces caractristiques :
Queue de distribution paisse et asymtrie
On assume, gnralement, que les rendements des actifs financiers suivent une loi
normale. Lavantage de cette hypothse est quil est relativement facile de travailler avec ce
type de distribution. Or, les observations empiriques des rendements montrent plus de valeurs
extrmes que ceux qui sont gnres par une loi normale, cest--dire que les distributions des
rendements des actifs ont des queues plus paisses que la distribution normale. On dit quelles
ont une distribution leptokurtique. De plus, il apparat que la distribution des actifs est
gnralement asymtrique : il y a plus de mouvement fort la baisse qu la hausse, les
distribution prsentent donc un coefficient de skewness (moment dordre 3) ngatif.
Clusters de volatilit
On observe souvent une corrlation temporelle dans le rendements des sries financires.
Ce qui signifie que si une valeur absolue leve est observe alors la prochaine observation
sera probablement aussi leve. Ce phnomne est appel cluster de volatilit. Leffet de ce
phnomne devient plus apparent lorsque la taille de lchantillon augmente. Une possible
explication de ce phnomne est que larriv de nouvelle information est corrle
temporellement.
14
leffet de levier
Les donnes empiriques indiquent que la volatilit des rendements des actifs ragissent
souvent diffremment un choc ngatif par rapport un choc positif sur les prix. Un choc
ngatif un impact beaucoup plus marqu quun choc positif sur la volatilit.
Corrlation dynamique.
Lorsque lon cherche construire un portefeuille de plusieurs actifs. Regarder seulement
les rendements esprs et le risque des ces diffrents actifs nest pas suffisant. Nous devons
galement prendre en compte les corrlations entre ces classes dactifs. Il existe en effet des
corrlations ngative ou positive plus ou moins forte entre les classes dactifs. De plus il
apparat que ces corrlations voluent dans le temps ; ils augmentent, par exemple, en priode
de bear market et diminue en priode de bull market Longin et Solnik (1995), Ang et Bakaet
(1999).
La ralit empirique montre donc quelques aspects des sries financire que nincorporent
pas une matrice de variance covariance historique et une distribution normale. Dans la
procdure doptimisation, ignorer de telles caractristiques de la matrice de variance
covariance et des distributions suivies par les actifs tend conduire une mauvaise estimation
des poids optimaux des actifs, et in fine, tend sous estimer le risque associ au portefeuille.
Par consquent linvestisseur une solution sous optimale pour construire son portefeuille.
Dans ce contexte comment capter de faon optimale toutes ces caractristiques afin dobtenir
un mlange optimal dactif ?
.
15
III-2) Le modle GARCH DCC
III-1-1) GARCH univari
La spcification htroscdastique conditionnelle autorgressive ou ARCH, a t
initie par Engel (1982) pour caractriser la dynamique des seconds moments conditionnels
que lon retrouve dans la plupart des sries financires. Elle a t par la suite gnralise par
Bollerslev (1986) avec ce quon a appel lhtroscdastique conditionnelle autorgressive
gnralise ou GARCH. Cest le modle le plus populaire lorsquil sagit destimer les
variances conditionnelles. Les modles GARCH ne se contentent pas seulement destimer des
variances qui voluent dans le temps, mais incorpore galement les caractristiques observes
sur les sries financires (leptokurtisme, effet de levier, cluster de volatilit).
Dautre gnralisations ont t propos par plusieurs chercheurs, on peut citer les modles
AGARCH, EGARCH, FIGARCH,GJR-GARCH, TARCH...
Nous dbutons avec un modle GARCH univari pour lestimation de la variance
conditionnelle. La variance conditionnelle dun actif x qui suit un modle GARCH(1,1)
univari est donne comme la fonction de la variance inconditionnelle, du carr de la
rentabilit centre en t-1 et de la variance conditionnelle en t-1.
On assume que les dynamiques dune srie temporelle x est donn par un modle
dynamique du type GARCH(1,1) :
t t t t
z x + = (17)
2
1
2
1
2
+ + =
t t t
(18)
Avec
t t t
x = (19)
t t t
z = (20)
t
z i.i.d. E(
t
z )=0 et Var(
t
z )=1 de fonction de distribution G.
1 < + (21)
=
1
2
1
(22)
16
t
et
t
sont respectivement la moyenne et la variance conditionnelle un ensemble
dinformation
1 t
I .
Avec la condition 1 < + qui garantie que la variance inconditionnelle
2
1
est stationnaire.
On estime les paramtres ( , , ) grce au quasi maximum de vraisemblance en
assumant une distribution conditionnelle normale.
Ln X
|
|
.
|
\
|
+
=
T
t t
t
t
1
2 2
) ( ) ln(
2
1
(23)
A partir des estimations du quasi maximum de vraisemblance (
)
) )
, , ), nous pouvons
calculer la srie de variances
2
t
)
et les rsidus induits, partir des rendements centrs au carr
t
observs, les variances estimes passes en utilisant lquation rcursive suivante.
2 2 2
1 t t t
)
)
) ) )
+ + =
+
(24)
Avec
)
)
)
)
=
1
2
1
.
Une prvision de
2
1 + T
est donn par :
2 2 2
1 T T T
)
)
) ) )
+ + =
+
(25)
III-2-2) GARCH multivari, le GARCH DCC
La modlisation conjointe de la dpendance des seconds moments conditionnels dune
gamme dactifs a conduit la gnralisation du cadre multivari des modles GARCH, et de
ce fait permis laccs une meilleure boite outils dcisionnelle dans plusieurs aspect de la
gestion financire, et notamment la gestion dactifs.
Il existe une large palette de modles GARCH multivaris, incluant les modles VECH
GARCH de Bollerslev, Engel et Wooldridge (1988), les modles BEKK dEngel et Kroner
17
(1995), Factor modles (F-GARCH) dEngel, Ng et Rothschild (1990), le CCC GARCH de
Bollerslev (1990) ou encore le model DCC GARCH de Tse et Tsui (2002) et dEngel (2002).
Nous nous intresserons plus particulirement au modle DCC. Dans la plupart des
modles GARCH multivaris, le nombre de paramtres estimer augmente trs rapidement
lorsque le nombre dactifs augmente, rendant ces modles relativement compliqu estimer
avec la prsence dun nombre dactifs suprieur deux. Or sous les hypothses de normalit
de la distribution des rsidus. Le modle DCC peut tre estimer en deux tapes. Dans la
premire tape, un modle GARCH univari est spcifi pour chaque classe dactifs. Dans la
seconde tape les rsidus standardiss issus de la premire tape sont utiliss pour estimer les
corrlations dynamiques. La procdure en deux tapes permet de limiter le nombre de
paramtre estimer simultanment tout en assurant la positivit de la matrice de variance
covariance.
De plus, ce modle tant une gnralisation du modle CCC, permet de saffranchir de
lhypothse errone de la constance des corrlations dans le temps du modle CCC en
rendant les corrlations conditionnelles dpendantes du temps. Les tudes empiriques
montrant lexistence dune dynamique des corrlations dans le temps.
Le modle DCC
Les variances conditionnelles,de chaque actifs,
t ii ,
sont modlis par lintermdiaire dun
GARCH univari et les paramtres correspondants sont estims. Lide qui sous tend la
formulation du type DCC, est de dcomposer les covariance conditionnelles comme produit
des variances conditionnelles et des corrlations conditionnelles.
t ij
t jj t ii
t ij
t ij ,
, ,
,
,
= =
t jj t ii t ij , , ,
(26)
Le modle multivari est dfini comme suit :
t t t t
Z H X
2 / 1
+ = (27)
t t t t
D R D H = (28)
18
O ) ,..., (
, 1 t d t t
x x X = le vecteur des observations passes.
) ,... (
1 dt t t
= le vecteur des rendements conditionnels.
) ,..., (
, 1 t d t t
z z Z = le vecteurs des rsidus standardiss.
t
R =(
t ij ,
) la matrice symtrique (dxd) des corrlations dynamiques.
) ,..., (
, , 11 t dd t t
diag D = est la matrice (dxd) des carts types conditionnels de chacune des
sries financires respectant individuellement la spcification dun GARCH univari c'est--
dire :
2
1 ,
2
1 ,
2
,
+ + =
t ii i t ii i i t ii
(29)
Selon Engel(2002), les lments de la matrice
t
R , soient (
t ij ,
) sont gaux aux
lments de la matrice de covariance des rsidus standardiss ;
t ij ,
=
t ij
z
,
Modliser
t
R revient modliser la matrice de variance covariance
t
Q des rsidus
standardiss
t
Z . La formulation propose par Engle (2002) est la suivante :
1 1 1
' ) 1 (
+ + =
t t t t
Q Z Z Q Q (30)
avec 0 , > et 1 < +
t
Q tant une matrice de variance covariance, il est donc peu probable que les lments
diagonaux soit gaux 1 et donc quelles correspondent une matrice de corrlation. Cette
proprit est cependant garantie par lquation suivante :
2 / 1 2 / 1
) ( ) (
=
t t t t
diagQ Q diagQ R (31)
Pour lestimation des deux paramtres nous faisons donc appel la mthodologie en
deux tapes tant donn que cette formulation allie la richesse de la dynamique du processus
modlis et la flexibilit dans lestimation. Seulement cette mthode ne se fait pas sans
inconvnient tant donn quelle nest possible que sous lhypothse de normalit, or les
tudes empiriques rejettent lhypothse de normalit. Nanmoins, lide gnrale des
estimateurs du quasi-maximum de vraisemblance consiste dmontrer que si lon commet
une erreur sur la distribution conditionnelle des rsidus en utilisant tort une log-
vraisemblance fonde sur une loi normale, lestimateur du maximum de vraisemblance ainsi
19
obtenue peut tout de mme tre convergeant si la vraie loi des rsidus appartient la famille
de la loi normale (Gourieroux, Montfort 1989). Lestimateur sera convergeant et
asymptotiquement normale. Engle et Sheppard (2001) dmontrent que les estimateurs du
modle DCC sont consistant et asymptotiquement normaux.
Dans ce cas , la log-vraisemblance est :
L= ) ( ) ( )' (
2
1
) log(det
2
1
) 2 log(
2
1
t t t t t T
u x H u x H
n
(32)
Avec
t t t t
D R D H =
L= ) )( ( )' (
2
1
)] log[det(
2
1
) 2 log(
2
1 1 1
t t t t t t t t t t
u x D R D u x D R D
n
(33)
Or on sait que
t t t
u x = et que le vecteur des rsidus standardiss est gal
t t t
D Z
1
= .
Lexpression devient :
L= ) (
2
1
)] log[det(
2
1
) 2 log(
2
1 '
t t t t t t
Z R Z D R D
n
(34)
Cette fonction de vraisemblance se dcompose en un terme pour la volatilit not
v
L et
un pour la corrlation not
c
L et prend donc la forme ) (
0
L = ) (
1
v
L + ) , (
1 2
c
L .
) (
0
L =
=
+
T
t
t t t t t t
Z R Z D R D
1
1 '
) ( )] log[det(
2
1
(35)
= +
=
T
t
t t t
Z Z D
1
' )] log[det( 2
2
1
+
T
t
t t t t t t
Z Z Z R Z R
1
1
' ' )] log[det(
2
1
20
Avec
) (
1
v
L =
=
+
T
t
t t t
Z Z D
1
' )] log[det( 2
2
1
(36)
=
= =
|
|
.
|
\
|
+
T
t
n
i
t ii
t i
t ii
1 1
,
2
2
,
,
2
) log(
2
1
=
= =
|
|
.
|
\
|
+
n
i
T
t
t ii
t i
t ii
1 1
,
2
2
,
,
2
) log(
2
1
Et
) , (
1 2
c
L =
=
+
T
t
t t t t t t
Z Z Z R Z R
1
1
' ' )] log[det(
2
1
(37)
Avec
1
lensemble des paramtres des lments diagonaux de
t
D , soit les
t ii,
et
2
est
lensemble des paramtres de la matrice de corrlations
t
R soit les
t ij ,
.
La maximisation de cette fonction de vraisemblance se fera en deux tapes :
Etape 1 : trouver
1
)
tel que
1
)
= argmax { ) (
1
v
L }
Dans cette premire estimation, un modle GARCH(1,1) univari est appliqu aux
variances conditionnelles de chaque actif. lissue de celle-ci, les coefficients qui expliquent
la volatilit de chaque actif, pris individuellement, sont obtenus.
Etape 2 : { } ) , ( max
2 1
2
)
c
L
Dans cette seconde phase destimation, les coefficients des volatilits obtenus lors de
la premire tape,
1
)
, sont maintenus constants, et servent conditionner la fonction de
vraisemblance utilise pour estimer les paramtres de la dynamique des corrlations,
2
.
21
Hafner et al (2003) affirment que dans le cas du DCC de Engle et Sheppard (2001), et
Engle (2002) ce modle conduit une slection sous optimale des titres dun portefeuille
lorsque le nombre dactifs en jeu est denviron 20 et 30 alors quil est conu pour des matrices
de grandes dimensions. Selon eux ceci est d au fait que le modle DCC suppose que les
corrlations conditionnelles spcifiques aux actifs suivent toutes la mme dynamique qui est
une structure de type ARMA. Cette hypothse peut tre facilement satisfaite par un petit
nombre de rendements dactifs slectionns (condition satisfaite dans le cas de lallocation
des classes dactifs, en effet la gestion diversifie institutionnelle requiert relativement peu de
classe dactif).
II-3) Simulation de Monte-Carlo : la mthode FHS
La simulation historique, via le bootstrap naf des sries financires, est largement
utilise dans la pratique de la gestion du risque. Cette mthode consiste gnrer des
scnarios bass sur les mouvements historiques des prix. Elle est, donc, base sur une
distribution empirique des rendements des actifs. La mthode du bootstrap naf consiste
gnrer des pseudo rendement en rchantillonnant avec replacement partir de la srie
originale, elle reflte une image plus raliste quune distribution paramtrique. Nanmoins
une simulation classique historique ne se fait pas sans inconvnient. En effet, comme voqu
ci-dessus les tudes empiriques montrent lexistence de cluster de volatilit ce qui prouve
lexistence dhtroscdasticit dans les sries financires. Or la mthode nave du bootstrap
ignore lexistence des dynamiques de volatilit et est bas sur lhypothse de distribution
i.i.d. et narrive donc pas capter la dpendance des rendements dans le temps.
Malheureusement la seule loi de distribution laquelle nous avons accs est la loi
normale, loi spcifie dans le cadre du DCC qui constitue une des critiques potentielles de ce
modle tant donn que la normalit a t rejet par les faits. De plus le recours cette loi
dans un cadre moyenne CVaR nas pas plus dintrt que dutiliser une optimisation
Moyenne-Variance partir du moment o les deux mthodes donnent, peu prs, la mme
pondration dactifs dans le cas o une loi normale est spcifie et enlve,donc, toute la
puissance de loptimisation moyenne CVaR. En effet, dans le cas o les rendements sont
gaussien, il est quivalent de prendre lune ou lautre de ces mesures partir du moment il est
22
impossible de discriminer en fonction des moments dordre suprieurs. De plus lutilisation
dune loi paramtrique tort peut ne pas tre sans consquence sur le rsultat escompt.
La mthode FHS (filtered historical simulation) rpond au problme que nous
rencontrons. En particulier, les donnes historiques sont filtrs en utilisant le GARCH
(Barone-Adesi et al 1999,2000) .
Au lieu dutiliser un choc commun dont la loi de distribution serait normale, nous utiliserons
un vecteur de chocs, qui nest rien dautre que le vecteur des rsidus standardiss centrs
{ }
T dd ii t
z z Z
, 1 ,
,..., = que nous bootstraperons. Nous tendons donc le concept de la mthode
FHS au cas multivari dans un contexte doptimisation de portefeuille. Nous ne spcifions
donc aucune loi paramtrique, ce qui nous permet dviter une erreur quand la loi choisie. Et
surtout, nous ne voulons pas assumer une distribution normale des chocs. De plus lide du
pseudo maximum de vraisemblance est de dire que les rsidus tendent vers les vrais rsidus,
la distribution empirique tend donc vers la vraie distribution.
Nous devons construire une sries de K scenarii, qui serviront dinputs loptimisation
Moyenne-CVaR (16). Nous supposons que les chocs qui serviront la simulation de Monte-
Carlo sont mieux caractriss par les rsidus du modle GARCH. Cette procdure nous
affranchis de lhypothse de normalit. De fait, mme aprs avoir standardis les rendements
avec un modle de variance dynamique, les rsidus standardiss prsentent des moments
dordre suprieurs potentiellement loigns de la normalit
k T T k
Z H X . '
2 / 1
1 1 + +
+ = (38)
avec k=1,,K
Avec
k
Z , le vecteur de rsidus bootstraps partir de la srie des rsidus standardiss
originaux.
Pour la simulation, il est ncessaire davoir
k
Z i.i.d avec var(
k
Z )=
d
I . Les rsidus tant
standardiss, la corrlation temporelle nexiste plus, mais il existe une corrlation entre les
k
Z , (c'est--dire entre les rsidus du modle dynamique de chaque actifs, ce qui est,
dailleurs, la base de la mthodologie en deux tapes dEngle(2002) );
k
Z est tel que
k k
I Z
23
Il faut donc les rendre i.i.d, pour ce faire nous faisons appel linverse de la
dcomposition de Cholesky de la matrice de corrlation
t
R .
Soit L la matrice triangulaire infrieure de la dcomposition de Cholesky de la matrice, on a :
t t
D
t
Z L Z .
2 / 1
= (39)
De cette faon nous aurons
D
t
Z i.i.d avec var(
D
t
Z )=
d
I , que nous pouvons utiliser pour
gnrer les scnarios ncessaires loptimisation.
D
k T T k
Z H X . '
2 / 1
1 1 + +
+ = (40)
Cette mthodologie, bien que, prsente, thoriquement, une avance par rapport au
modle original, ne russit pas compltement contrer la critique la plus svre nonce
lencontre du modle de Markovitz ; savoir lomission de lerreur destimation dans
loptimisation. Il est vrai quune modlisation GARCH multivarie permet daugmenter,
relativement, la qualit des informations dinvestissement ncessaire loptimisation, par
rapport de simples estimateurs historiques (matrice de rendement et matrice de variance
covariance plus raliste en prenant en compte les caractristiques essentielles des sries
financires) et contribuerait diminuer lerreur destimation sur ces estimateurs. Cependant, il
existe, tout de mme, une erreur destimation sur les paramtres du modle GARCH-DCC.
Ces paramtres ne sont pas les vrais paramtres, ils ne sont que lestimation de vrais
paramtres inconnus. Geyer (2000) remarquait que la non prise en compte de lerreur
destimation dans la matrice de variance covariance des modles GARCH pouvait annihile,r
en partie, les biens fait de la prise en compte des clusters de volatilit.
Nous prsenterons, avant toute chose, le phnomne derreur destimation, son impact
et une mthodologie dans le cadre moyenne variance avec estimateur historique des
informations dinvestissement, propos par Michaud (1998), afin dapprhender ce dernier
phnomne. (Cette mthodologie tant la base de la mthodologie que nous introduisons).
24
IV) Lerreur destimation et mthodologie pour un portefeuille
optimal
IV-1) Lerreur destimation dans le cadre moyenne variance
Dfinition de lerreur destimation
Le modle Moyenne-Variance de Markowitz requiert trois inputs : les rendements
esprs, les corrlations esprs, et les variances espres. Typiquement, les estimations des
taux de rentabilit et de la matrice de covariance dun portefeuille sont dduites des donnes
historiques. Ces estimations sont faites partir dun chantillon dobservations. Ces
estimations ne sont pas les vrais paramtres (vecteurs de rendements, matrice de variance-
covariance) de la population entire, mais sont lestimation de paramtres inconnus. Ils sont
donc soumis aux erreurs destimation, lerreur destimation tant la diffrence entre les vrais
paramtres et lestimation des paramtres. Limpact de cette erreur destimation dans une
optimisation de portefeuille peut avoir des consquences nfastes. Comme lont montr Bawa
et Klein (1976) cette approximation conduit un choix de portefeuille sous optimal. Selon
Jobson et Korkie (1989) lerreur destimation dans ces paramtres annihile les bnfices
thoriques d au paradigme Moyenne-Variance.
Impact de lerreur destimation
Les inputs tant soumis des erreurs destimation, loptimisation de portefeuille
souffre de la maximisation de lerreur destimation (Michaud, 1989). Loptimiseur
tend garder les actifs ayant les caractristiques les plus attractives (rendement lev, risque
faible et/ou corrlation faible) et dlaisser les actifs ayant de mauvaises caractristiques. Ces
actifs choisis par loptimiseur sont les actifs sur lesquels lerreur destimation pse le plus.
Lalgorithme du programme doptimisation quadratique de Markowitz (1952) considre que
les inputs sont les vrais paramtres et non des inputs issus de simulations de paramtres
inconnus. Ces inputs sont donc traits comme sils taient connus avec certitude (alors quils
ne le sont pas), et sur-ragira de petites diffrences dans les rendements. Selon Scherer
(2002), lalgorithme doptimisation quadratique du cadre Moyenne-Variance est trop puissant
par rapport la qualit des inputs.
25
Cest la raison pour laquelle le processus doptimisation maximise limpact de lerreur
destimation. En consquence de quoi, un tel algorithme donnera un portefeuille sous
diversifi et trs instable.
Visualisation de lerreur destimation
Les paramtres utiliss dans les problmes dallocation dactifs sont calculs partir
dune seule ralisation possible des rendements historiques. Les paramtres estims, partir
de cet chantillon, ne peuvent converger vers la vraie distribution des paramtres seulement si
lchantillon dobservations est trs grand. Cependant, les effets rsultant de lerreur
destimation peuvent tre capturs par la procdure de Monte Carlo aussi connu en tant que
"portfolio resampling".
Supposons que nous connaissons la vraie distribution des paramtres ; la matrice de
variance-covariance
0
)
et le vecteur de la moyenne des rendements
0
)
. Si nous gnrons un
chantillon alatoire bas sur la mme distribution avec T observations (T tant la taille de
lchantillon original). Alors les points estims sont des variables alatoires, car sont estims
partir de rendements alatoires. Ce nouvel chantillon de variables alatoires, issu de la mme
distribution, donnera donc des estimations diffrentes. Cependant les deux chantillons sont
statistiquement quivalents.
En rptant la procdure dchantillonnage n fois, nous avons, donc, n nouvelles
paires dinputs doptimisation (
1
)
,
1
)
n
)
,
n
)
). Pour chacune de ces paires dinputs, nous
pouvons calculer une nouvelle frontire efficiente avec J portefeuilles allant, par exemple, du
portefeuille variance minimale (rang 1) au portefeuille rendement maximal (rang J). En
gardant les vecteurs de poids correspondant chaque portefeuille (
11
w , ,
J
w
1
1 n
w ,
,
nJ
w ), nous pouvons les appliquer aux inputs originaux. Ces portefeuilles se situeront en
dessous de la frontire efficiente originale. Ces poids ont, en effet, t dtermins partir de
donnes contenant des erreurs destimations
26
Le rsultat de cette procdure dchantillonnage est quelle transforme lerreur
destimation des inputs en incertitude sur le vecteur optimal des poids. Cette technique ne
nous dit pas o devrait se situer la nouvelle frontire efficiente, elle ne nous renseigne pas sur
les poids que nous devons retenir pour notre allocation. Ce qui nous renvoie la mthode de
Michaud (1998).
Lefficience r-chantillone
La mthode de Michaud (1998) traite ce problme destimation derreur. Les
portefeuilles situs sur la frontire r-chantillone sont dfinis comme la moyenne, pour
chaque rang, des n portefeuilles efficients . Cette procdure garantit une importante
caractristique ; la somme des poids est gale lunit.
La dtermination de la frontire efficiente r-chantillone (et, donc, les poids associs
chaque portefeuille composant cette frontire) peut tre rsume de la faon suivante :
Supposons que nous avons m=5 actifs et T=200 observations historiques.
Etape 1. Dterminer les vecteurs de rendement et la matrice de covariance issue des
observations historiques. Puis on utilise une optimisation moyenne-variance
afin de calculer la frontire efficiente, qui est compose de J portefeuilles.
Etape 2. A partir de la loi de distribution suivie par les variables, on tire m=5
rendements T=200 fois (T peut tre suprieur au nombre dobservations, tout
dpend du degr de confiance sur les observations historiques). Avec les
donnes gnres on calcule un nouveau vecteur de rendements et une nouvelle
matrice de covariance. La diffrence entre ces nouveaux inputs et les inputs
originaux est la rsultante de lerreur destimation.
Etape 3. Une nouvelle optimisation est faite avec les nouveaux inputs, afin de construire
une nouvelle frontire efficiente avec J points.
On garde, pour chacun des J points, le poids de chaque actif du portefeuille
efficient . Il en ressort un nouveau vecteur de poids
Ji
a (J m) des m actifs
pour chacun des J portefeuilles pour la simulation i.
Etape 4. On rpte la simulation k fois. Nous avons donc k frontires efficientes
donnant ainsi k
Ji
a . Puis on calcule la moyenne des
Ji
a .
=
=
k
i
Ji
resampled
J
a
k
a
1
1
27
resampled
J
a est le vecteur des poids qui va permettre de construire la frontire
efficiente, en rduisant lerreur destimation. Enfin, on applique ces poids
moyens aux inputs originaux (issus de ltape 1) afin davoir la frontire
efficiente r-chantillonne.
Lavantage de cette mthode est lutilisation de donnes disponibles (lhistorique),
afin de produire une allocation intuitive qui serait moins sensible aux perturbations des inputs.
Ceci est d un portefeuille plus diversifi et, intuitivement, moins risqu quun portefeuille
correspondant la frontire efficiente de Markowitz (1952). Lefficience r-chantillonne
utilise donc les informations dinvestissements dune manire plus robuste que lefficience de
Markowitz (1952). De plus cette procdure assure une plus grande stabilit du processus, dans
la mesure o de petits changements dans les inputs sont gnralement associs de petits
changements dans le portefeuille optimis. Au final, le processus procure ainsi une protection
contre limpact de lerreur destimation.
Sanfillipo (2006) tudie la capacit de la mthode de r-chantillonnage rduire
lerreur destimation. Il montre que le portefeuille obtenu partir de cette technique est plus
proche du portefeuille rellement efficient. De plus, Markowitz et Usmen (2003) ont test la
mthode du resampling (propose par Michaud, 1998). Markowitz et Usmen cherchaient
savoir si des mthodes alternatives la mthode du resampling (telles que les mthodes
shrinkage) dominaient lamlioration qui rsultait du r-chantillonnage. Ces auteurs ont
conclu que les mthodes alternatives, qui traitent le problme du risque destimation,
namlioraient pas suffisamment loptimisation de Markowitz (1952) pour pouvoir dominer la
mthode du resampling.
Michaud en rponse larticle de Markowitz et Usmen (2003), dmontrant
empiriquement la supriorit de sa mthode permettant la prise en compte de lerreur
destimation dans le modle de Markowitz, opposait la manire dont les informations
dinvestissement sont utilises la qualit des informations investissement utilises. Selon lui
on devrait accorder plus deffort la manire dont on utilise les informations plutt que
dessayer daugmenter la qualit de ces derniers. Evensky (1997) rejoint cette ide, selon lui il
serait plus intressant de chercher une bonne solution approximative , plutt que de
chercher la meilleure des solutions.
28
Cependant, bien que cette mthode russi relativement bien tacler le problme
principal du modle de Markowitz, il ne prend cependant pas en compte les critiques
prcdemment cites, savoir lutilisation de la variance comme mesure du risque et les
caractristiques propres aux sries financires. Il est donc utile de revoir cette mthodologie.
Nous proposons, pour ce faire, une mthodologie semblable dans loptimisation Moyenne-
CVaR, en incluant lerreur destimation dans un cadre GARCH multivari. Lide tant de
combiner ces deux mthodologies dans un cadre Moyenne-CVaR :
Une mthodologie permettant daugmenter la qualit des informations
dinvestissement (modle GARCH-DCC)
Une mthodologie permettant daccrotre la robustesse de lutilisation de ces
informations dinvestissement (portfolio resampling) .
Lobjet et lintrt de la mthodologie est daugmenter la qualit des informations
dinvestissement tout en les utilisant de manire plus robuste, afin de dterminer une
allocation dactifs optimale. En effet, trs peu dauteur, si ce nest aucun, ont accord de
limportance lerreur destimation des modles GARCH multivaris dans un contexte
dallocation dactifs, ce qui constitue le premier intrt. Le deuxime intrt de cette
mthodologie est relatif au cadre thorique utilis; le cadre Moyenne-CVaR. En effet
lanalyse du risque destimation dans ce cadre est un sujet, qui a notre connaissance, na pas
encore t trait.
29
IV-2) La thorie du portfolio resampling revisite
Lerreur destimation ne se trouve plus au niveau de la matrice de variance covariance
historique mais au niveau des paramtres du modle DCC qui serviront estimer la matrice
de variance covariance conditionnelle. Afin dintgrer lerreur destimation de ce type de
modle dans notre optimisation, nous basons notre mthodologie sur les travaux de Pascual,
Romo et Ruiz (2001) ainsi que de Christoffersen et Gonalves (2004). Ces auteurs utilisent le
bootstrap afin de construire des intervalles confiance dans le calcul de la VaR et de lexpected
shortfall dans un cas univari, afin dvaluer et mesurer limportance de lerreur destimation.
Nous tendons leur mthodologie au problme dallocation dactif dans un cadre multivari.
Dans cette section nous prsentons la mthodologie du bootstrap afin de prendre en
compte le risque destimation dans le cadre de la modlisation GARCH-DCC, sans spcifier
aucune loi suivie par les innovations.
La Validit du bootstrap pour les donnes financires dpend de sa capacit
reproduire correctement les proprits des rendements observs. Une faon dutiliser le
bootstrap dans la modlisation GARCH consiste rchantillonner avec replacement les
rsidus standardis du model. Lide tant que les rsidus sont i.i.d. partir du moment ou ils
ont t dvolatilis , on peut donc utiliser le bootstrap naf sur ces rsidus. Pour ce faire,
nous utiliserons un vecteur de rsidus bootstrap en rchantillonnant avec remise les
rsidus standardiss originaux tout en tenant compte de la corrlation entre les rsidus.
Lchantillon artificielle bootstrap des rendements est ensuite gnrer de faon rcursive en
utilisant lquation de la volatilit dynamique des modle GARCH et les rsidus standardiss
rchantilonns.
Nous avons vu dans les sections prcdentes lquation suivante :
t t t t
Z H X .
2 / 1
+ =
Nous avons donc deux sources de risque. Lune de ces sources potentielles de risque
est lie lincertitude sur les chocs utiliss qui serviront gnrer les scnarii (nous vacuons
cependant ce risque en utilisant une mthode FHS multivarie, voir section prcdente).
Lautre source de risque est lie la prvision de la matrice de variance covariances futures.
30
Pour la modlisation DCC-GARCH, on voit assez facilement que la volatilit et les
corrlations futures dpendent de linformation valable en T ainsi que des paramtres
inconnus ( , , , , ). En particulier, en utilisant les quations issues du modle GARCH-
DCC, nous pouvons rcrire les
2
,T ii
et
T
Q comme des fonctions des observations passes :
=
|
|
.
|
\
|
+
=
0
2
1 ,
2
,
1 1
j
i i
i
j t ii
j
i i
i i
i
T ii
(41)
( )
=
+ =
0
1 1
'
i
i t i t
j
T
Q Z Z Q Q (42)
On remplace les paramtres inconnus , , , , par leur estimation qui ressort de la
maximisation du maximum de vraisemblance :
=
|
|
.
|
\
|
+
=
2
0
2
1 ,
2
,
1 1
T
j
i i
i
j T ii
j
i i
i i
i
T ii
)
)
)
)
)
)
)
)
)
(43)
( )
=
+ =
2
0
1 1
'
T
i
i T i T
j
T
Q Z Z Q Q
)
)
)
)
)
(44)
A partir del nous pouvons estimer les variances futures :
2
,
2
,
2
1 , T ii T ii T ii
)
)
) ) )
+ + =
+
(45)
et les covariances :
=
+1 T
R
)
2 / 1
1 1
2 / 1
1
) ( ) (
+ +
+ T T T
Q diag Q Q diag
) ) )
(46)
avec
T T T T
Q Z Z Q Q
)
)
)
)
)
) )
+ + =
+
' ) 1 (
1
(47)
La ncessit destimer les paramtres du GARCH-DCC introduit donc une source de
risque destimation.
31
La prsence du risque destimation, dans la faon de dterminer les inputs qui
serviront loptimisation, est la principale motivation de lutilisation du bootstrap. Cette
procdure nous permet de tenir compte de lerreur destimation dans la matrice de variance
covariance.
Lalgorithme
Etape 1. On estime le modle GARCH-DCC par le pseudo maximum de
vraisemblance et on dduit les rsidus centrs
ii t ii
z z
) )
,
,
avec
t ii
t ii
t ii
z
,
,
,
)
)
= , t=1,T. Soit
T i
G
,
)
la fonction de distribution
empirique de .
,t ii
z
)
Etape 2. Afin dincorporer lincertitude des paramtres estims, il est ncessaire
dobtenir un nouvel chantillon bootstrap { }
*
,
*
1 ,
,...,
T d i
X X qui rplique la
structure originale, en prenant en compte les corrlations. Cette rplique
bootstrap est obtenue partir des rcursions suivantes :
* 2 / 1 * * * D
t t t t
Z H X + = pour t=1,,T
Avec
*
t
H obtenue grce :
) ,..., ( ,
*
, 11
* *
t nn t
t
diag D
) )
=
avec
2 *
1 ,
2 *
1 ,
2
,
*
+ + =
t ii i t i ii i
t ii
)
)
) ) )
2 / 1 * * 2 / 1 * *
) ( ) (
=
t t t t
Q diag Q Q diag R
) ) ) )
*
1
1
*
1
* *
' ) 1 (
+ + =
t
t t
t
Q Z Z Q Q
)
)
)
)
)
) )
4
4
Pour Q nous procdons un bootstrap cross sectionnal afin de conserver la corrlation entre les rsidus
32
Pour obtenir le nouveau vecteur des rsidus standardiss bootstraps
nous devons dcomposer la matrice des corrlations dynamiques la date t,
t
R
)
, grce la dcomposition de Cholesky, afin de rendre les rsidus
standardiss orthogonaux.
* 2 / 1 *
.
t t
D
t
Z L Z
=
Avec
t
Z obtenu alatoirement partir de
T i
G
,
)
, la fonction de distribution
empirique des rsidus centrs de lactif i, et
2 / 1
t
L la matrice inverse de la
dcomposition de Cholesky de la matrice
t
R
)
.
Les valeurs initiales sont :
2
1 ,
2 *
1 , ii ii
)
= =
i i
i
)
)
)
1
Q Q =
1
Cet chantillon bootstrap { }
*
t
X , nous permet de calculer les paramtres
bootstrap via le maximum de vraisemblance en deux tapes ;
* * *
, ,
i i i
)
) )
,
* *
,
)
)
.
Etape 3. Nous pouvons dterminer une prvision bootstrap de la matrice de variance
covariance
*
1 + T
H
)
*
1
*
1
*
1 + + +
=
T T T
D R D selon les quations suivantes :
2 *
1 ,
* 2 *
1 ,
* *
2
1 ,
*
+ +
+ + + =
T ii i T ii i i
T ii
)
)
) ) )
*
1
* * * * * * * *
1
' ) 1 (
+ +
+ + =
T T T T
Q Z Z Q Q
)
)
)
)
)
) )
33
Les valeurs initiales tant :
T T
X X =
*
*
T
Z =
T
Z
=
|
|
.
|
\
|
+
=
2
0
* *
*
2
1 ,
* *
* *
*
2 *
,
1 1
T
j
i i
i
j T i
j
i i
i i
i
T ii
)
)
)
)
)
)
)
)
)
( )
=
+ =
2
0
*
1 1
* * * *
'
T
i
i T i T
i
T
Q Z Z Q Q
)
)
)
)
)
Avec
2 / 1 * * 2 / 1 * *
) ( ) (
=
t t t t
Q diag Q Q diag R
) ) ) )
) ,..., ( ,
*
, 11
* *
t nn t
t
diag D
) )
=
On peut remarquer dans lexpression de
2 *
1 , + T ii
)
et
*
1 + T
Q
)
, mme sils sont diffrents dans
chaque rplique bootstrap, leurs valeurs sont obtenues en utilisant les paramtres estims
bootstrap mais toujours avec les sries originales. De cette faon leur valeurs sont faibles
lorsque les vrais rendements et les vrais corrlations la fin de la priode sont faibles,
et levs lorsquils sont levs. En consquence de quoi
2 *
1 , + T ii
)
et
*
1 + T
Q
)
incorporent seulement
la variabilit due lerreur destimation et prend en compte ltat du processus quand des
prvisions sont faites.
Etape 4. Une foi la matrice de variance covariance future estime, nous pouvons simuler
un certain de nombre de scnarios avec lquation (40), que nous soumettons
loptimisation Moyenne-CVaR en utilisant le problme de programmation
linaire (16) . Cette optimisation nous donnera un vecteurs de poids optimal
i
x
~
(
i
x
~
, i=1,,d) qui minimisera la CVaR sous contrainte dun objectif de
rendement.
34
Etape 6. On rpte les tapes prcdentes M fois. Nous avons donc M portefeuilles
efficients donnant ainsi m x
~
. Puis on calcule la moyenne des x
~
.
=
=
M
m
m
resampled
x
M
x
1
~
1
~
resampled
x
~
est le vecteur des poids qui va permettre de dterminer lallocation
optimale, en rduisant lerreur destimation.
Les problmes lis au modle de Markowitz (1952) ont t traits dans la littrature, mais de
faon isole. Nous proposons donc de regrouper ces solutions dans un seul et mme modle
dallocation dactifs afin datteindre notre objectif ; dterminer un processus dallocation
dactifs cohrent et optimal, appliqu une socit de gestion. Au final, nous construisons un
modle dallocation dactifs avec une mesure cohrente du risque, la prise en compte des
caractristiques observes sur les sries financires et une protection contre le risque
destimation de la modlisation GARCH-DCC dans le cadre Moyenne-CVaR.