Les différents types de produit

• • • CDS single name CDS iTraxx CDS First to default

Cas simple du CDS single name
– L’investisseur est acheteur de protection : il verse à intervalles réguliers une prime – La banque est vendeuse de protection : en cas d’événement de crédit sur l’émetteur de référence, la banque verse à l’investisseur des flux convenus à l’avance

– Le niveau de la prime dépend de la probabilité de défaut de l’émetteur et du taux de recouvrement attendu de sa dette. – L’investisseur s’expose au risque de contrepartie de la banque tandis que la banque s’expose au risque de crédit de l’émetteur obligataire.

Mécanisme général
• Le dérivé sur événement de crédit est fondé sur un mécanisme de défaillance qui lorsqu’il intervient, permet à l’acheteur de protection de toucher un paiement dont les modalités sont définies avec précision à l’avance Afin de s’assurer que la transaction réalisée couvre bien l’exposition souhaitée, il faut que le contrat de CDS soit adapté aux besoins :
– Reference Entity = Le nom exact de l’entité sur laquelle on cherche à se couvrir ou à prendre un risque – Obligations = Les dettes sur lesquelles on pourra observer un Evénement de Crédit – Credit Events = Les événements permettant de déclencher la protection : Bankruptcy Bankruptcy, Failure to Pay Pay, Restructuring Restructuring, Repudiation Repudiation/Moratorium Moratorium, – Obligation Acceleration – Deliverable Obligations = Le portefeuille de titre qui peut être livrer en cas de déclenchement d’un CDS avec règlement physique : Bond or Loan Loan, Bond, Loan …

Les CDS sur indices : ITraxx

Les tranches d’iTraxx sont renouvellées tous les six mois, nous sommes actuellement à la 10ème tranches. Pour autant, les tranches restent négociables jusqu’à l’échéance des dettes sous-jacentes. Ex: iTraxx Crossover composé des 125 noms les plus liquides de notation < BBB-

Interprétation du prix de la protection
• Le prix de la protection contre le risque de défaut des émetteurs de dette atteint jour après jour de nouveaux plus-bas. L'indice iTraxx crossover à 5 ans équivaut environ à 375 points de base : assurer 10 millions d'euros de dette coûte 375.000 euros par an L’an dernier, on constatait des niveaux entre 200 et 240pb, on parle d’écartement des spreads.

CDS First to default
• • Le sous-jacent du first to default est un panier de titres risqués Il transfère de façon synthétique un risque de crédit par le biais d’un swap :
– le vendeur de protection s’engage à dédommager – l’acheteur de protection d’une perte sur le premier titre du panier de référence subissant un événement de crédit.

Les trois évènements de crédit principaux sur ces produits sont :
– Le défaut, – La restructuration, – La faillite.

Montage du first to default
• • Le montage se fait sur la base d’un EMTN First to Default sur panier de 10 corporates pour 10mios EUR Le panier comprend les signatures suivantes :
Rating Novartis Nestlé EDF Exxon Toyota Motors Citigroup Total Air Liquide Siemens St Gobain Aaa Aaa Aa3 Aaa Aa1 Aa1 Aa2 Aa3 Aa3 A2 Probabilité de défaut : 5 ans 0,0029% 0,0029% 0,1420% 0,0029% 0,0310% 0,0310% 0,0680% 0,1420% 0,1420% 0,4670%

• •

La somme des probabilités de défaut du panier : 1,0317% Cette probabilité de défaut du panier équivaut à une notation entre A3 (0,7300%) et Baa1 (1,1000%) La somme arithmétique des probabilités de défaut est une méthode simplifiée pour le calcul car elle ne prend pas en compte la corrélation. En effet, on peut pré-supposé qu’un choc sur le secteur pétrolier entraînant la faillite d’Exxon augmenterait la probabilité de défaut de Total.

Credit Linked Notes (CLN)
• Historiquement, les premiers dérivés de crédit sont les CLN qui contrairement aux CDS requièrent de la part de l’investisseur le financement de la position sur le risque de crédit (versement nominal par l’investisseur à la date initiale) Les CLN sont des titres obligataires auxquels sont attachées des options sur le risque de déaut de l’emprunteur de référence.

Ces titres permettent aux investisseurs obligataires de diversifier leur portefeuille en acquérant une signature différente de celle de l’émetteur de la note. Pour l’émetteur le CLN permet de se désengager du risque et du financement sur un sous-jacent sans avoir à le revendre.

Dans le cas le plus simple, un CLN correspond à une promesse de paiement régulier de coupons et de remboursement du principal à la maturité comme pour une obligation normale. Toutefois, les paiements sont reliés à la performance d’un titre de crédit de référence. Par exemple, la banque A émet un CLN liée au risque de défaut de l’entreprise C pour un nominal de 100Mios EUR. Cette note paie une coupon de 100bp au dessus du taux de référence (E3M par exemple).
– En l’absence d’événement de crédit sur C, A rembourse l’intégralité du nominal à l’échéance, les investisseurs n’auront alors subi aucune perte – A l’inverse, si un événement de défaut sur C est enregistré avant l’échéance ; la note est remboursée par anticipation et le versement des coupons est interrompu.

Le remboursement anticipé peut s’effectuer en titres de référence après constatation du défaut ou par le versement d’un montant égal à la valeur de marché du sous-jacent de référence après son défaut.

Comparaison CDS / CLN : le risque de contrepartie
• Dans le cas du CDS : – l’acheteur de protection est en risque sur le défaut croisé du sousjacent et de la contrepartie : effet corrélation – Le vendeur de protection est en risque sur le paiement des primes par la contrepartie. Dans le cas du CLN : – L’acheteur de protection (émetteur de la CLN) reçoit le cash à la signature de la transaction : pas de risque de contrepartie – Le vendeur de protection (acheteur de la CLN) est en risque sur le paiement des coupons et le remboursement de la CLN : effet additif des rsiques

Total rate of return swap
• Ce type de produit permet aux investisseurs de dupliquer de façon synthétique l’exposition à un actif de référence incorporant un risque de crédit.

Ce swap transfère l’intégralité des flux d’un actif financier (intérêts, coupons, variations de valeur) pendant une durée déterminée.
– Le paiement correspond à la variation de valeur de l’actif qui a lieu à des dates intermédiaires (les dates de tombée de coupon) et à l’échéance. – En échange, le vendeur de protection verse à intervalles réguliers un coupon correspondant à un taux de référence majoré d’un spread.

L’interprétation financière de ce produit est intéressante :
– L’acheteur de protection est exposée au risque de crédit de l’entité de référence et le transfert au vendeur de protection – En pratique, l’acheteur de protection verse au vendeur de protection tous les flux du titre émis par l’entité de référence et ses appréciations de valeur – A l’inverse, le vendeur de protection paie à l’acheteur de protection une prime (E3M+marge) et les dépréciations du titres

Il faut retenir que les flux sont échangés alors qu’il n’y a pas nécessairement d’événement de crédit.

Total Return Linked Notes
• De même que les Credit Linked Notes nécessitent un financement à la date initiale, les Total Return Linked Notes sont une sorte d’obligation synthétique associée à un Total Return Swap (TRS).

Ces émissions consistent en une duplication synthétique de la performance économique d’un actif sous-jacent.

• •

Exemple : Une banque émet un titre obligataire synthétique sur un géant de la distribution pour un montant de 600Mios USD. Parallèlement, des clients de la banque cèdent leur exposition sur l’entreprise de distribution. Tous ces actifs sont regroupés dans une entité créée spécialement pour la structuration du produit : un Special Purpose Vehicle (SPV) La banque contracte un Total Return Swap avec le SPV. Par conséquent, le SPV verse à la banque la performance des actifs et la banque le rémunère en échange par un coupon de 65bp par an au-dessus de l’OAT 10ans. Par ailleurs, le SPV émet une note liée au risque de défaut du géant de la distribution sur 10 ans, de principal 600Mios USD et versant un coupon égal à la rémunération du SPV (soit un spread de 65bp De la sorte, les 600MiosUSD ont transité par le SPV et ont été versés aux clients de la banque qui ont ainsi vendu leur risque de crédit sur le géant de la distribution.

Contrat à terme et options sur spread de crédit
• Les contrats à terme sur spread de crédit permettent de prendre une position ferme à terme sur un spread de crédit. Ce produit est très analogue aux forwards sur taux d’intérêt. Par exemple, pour se protéger contre une détérioration de la qualité de crédit de l’émetteur, l’investisseur détenant un titre obligataire doit vendre l’option à terme. Si la valeur du titre s’est dépréciée sur la durée du contrat, le gain symétrique enregistré sur le marché à terme permet de compenser la perte sur le marché obligataire. Les options sur spread permettent de prendre une position sur une marge de crédit future. Ces options sont très analogues aux options sur actions ou taux d’intérêt : l’investisseur a le droit d’acheter (call) ou de vendre (put) une obligation risquée à un spread déterminé (strike) à une date précise (option européenne) ou jusqu’à une date précise (option américaine)

Cas du put sur spread d’asset swap : l’option est rendue possible (dans la monnaie) si le crédit sous-jacent se déprécie
– L’achat d’un put peut jouer le rôle de stop-loss sur une position de crédit

Cas du call sur spread d’asset swap : l’option est rendue possible (dans la monnaie) si le crédit sous-jacent s’apprécie.
– La vente d’un call peut être analysée comme prise de profit à un niveau de spread auquel l’investisseur ne souhaite plus détenir l’actif

Contrairement aux CDS, le défaut de paiement n’est pas une condition nécessaire à l’exercice des options. Il suffit que la valeur du crédit évolue suffisamment pour qu’un profit ou une perte apparaisse.

Exemples d’options sur spread
• Couverture d ’un ASW par un investisseur en cas de dépréciation
– Investisseur détient un titre France Telecom 5 ans qui paie E3M+100bp – Il veut se couvrir contre le risque que France Telecom se dégrade trop (stoploss) : E3M + 150 bp – Achète un put américain sur ASW. Strike Eur + 150 bps

L’investisseur veut augmenter le rendement de son investissement
– L’investisseur veut acheter un titre France Telecom 5 ans qui paie E3M+100bp mais désire un rendement plus important – Vend un call sur ASW à E3M+70 bp en échange d’une prime – Par conséquent, il se prive d ’une partie de l ’upside potentiel du titre en cas d ’amélioration significative du titre

L’évaluation des produits dérivés de crédit
• • Aucune méthode d’évaluation bénéficie d’un consensus sur le marché des dérivés de crédit Cette situation tient :
– à la nature spécifique du sous-jacent (le risque de crédit) ; – à l’hétérogénéité des actifs de référence utilisés (obligations corporate de qualités de crédit et de liquidité très variable, dettes souveraines, condition de recouvrement et maturités)

• •

Nécessité de développer des approches quantitatives Problématique
– Comment modéliser la distribution statistique des pertes potentielles sur un horzon futur d’un portefeuille exposé à des risques de crédit associés aux titres d’un (sans corrélation) ou plusieurs émetteurs (avec corrélation) : utilisation des modèles de crédit , – valeur monétaire en vue du pricing à un risque de crédit : utilisation des courbes de contributeur.

Les modèles d’évaluation du risque de crédit
• Présentation • Modèle à approche structurelle
– Merton – KMV

• Modèle sous forme réduite :
– CreditMetrics – CreditRisk+

• Comparatif des modèles
– Analyse comparée des modèles CreditRisk+ et CreditMetrics – Comparatif chiffré

Les modèles d’évaluation du risque de crédit
• • Il s’agit de modéliser la distribution statistique de pertes potentielles sur un horizon futur d’un portefeuille exposé à des risques de crédit Il faut donc :
– D’une part, modéliser la probabilité de défaut et de dégradation de la qualité de crédit de chaque émetteur – D’autre part, quantifier la corrélation de ces évènements pour les différents émetteurs auxquels le portefeuille est exposé

Ils doivent répondre à trois principaux objectifs :
– La mesure des pertes potentielles, associées à un scénario défavorable de crédit – Le calcul des fonds propres alloués à la couverture du risque de crédit – La mise en place d’une approche optimale d’allocation de capital entre les différentes activités de la banque “consommatrice de risque de crédit”

Distribution : risque de crédit vs risque de marché

• •

Risque de marché : rentabilité symétrique (loi normale) Risque de crédit : asymétrique avec phénomène de fat tail (loi log normal)

Les modèles “approche structurelle” : le défaut est un événement endogène défini à partir de l’évolution de la structure du capital, l’entreprise est considérée en cessation de paiement lorsque la valeur de ses actifs ne suffit plus à faire face à sa dette (la valeur de la dette est évaluée à l’aide de la théorie des options) :
– Modèle de Merton – Modèle KMV

Les modèles “sous forme réduite” : le défaut et les évènements de crédit sont des évènements exogènes dont le modèle spécifie la survenance :
– Modèle CreditMetrics – Modèle CreditRisk+

Modèle de Merton
• En 1974, Merton publie un modèle de défaut qui se base sur la recherche d’une explication de l’événement de défaut. Cette explication repose sur une modélisation de la valeur de la firme. Ce modèle suppose que les actionnaires et les créanciers sont en fait des détenteurs d’options :
– Les actionnaires ont une perte limitée à leur investissement initial et bénéficient de toute augmentation de la valeur des actifs de la firme au delà de la valeur de la dette. – Si à l’échéance de la dette, la valeur des actifs de la firme est inférieure au montant de celle-ci, la firme qui liquide ses actifs ne peut honorer sa dette et est ainsi en défaut. – Dans ce cas, les actions ont une valeur nulle et l’actionnaire a perdu sa mise de fonds initiale. – Si par contre, à l’échéance de la dette, la valeur des actifs de la firme est supérieure au montant de la dette, la liquidation des actifs sert à rembourser celle-ci et le surplus est réparti entre les actionnaires.

Une firme ayant une dette d’un montant 0 sur le marché et ayant une valeur nominale de remboursement E et à une date d’échéance T. • Vt La valeur économique des actifs de la firme • S t La valeur des fonds propres à l’instant t Les actionnaires : •

B

La firme qui liquide ses actions ne peut honorer sa dette et ainsi en défaut Les actions ont une valeur nulle et l’actionnaire a perdu sa mise de fonds initiale sauf s’il rembourse le reste la dette.

VT < E :

ST

=0

VT > E :

La liquidation des actifs sert à rembourser la dette et le surplus est reparti entre les actionnaires L’actionnaire reçoit donc la valeur du marché des fonds propres S:

S = Max(V ! E ,0)

• •

L’actionnaire est par conséquent détenteur d’un call sur la valeur des actifs, – De prix d’exercice : la valeur de la dette – D’échéance : l’échéance de la dette – De prime : le service de la dette Si à l’échéance de la dette, la valeur des actifs est < au montant de celle-ci, l’option a une valeur nulle puisqu’elle termine en dehors de la monnaie. Si en cours de vie de l’option, la valeur de la firme est < à la valeur de la dette, l’option est en dehors de la monnaie mais conserve une valeur temps.

Les créanciers :
• Les créanciers ont intérêt à ce que la société aît une valeur des actifs supérieure à la valeur de la dette afin d’être remboursés. Par contre, ils ont intérêt à ce que la valeur des actifs soit la moins volatile possible. Ils sont donc vendeurs de put sur la valeur des actifs
– D’échéance, l’échéance de la dette, – De prix d’exercice, la valeur de la dette, – De prime, le service de la dette

Si la valeur de la firme diminue et devient négative, les créanciers ont intérêt à liquider la société sur laquelle ils supportent de plus en plus de risque (put vendu qui devient de plus en plus dans la monnaie). A l’échéance de la dette le créancier reçoit:

B(VT , E) = min(VT , E)
• Couverture contre le risque de crédit : Si le détenteur d’obligation possède une option de vente put de sousjacent, la valeur de l’actif de la firme V, de prix d’exercice la valeur de remboursement de la dette E et de maturité T ; il peut exercer son option en cas de défaut et obtenir le remboursement

Hypothèses du modèle
• • • Structure des taux en fonction de la maturité est plate Le taux instantané sans risque est stable au cours du temps Hypothèse de Modigliani Miller (absence d’impôt) selon laquelle, la valeur de la firme est indépendante de sa structure financière. • La valeur des actifs de la firme est modélisée par un processus brownien, solution de l’équation de Black&Sholes

dV = µVdt + !Vdz V !2 ln( ) = ( µ $ )t + ! t " V0 2 avec :

" # N (0,1) µ , ! : le rendement et la volatilité des actifs dz un mouvement brownien

La valeur des fonds propres que doit avoir une entreprise pour couvrir sa position à l’échéance de la dette est :

S = V0 [ N (d1 ) ! L N(d 2 )]
• avec :
V0 1 2 d1 = [ln( ) + (r + " )T]/"T E 2 d 2 = d1 ! "T r : le taux sans risque T : est l' échéance de la dette E : la valeur nominale de remboursement de la dette à T V0 : la valeur actuelle des actifs de volatilité " E e -rT L= le levier d' endettement A0

La valeur d’achat de l’option de vente « put » :

P0 = V0 [L N(-d 2 ) ! N (!d1 )]
• Le spread du risque:

N (!d1 ) s = y ! r = ! ln[ N ( d 2 ) + ]/T L
La probabilité de défaut:

pt = N (!d 2 )

Défauts du modèle
• • Le défaut est déterminé seulement à la date de maturité de l’obligation. Le risque du taux est négligé (courbe des taux plate),en réalité le taux est volatile. Modèle de Long staff et Schwartz(1995) : évolution du taux selon un mvt brownien => Les spread de crédit sont négativement corrèles aux taux d’intérêt sans risque Supposition que la valeur des actifs est un processus continu exclue tout défaut non anticipé: cessation de paiement dû à des problèmes de liquidité => La dynamique de valeur d’entreprise possède ainsi deux composantes:une composante continue et une autre discontinue

Le modèle Credit Monitor de KMV*
* Kealhofer, McQuown & Vasicek Corporation

C’est un modèle basé sur celui de Merton qui permet de calculer le risque global d’un portefeuille d’obligations avec risque de défaut. Il se concentre principalement sur l’estimation des différentes probabilités de défaut de plusieurs sociétés par actions à travers le monde. Le défaut ne survient pas dès que la valeur des actifs franchit à la baisse le seuil de la valeur comptable de la dette, mais à un niveau un peu plus bas : le seuil de défaut (default point). La distribution pertinente estimée par KMV est en conséquence celle de l’écart entre la valeur des actifs et le seuil de défaut. La densité de probabilité attachée aux valeurs négatives de cet écart est la mesure réelle de la probabilité de défaut.

Si la valeur des actifs de la société i est inférieure à celle de la dette à maturité, le modèle KMV suppose que cette société fait défaut et qu’elle ne pourra plus honorer ses obligations financières. La valeur de marché des actifs est calculée à partir du cours boursier de l’entreprise. La valeur d’une société i sur un horizon de h années peut être appréciée en comparant la valeur de ses actifs à celle de ces dettes (supposée fixe sur un horizon de temps H) et de la valeur de son capital actions ainsi, est la variable aléatoire d’occurrence de défaut.

• • •

La valeur des actifs est supposée égale à la valeur actuelle, calculée sur une durée de vie infinie, des flux opérationnels futurs générés par l’entreprise. Dans le cas d’une entreprise non cotée, l’estimation est difficile car le processus d’évolution dans le temps ne peut reposer sur l’analyse historique. Les auteurs du modèle apportent une réponse construite sur la théorie des options. On suppose la valeur des actions de la société i dans h années comme un contrat d’option d’achat sur les actifs de celle-ci avec :
– Une échéance dans H années, – Un prix d’exercice égal à la valeur faciale des dettes au temps H.

Par la suite pour obtenir une expression analytique du prix de cette option, KMV applique le modèle de Merton. En effectuant une série d’hypothèse, le modèle KMV obtient donc une valeur :

est appelé distance de défaut, elle dépend entre autres :
– De la volatilité des actifs de la société, – De la valeur initiale de ses actifs, – Ainsi que de la valeur de ses dettes.

Une conséquence directe de l’application du modèle de Merton est que est obtenue à partir d’une loi normale centrée réduite. Ainsi la probabilité de défaut pour la société i et obtenue par :

• •

La probabilité de défaut (EDF) s’exprime comme une fonction de cette valeur de distance au défaut et se détermine grâce à une base de donnée regroupant des informations historiques sur près de 100 000 sociétés-années et plus de 2 000 cas de défaillance. La méthode se fonde sur des valeurs de marché et non sur des valeurs comptables. Elle procède ainsi d’une modélisation prospective de la valeur de la firme tandis que les autres modèles établissent des corrélations statistiques entre les différentes variables.

Représentation graphique

xemple
• • Calcul de DD Avec : Vactifs (valeur de marché anticipée à un an) = A = 100 Vdette = B = 80 !actifs = !a = 10 DD = (100-80) / 10 = 2 écarts-types ou 20 Si les actifs sont distribués normalement, il y a 95% de chances que la valeur des actifs varie entre +/-2! par rapport à leur moyenne Il y a 2,5% de probabilité qu’ils baissent plus de 2!. Il y a donc un EDF de 2,5% à l’horizon d’un an

• • • •

Limite du modèle
• Il est important de mentionner que KMV ne propose aucune méthode pour déterminer le montant de la perte sachant que la société i fait défaut au terme de l’intervalle H. De plus, il ne propose aucune méthodologie pour déterminer la distribution de la perte individuelle Xi associée au titre de la société i ainsi que la distribution du montant total de la perte du portefeuille. Toutefois, il suggère une approche alternative qui détermine la proportion de titre qui feront défaut au cours de l’horizon de temps H. Les évolutions des cours boursiers des sociétés sont elle le juste reflet du risque de crédit de celles-ci ou bien dépendent-elles d’autres facteurs ?

Les modèles « approche structurelle » basés sur la valeur de la firme ont plusieurs limites fondamentales :
• Ils réduisent le risque de crédit au risque de marché lui-même lié à la volatilité des actifs de la firme, ceci implique un lien étroit entre le risque actions et le risque obligataire d’un même émetteur : Le facteur de risque principal, la valeur de la firme, n’est pas une grandeur observable sur les marchés ; Ils impliquent que l’événement de défaut est prévisible, par l’observation de la valeur de la firme, mais le plus souvent, il s’agit d’analyse à posteriori ; Il est difficile d’y intégrer des facteurs de risques supplémentares tels que le risque de taux

• •

CreditMetrics (JP Morgan)
• • • Développé par la firme JP Morgan en 1997 Modèle de type Mark to market mesurant le risque à partir des variations de la valeur de marché du crédit Il propose à partir des matrices historiques de transition de rating, une distribution à un horizon donné d’un portefeuille de crédit. CreditMetrics comporte trois composantes :
– Une méthodologie menant à la détermination d’une VaR du portefeuille de crédit, fondée sur l’étude des probabilités de transition des actifs entre classes de notation et des corrélations entre ces probabilités , – Un recueil de données financières historiques permettant d’irriguer le modèle – Une application informatique permettant de mettre en œuvre la méthodologie.

http://www.riskmetrics.com/

Méthodologie
• • Le modèle s’intéresse à la modélisation des changements dans la valeur d’un portefeuille d’obligations avec risque de défaut sur un horizon H. Il modélise l’évolution du spread de chaque émetteur en supposant que celuici dépend du niveau de rating de cet état. Etape 1 : On attribue à l’émetteur (ou à l’émission) une note externe ou interne. Etape 2 : On calcule une matrice de transition de la note dans un an Etape 3 : On attribue une courbe de taux à chaque type de rating, dans les états possibles autres que la faillite, à partir des taux forward ri pour chaque maturité i Etape 4 : On attribue à chaque émetteur un taux de recouvrement en cas de faillite Etape 5 : On trace la distribution à partir de laquelle on calcule la VaR

• • •

• •

Application

Calcul de la VaR de crédit selon la méthodologie CreditMetrics du portefeuille concernant la ligne suivante : • • • Une obligation Senior Unsecured notée BBB Coupons annuels : 6% 4 ans restant à courir

Matrice de transition
Rating initial AAA AA A BBB BB B CCC AAA
90.81% 0.70% 0.09% 0.02% 0.03% 0% 0.22%

AA
8.33% 90.65% 2.27% 0.33% 0.14% 0.11% 0%

A
0.68% 7.79% 91.05% 5.95% 0.67% 0.24% 0.22%

BBB
0.06% 0.64% 5.52% 86.93% 7.73% 0.43% 1.30%

BB
0.12% 0.06% 0.74% 5.30% 80.53% 6.48% 2.38%

B
0% 0.14% 0.26% 1.17% 8.84% 83.46% 11.24%

CCC
0% 0.02% 0.01% 0.02% 1.00% 4.07% 64.86%

Défaut
0% 0% 0.06% 0.18% 1.06% 5.20% 19.79%

Cette table s’analyse comme suit, en lisant par exemple la ligne BBB du tableau ci-dessous :

Rating AAA AA A

Probabilité 0.02% 0.33% 5.95% 86.93% 5.30% 1.17% 0.12% 0,18%

BBB

BBB BB B CCC D

A chaque type de rating (autre que l’état du défaut), on attribue une courbe des taux forwards (utilisés pour l’actualisation) prenant en compte le risque spécifique de cette catégorie de rating par rapport à une émetteur sans risque de crédit. Cette courbe peut être déterminée à partir d’un pannel d’émission ayant ce rating. Ces taux sont alors composés d’un taux sans risque et d’un spread fonction de la notation envisagée. On calcule alors le prix de vente (avec gain ou perte) du titre pour chaque note compte tenu des courbes suivantes.

Tableau des taux forwards
Rating initial AAA AA A BBB BB B CCC • 1 an
3.6% 3.65% 3.72% 4.1% 5.55% 6.05% 15.05%

2 ans
4.17% 4.22% 4.32% 4.67% 6.02% 7.02% 15.02%

3 ans
4.73% 4.78% 4.93% 5.25% 6.78% 8.03% 14.03%

4 ans
5.12% 5.17% 5.32% 5.63% 7.27% 8.52% 13.52%

Le prix de l’obligation si elle reste notée BBB: P= 6+6/(1+4.1%)+6/(1+4.67%)2+6/(1+5.25%)3 + 106/(1+5.63%)4 107,55 Avec la probabilité=86.93%.

La valeur du BBB dans un an : Rating AAA AA A BBB BB B CCC Valeur 109.37 109.19 108.66 107.55 102.02 98.10 83.64 Probabilité 0.02% 0.33% 5.95% 86.93% 5.30% 1.17% 0.12%

Taux de recouvrement

51,13%

• •

A chaque émetteur, on attribue un taux de recouvrement en cas de faillite. Ce taux est celui que donnera le liquidateur aux créanciers de la société en cas de faillite. Dans le cas de notre titre, ce taux vaut 51,13% avec une probabilité (PD) de 0,18%.

Précisions sur le calcul de la VaR
On procède comme pour la méthode variance-covariance mais avec une autre estimation de la volatilité. La méthode consiste à faire varier la volatilité dans le temps en accordant plus de poids aux données les plus récentes. On peut ainsi s’adapter plus rapidement aux changements des conditions du marché et mieux tenir compte des évènements extrèmes. Elle n’est pas adaptée aux produits complexes. On procède de la façon suivante :
– On calcule la volatilité historique du portefeuille, – On parcourt chronologiquement les rendements historiques en actualisant la volatilité à l’aide de la formule suivante (c’est cette expression qui donne la prévision à 1 jour de la volatilité) : Avec !n-1, la valeur précédente de la volatilité et rn-1, le rendement précédent. On fixe le paramètre " (decay factor) à 0,94 pour les données journalières et 0,97 pour les données mensuelles.

Les covariances sont calculées à l’aide d’une formule analogue. L’estimation la plus récente de la volatilité est utilisée pour calculer la VaR du portefeuille, de la même façon que pour la méthode variancecovariance.

Calcul de la VaR
Valeur (Xi) Probabilité (ni) 109,37 0,02% 109,19 0,33% 108,66 5,95% 107,55 86,93% 102,02 5,30% 98,1 1,17% 83,64 0,12% 51,13 0,18% Moyenne Xi*ni 0,022 0,360 6,465 93,493 5,407 1,148 0,100 0,092 107,088 Xi-M 2,282 2,102 1,572 0,462 -5,068 -8,988 -23,448 -55,958 (Xi-M)2 5,208 4,419 2,471 0,214 25,684 80,783 549,805 3131,289 Variance Ecart type ni*(Xi-M)2 0,001 0,015 0,147 0,186 1,361 0,945 0,660 5,636 8,951 2,992

Rating AAA AA A BBB BB B CCC D

On peut estimer la VaR par une distribution normale (bien que le risque de crédit ne suive pas cette loi de probabilité) :
– – VaR 5% = 1,65*2,992 = 4,93EUR VaR 1% = 2,33*2,992 = 6,97EUR

Limites du modèle
• Inconvénient majeur : rating, probabilités de transition et taux de recouvrement sont basés sur des données statistiques passées La matrice de transition est supposée stable et indépendante des variations du marché. Cette difficulté peut être résolue en utilisant une matrice de transition construite sur la moyenne des estimateurs observés annuellement. Les changements de notation sont supposés indépendants dans le temps.

Modèle CreditRisk+ (CSFB)
• Modèle conçu pour évaluer le risque de défaut d’un portefeuille et pour avoir une application dans le contrôle de :
– La concentration du risque, – L’évaluation du niveau de solvabilité d’un agent économique, – La gestion des crédits.

• •

Introduit par CSFB en décembre 1996 dans le cadre de la gestion du risque de crédit. Sa notoriété est en partie due à la gratuité du logiciel depuis 1997, à sa documentation détaillée et à la rapidité de calculs du risque.

Principe du modèle
• • • • • Aucune hypothèse sur la cause de défaut Il fait correspondre à chaque agent une probabilité de défaut dépendant de facteurs macroéconomiques Il s’agit d’une modélisation discrète Résultat : il permet de déterminer de manière rapide, la perte totale d’un portefeuille composé de titres de crédit. Il suit une loi gamma :

Hypothèses et mises en oeuvre
• • • On considère un portefeuille de m titres. Chaque titre peut occuper seulement deux états (loi de Bernouilli). On note Ii l’événement de défaut du titre i (avec i=1, 2…m) P(Ii=1) = qi est la probabilité de défaut du titre i sur un horizon h, on suppose que les qi (i=1, 2…m) sont des variables aléatoires et les I sont indépendantes du vecteur de probabilité de défaut q. Le modèle spécifie que chaque qi dépend de c facteurs Rj (j=1…c) macroéconomiques, l’ampleur de leur impact dépend de la sensibilité de chaque titre i.

• •

Ainsi :

Qi = Qi " Aij Rj où " A ij = 1 et Rj ~ gamma(1, ! j )
j =1 j =1

c

c

Ces Aij représentent la sensibilité de chaque titre i par rapport aux facteurs de risques macroéconomiques. Ils permettent d’expliquer la volatilité des taux de défaut.
Le modèle définit la variable aléatoire Bi représentant le montant total emprunté moins la somme récupérée par la contrepartie après la saisie, la liquidation ou la restructuration de la partie défaillante, ramenée à une base entière.

Le montant individuel de la perte Xi pour le titre i est définie par : Xi = IiBi

• •

où b0 est une unité de base de perte et zi est le taux de recouvrement déterministe du titre I, Li est la valeur du titre obligataire au terme de l’horizon h. Bi représente donc le montant total emprunté moins la somme récupérée par la contrepartie après la saisie, la liquidation ou restructuration de la partie défaillante, ramenée à une base entière. Enfn, le modèle CSFB détermine la distribution du montant total de la perte pour un portefeuille de m titres de crédit : Sm=X1+…+Xm La probabilité que n obligations fassent défaut pendant la période considérée peut-être représentée par une loi de Poisson.

Analyse comparée des modèles CreditRisk+ et CreditMetrics
• • CreditRisk+ est un modèle centré exclusivement sur le risque de défaut. Il n’analyse pas le risque de dégradation de la signature. L’objectif est de déterminer le montant de perte en cas de défaut d’une contrepartie, et non en cas de modification de la notation ou de changement de spread. A la différence des modèles tels KMV, il ne cherche pas à modéliser les raisons de ce défaut. Le montant est obtenu en segmentant les émetteurs en différentes expositions sur des secteurs économiques ou géographiques et en tenant compte éventuellement de la corrélation des taux de défaut entre ces secteurs. Le modèle permet de déterminer une distribution de perte afin de quantifier le coût en capital d’un portefeuille de crédits.

• •

CreditMetrics quant à lui, est un modèle de crédit estimant les pertes dues à la fois :
– au risque de défaut, – mais également au risque de variation du spread de signature.

La modélisation du risque de crédit repose sur l’évolution au cours du temps du rating de chaque émetteur ; cette évolution étant déterminée à partir des matrices de transition.

• • • •

Dans le modèle de CreditRisk+, les sources de risques suivent une loi gamma alors que dans le modèle CreditMetrics, celles-ci suivent une loi normale. Le fait qe ces variables suivent des lois différentes a un impact significatif sur la forme de la distribution et du risque estimé par ces modèles lorsque les quantiles deviennent élevés. En effet, si l’on augmente la volatilité d’une série suivant une loi normale, sa kurtosis reste constante. En revanche, la kurtosis d’une série décrivant une loi gamma augmente avec la volatilité. Les deux modèles bien que très différents dans leur apparence, ont des fondements scientifiques similaires puisque la méthodologie statique de CreditMetrics peut être décrite dans un cadre similaire à CreditRisk+. Les différences entre les deux modèles se situent donc au niveau du paramétrage des inputs de chaque modèle.

Etude comparative chiffrée
• Une étude a été menée par l’ISDA sur trois portefeuilles de profil de risque différents. Pour chacun de ses portefeuilles, la consommation en capital basée sur le risque de défaut a été calculée sur la base des deux modèles, ainsi que sur l’approche réglementaire standard. Les portefeuilles utilisés sont les suivants :
– Portefeuille A constitué de 500 émetteurs de bonne signature (investment grade) – Portefeuille B constitué de 500 émetteurs de mauvaise signature (speculative grade) – Portefeuille C constitué de 500 émetteurs de bonne signature non diversifié

Les encours des trois portefeuilles sont les mêmes.

Les consommations de capital sont les suivantes :
– Dans le cas où l’on ne tient pas compte des corrélations entre émetteurs : Portefeuille A Risque réglementaire CreditMetrics CreditRisk+ 5304 777 789 Portfeuille B Portefeuille C 5304 1989 2074 5304 2093 2020

– Dans le cas où l’on tient compte des corrélations entre émetteurs : Portefeuille A Risque réglementaire CreditMetrics CreditRisk+ 5304 2264 1638 Portfeuille B Portefeuille C 5304 11436 10000 5304 2941 2574

On constate que ces deux modèles diffèrent sensiblement des méthodes forfaitaires standards et que si les résultats des deux modèles sont proches en l’absence de la prise en compte des corrélations entre les émetteurs, certains écarts apparaissent lorsque celles-ci sont prises en compte.

Risque de marché

Notion de risque de marché (Commission bancaire)
Le risque de marché, défini comme le risque de pertes sur les positions du bilan et du hors-bilan à la suite de variations des prix de marché, recouvre : – Les risques relatifs aux instruments liés aux taux d’intérêt et titres de propriété du portefeuille de négociation – Le risque de change et le risque sur produits de base encourus pour l’ensemble de l’activité de bilan et de hors bilan

Plan :
• • • Les recommandations du régulateur Présentation de la VaR Quels paramètres retenir ?
– Le seuil de confiance – L’horizon

Approche théorique
– Propriétés de la VaR – Deux grandes approches : quatre grands modèles

• • •

Backtesting Stress Testing Zoom sur :
– RiskMetrics – Comparaison des différentes méthodologies – Présentation de l’implémentation de calculs de VaR

Les recommandations du comité de Bâle
• Amendement du Comité de Bâle I (janvier 1996) : obligation pour les banques de mesurer leurs risques de marché et de leur appliquer des exigences de fonds propres Choix d’une méthode
– de mesure de risques standard, – ou, d’une méthode basée sur des modèles internes, respectant un certain nombre de critères quantitatifs et qualitatifs fixés par Bâle.

Le régulateur indique sa préférence pour la méthode de mesure basée sur les modèles internes du fait de la diminution des coûts en fonds propres par une meilleure prise en compte des stratégie de diversification des risques

Des pressions réglementaires poussent à l’utilisation de la simulation : • Recommandations CNC ( France) : calculs de var et de stress-test sur activités de marché dans le rapport de gestion • Règlement CRB 97-02 : obligation de calculer une var quotidienne sur activités de marché (si significative) • Capital Adequacy Directive (Europe) : utilisation de la var pour calcul des fonds propres alloués à la couverture des risques de marché (“modèles internes”)

L’approche standard
• Présentée dans les différenes annexes du document de la Commission bancaire, l’approche standard peut se résumer :
– Le tableau suivant indique les différentes catégories de risques concernés Catégorie de risque Risque de taux (risque général et spécifique) Risque sur titres de propriété Risque de change Risque sur matières premières Risques optionnels Périmètre de calcul Portefeuille de négociation Portefeuille de négociation Ensemble des opérations qu’elles appartiennent au ptf de négociation ou non Ensemble des opérations qu’elles appartiennent au ptf de négociation ou non Options associées à chacune des catégories de risques précédents

– Pour chacune de ces catégories, on calcule une exigence de fonds propres. – L’exigence de fonds propres de l’établissement correspond à la somme arithmétique des exigences par catégories.

• •

Développé dans les annexes, le calcul de l’exigence de fonds propres pour chaque catégorie de risque correspond à des pondérations de position. On distingue :
– Le risque général (systématique) : le risque imputable aux facteurs communs du marché (évolution générale du marché) ; – Le risque spécifique (idiosyncratique) : le risque imputable aux facteurs propres au titre.

Méthodologie :
– Déterminer les positions nettes sur chaque titre de propriété – Pour le risque globale : on effectue la somme des positions nettes globales pondérée par la volatilité de ce marché – Pour le risque spécifique : l’exigence de fonds propres est la somme des positions nettes multipliées par un coefficient de pondération (2%, 4%, 8% selon la liquidité et la diversification de la position : par exemple, pour un indice boursier suffisamment international, on applique 2%)

L’approche modèles internes
• L’approche modèles internes (Internal Models Approach) est très différente de l’approche standard, l’exigence de fonds propres est un calcul de valeur en risque. Avant d’utiliser l’approche modèle interne, une validation de la Commission bancaire est nécessaire pour vérifier que les méthodes respectent les contraintes et obéissent à certains standards de marché Pour une banque, la construction d’un modèle interne doit permettre de fournir une mesure plus économique (plus rationnelle) du risque de marché. Ce projet oblige la banque à améliorer son système d’informations : stockage et qualité des données.

• •

Présentation de la VaR
Des questions cruciales pour une direction générale :
• • • • Quelle est notre exposition aux risques de marché ? Jusqu’où ces risques peuvent-ils influencer nos résultats ? De combien une opération particulière de couverture va-t-elle réduire nos risques financiers ? Devons-nous réduire notre exposition aux mouvements des marchés financiers ?

Nécessité de pouvoir suivre de manière homogène l’ensemble des risques liés à l’activité financière
• • • • Risque de marché : variation de la valeur d’un portefeuille d’actifs due aux mouvements de marché (prix, taux, volatilité) Risque de crédit : non respect d’un engagement par une contrepartie Risqe de liquidité :impossibilité d’échanger un titre sur les marchés Risque opérationnel : défaillance dans le traitement d’une opération (erreur humaine, problème informatique, fraude…)

La VaR est devenue un standard en finance :
– Proposé par JP Morgan dans les années 90 (solution RiskMetrics) – S’est peu à peu étendu à l’ensemble de la communauté financière – Champ d’application de plus en plus vaste : activités de marché, gestion de portefeuille, financement…

Représentation du risque par un chiffre :
• • Comparaison possible entre différents instruments, portefeuilles, activités, entreprises… Ce chiffre s’exprime dans une unité faciale à appréhender (généralement un montant dans une devise donnée)

Définition

Value at Risk : perte potentielle maximale, à l ’intérieur d ’un intervalle de confiance donné, supportée par un établissement sur son portefeuille de positions, dans l'hypothèse d'un scénario défavorable de marché sur un horizon déterminé.

La mesure de risque
• Historiquement, la mesure naturelle du risque est la volatilité, la mesure actuellement la plus répandue est la valeur en risque. La VaR est une mesure de la perte relative de la valeur d’un portefeuille :
– D’un point de vue statistique, la VaR n’est rien d’autre que le quantile de la perte potentielle pour un horizon et un seuil de confiance donné – Elle permet de répondre à la question : « Combien l’établissement financier peut-il perdre avec une probabilité de x% sur un horizon de temps fixé »

• •

Dans un monde gaussien, la mesure volatilité et la mesure quantile sont parfaitement cohérentes puisque l’on peut expliquer l’une en fonction de l’autre. Dans un monde non gaussien, cette relation n’est plus vérifiée.

L’originalité de la méthode de la VaR est de ne pas se limiter à une mesure du risque en terme d’écart-type (la volatilité a augmenté de 2%) ou en terme de variation relative (la sensibilité est de 4,2) mais de produire une mesure absolue d’une perte potentielle. Ainsi, avec les valeurs d’un risque de 5% sur un horizon de 1 mois, une VaR de 2,5Mios EUR signifie qu’il y a une probabilité de 95% que la perte potentielle sur le portefeuille soit inférieure à 2,5Mios EUR. Inversement, il y a 5% de chance que cette perte soit supérieure à cette valeur. La VaR apparaît comme un seuil de risque.

Derrière cette définition d'apparence simple, se cachent en réalité quatre grandes questions méthodologiques : • • • • Quel intervalle de confiance retenir ? Quel est l'horizon du risque de marché ? Comment modéliser le scénario défavorable de marché ? Comment estimer et tenir compte des corrélations entre positions ?

Quels paramètres retenir ?
• Au sein des institutions financières, la VaR est aussi bien utilisée par les opérationnels que par la direction générale :
– – – – Calcul de la VaR sur une position ou sur l’ensemble d’un portefeuille Suivi du risque pour les différents métiers d’une banque Allocation de fonds propres économiques en couverture des risques Mesure de la performance (RAROC)..

Les paramètres de calcul seront définis selon l’utilisation qui sera faite de la VaR

Quel est l'horizon du risque de marché ?

• •

Pour le calcul du capital réglementaire, la période de détention est fixée à 10jours de trading. C’est le temps que les autorités jugent nécessaire pour que la banque puisse retourner ses positions :
– Pour les produits standards : dans la journée, si le marché est liquide – Pour les produits exotiques : plus difficile de trouver une contrepartie.

Le seuil de confiance
• L'intervalle de confiance exprime la probabilité que la perte associée à la V.A.R. ne soit pas dépassée. Il représente le degré de "confort" de la V.A.R. Rappel de quelques intervalles de confiance standards : – 1 écart type : 83 % – 2 écarts types : 97,5 % – 3 écarts types : 999/1000 Réglementairement, la mesure VaR Marché donne une image du risque de marché dans des conditions normales de marché. Le seuil de confiance est fixé à 99% (pour les risques de crédit et opérationnels : 99,9%)

Selon les définitions réglementaires, la performance ne doit théoriquement pas dépasser la VaR une période toutes les 100 périodes, on dit communément qu’il y a un retour tous les quatre ans (1000 jours de trading = +/-4 années calendaires). Une valeur en risque de 10 jours au seuil de confiance de 99% est donc équivalente à une couverture à quatre ans. Ce seuil de confiance est souvent relié à l’objectif de rating de l’établissement financier. Une banque notée AAA se doit de couvrir ses risques avec un niveau de confiance supérieur à celui d’une banque notée BBB.

Approche théorique
• Le calcul de la VaR repose sur l’évolution de la distribution des pertes et profits futurs d’un portefeuille. • Plan : – Fondement et représentation graphique de la VaR – Deux grandes approches / quatre grands modèles

Fondement et représentation graphique de la VaR
• • Si l’on dispose de la distribution de la variation de valeur du portefeuille ( !P), la VaR est égale à l’inverse de la fonction de répartition de la loi de distribution évaluée au seuil de confiance 1-p (avec p=5% ou 1%). Si l’on note X la variable aléatoire représentant la variation de valeur du portefeuille (variation pour un intervalle de temps j jours si la période de détention est de j jours), alors on cherche le nombre VaR tel que :

!t =

P[X < !VaR ] = p # P["P / P < !VaR / P ] = p

En inversant cette équation et en supposant une loi normale N(o;!) pour , on obtient :

P[X < !VaR ] = p # P["P / P < !VaR / P ] = p

avec #, la fonction de répartition de la loi normale centrée réduite.

VaR = #" #1 (p )! $ ! P

Ci dessous, nous donnons une illustration graphique de la densité de probabilité d’une loi normale N(0 ;15) et 30000 observations : – pour p=0.01 VaR=-2.33*15%*P – pour p=0.05 VaR=-1,65*15%*P

Si l’horizon d’analyse est supérieur à 1 jour et en considérant un seuil de confiance d’1%, par exemple pour : – 1 mois (approché par 25 jours ouvrés) : VaR=-2.33*15%*!"5/255*P – 1 semaine (approché par 5 jours ouvrés) : VaR=-2.33*15%*!#/255*P

Empirique Vs Loi normale

Contrairement à la distribution normale, l’empirique possède une asymétrie entre les gains et les pertes et elle est plus efilée autour de la moyenne. On peut également observer des rendements extrèmes que la distribution normale ne prévoit pas.

Deux grandes approches : quatre grands modèles

Var Historique : Principe

Le procédé de simulation historique repose sur l’observation passée des variations des facteurs de marché pertinents (des taux par exemple) On suppose alors que le futur est la reproduction du passé en appliquant la tendance observée pour calculer les valeurs futurs qui génèrent un risque (les valeurs futures d’un contrat par exemple) On classe ensuite les valeurs trouvées dans l’ordre croissant, de la plus grande perte au profit maximal, et on étudie celle qui correspond au pourcentage de chance de perte.

Var historique : Sans tirage / Avec tirage aléatoire

Principe de la VaR historique sans tirage
Mise en œuvre : • Calculer les rendements historiques des composantes du portefeuille • Trier ces rendements par ordre croissant • Calculer la VaR en fonction de l’indice de confiance retenu Méthode la plus simple à implémenter • Elle permet de simuler les scénarios catastrophes qui échappent aux distributions normales • Elle suppose que le futur reproduit le passé et nécessite un grand nombre de données pour converger

Principe de la VaR historique avec tirages aléatoires
• Avec tirages aléatoires : – Reconstituer la distribution historique sur l’horizon retenu en tirant au sort les variations quotidiennes au sein de la distribution historique du portefeuille – Calculer les VaR en fonction de l’indice de confiance retenu Cette méthode permet de pallier au nombre d’échantillon nécessaire

Var historique : application
• On considère un portefeuille linéaire composé de trois actifs : A, B et C. Ces titres sont respectivement cotés : 244EUR, 135EUR et 315EUR. La composition du portefeuille est : 2A -1B + 1C A partir de l’évolution des prix des actifs pour les 251 derniers jours, on calcule le rendement journalier des trois actifs. Puis, on applique ces chocs à la valeur actuelle du portefeuille pour obtenir 250 réalisations du P&L. Après un tri croissant, on identifie la nième perte de telle sorte que n = 250*(1-95%) La VaR correspond au P&L de cette nième perte

• • • • •

Evolution des prix des actifs A, B et C

Fréquences empiriques des rendements des actifs et du P&L

Historique des 12 premières observations pour calcul

Détermination du P&L

Détermination de la VaR

Les pertes les plus importantes sont respectivement de -28,42, 22,59, -20,98, -20,94, -19,59, -17,35… La VaR est donc la 250*(1-99%) = 2,5ème valeur de P&L. En procédant par interpolation linéaire, on obtient : -22,59 + 1/2 (-20,98+22,59) = -21,78EUR

• •

Illustration graphique
VaR 95% à 1 jour de l’Eurostoxx50

VaR 95% à 1 jour du change USD/JPY

Les limites des modèles historiques
• • L’avantage majeure de cette méthode est sa facilité de mise en œuvre Elle souffre en revanche de nombreuses limites :
– – – La taille de l’historique doit être suffisamment grande comparée à l’horizon ; La VaR historique renseigne surtout sur la VaR passée ; La méthode est inadaptée aux produits dérivés.

VaR probabiliste : le recours aux statistiques

VaR paramétrique (méthode variance-covariance)

• • • •

Cette méthode repose sur l’hypothèse de normalité de la distribution des facteurs de marché sous-jacents. Elle consiste à représenter la distribution des profits ou pertes potentielles selon une fonction de densité d’une loi normale de moyenne 0. Connaissant la fonction de répartition de la loi normale centrée réduite, on en déduit la VaR Si X suit une loi normale de paramètre (0,1), alors P(X>1,65)=5% On émet l’hypothèse que les rendements du portefeuille et des facteurs de risque ont des distributions normales. Même si cette hypothèse n’est pas empiriquement justifiée, elle permet de simplifier énormément les calculs.

Application 1
• Si on considère un portefeuille qui contient 100Mios EUR d’actions X et 5Mios EUR d’options Y et un écart-type de 200 000EUR et 50 000EUR. On suppose que les rendements des deux capitaux suivent une loi normale avec une corrélation égale à 0,3 Déterminer l’écart-type du portefeuille ? Calculer la VaR pour un horizon de 2 semaines et un seuil de confiance de 99% :
– Des actions – Des options – Du portefeuille

• •

Corrigé : Application 1
• Ecart type du portefeuille : !$200000^2 + 50000^2 + 2 x 0,3 x 200000 x 50000)=220277 VaR du portefeuille à :
– un horizon d’un jour : 220227 x 2,33 = 513129EUR – Un horizon de 10 jours ouvrés : 513129 x !%0 = 1 622 657

Remarque : Dans cette exemple, on voit bien l’intérêt de la diversification :
– La VaR 10j pour le portefeuille d’actions est égale à : 1 473 621 – La VaR 10j pour le portefeuille d’options est égale à : 368 405 – La VaR 10j pour le portefeuille global est égale à : 1 622 657

Le gain de la diversification : (1 473621+368405)-1622657 = 219 369EUR

Application 2
Soit le portefeuille suivant : • Long 100 USD/EUR spot (Position X1) • Long 500 EUR zéro coupon 10 ans (Position X2) • Acheteur équivalent 100 EUR CAC 40 (Position X3) Hypothèses : volatilité USD/EUR : volatilité taux EUR 10 ans : volatilité CAC 40 : corrélation USD/EUR et taux EUR 10 ans : corrélation USD/EUR et CAC 40 : corrélation taux EUR 10 ans et CAC 40 : Données de marché : USD/EUR : taux zéro coupon continu 10 ans : CAC 40 : Quelle est la Value at Risk de ce portefeuille ? 4000 14 % 26 % -0,071 + 0,39 - 0,11 5,50 5%

9%

Calcul de la variance du portefeuille et détermination de la VaR
Volatilité de la position de change : 100 USD x 5,50 x 9 % x
10 252

= 9,86EUR
10 252

Volatilité de la position de taux : 500e -(10x5%) x 10 x 14 % x 5 % x Volatilité de la position de CAC 40 : 100 EUR x 26 % x Variance du portefeuille : 9,86 ! + 4,23 ! + 5,18 ! - 2 x 0,071 x 9,86 x 4,23 + 2 x 0,39 x 9,86 x 5,18 - 2 x 0,11 x 4,23 x 5,18 = 171,04 MiosEUR! d'où volatilité de portefeuille = !%71,04 = 13,08 Mios EUR d'ou V.A.R. (2,33 $) = 2,33 x 13,08 = 30,47 Mios EUR
10 252

= 4,23EUR

= 5,18EUR

Simulation Monte Carlo : Principes

• C’est une méthode paramétrique • Connaître la forme et les paramètres des distributions des facteurs de risque • Simuler des scénarios de variation des facteurs de risque • A partir de la composition actuelle du portefeuille, simuler la distribution de variation de valeur du portefeuille

• • • •

La simulation de Monte Carlo est une méthode paramétrique, c’est à dire qu’elle requiert la connaissance de la forme et des paramètres de distributions des facteurs de risque. Connaissant ces éléments, il est possible de simuler de nombreuses trajectoires pour chaque facteur de risque tout en tenant compte des corrélations entre chaque facteur de risque. Comme dans le modèle précédent, il est nécessaire d’avoir un modèle d’évaluation ou une fonction de prix qui relie la variation de la valeur du portefeuille aux variations des valeurs de risque. A partir de la composition actuelle du portefeuille et des nombreux scenario tirés, il est donc possible de simuler la distribution de variations de valeur du portefeuille puis d’en tirer la VaR. La simulation de MonteCarlo diffère de la simulation historique sur un aspect principal Tandis que les scenarios des facteurs de risque sont directement pris du passé dans l’approche historique, ils ont à être simulés à travers une modélisation mathématique dans l’approche stochastique. Pour modéliser l’évolution des facteurs de risque, il est nécessaire de spécifier un processus stochastique pour chaque facteur, et d’estimer les paramètres de ces processus ainsi que les corrélations entre les parties aléatoires des processus.

Mise en oeuvre
• Méthode adaptée à tous les types de position (linéaire ou convexe) et qui permet une interprétation aisée du scenario catastrophe. Cette méthode est cependant lourde à implémenter : – Simuler des trajectoires d’évolution des sources de risque (à partir de 3000) jusqu’à l’horizon du risque, – Calculer le mark-to-market du portefeuille à l’issue de chaque simulation du portefeuille, – Etablir la distribution des mark-to-market, – Calculer la VaR à partir de l’intervalle de confiance retenu.

Simulation de Monte Carlo : illustration graphique

Limites des modèles probabilistes

Limites liées au concept de la VaR
• La VaR n’est qu’une mesure théorique d’une perte potentielle. Cette évaluation peut comporter une imprécision assez importante qui serait par exemple intolérable dans le cadre d’un calcul de résultat Anticipation des pertes
– La première limite de la VaR est directement liée au concept lui-même de sa définition : en effet, la VaR ne fournit aucune indication sur l’ampleur des pertes, si un événement défavorable devait se produire. – En effet, la VaR ne donne aucun renseignement sur le comportement des rendements qui sortent de l’intervalle de confiance que l’on s’est fixé, ce qui est une information capitale pour celui qui veut gérer son risque avec soin – De plus, lors des conditions exceptionnelles, la VaR telle qu’elle est mesurée par sa nature même, en retard sur l’événement. En conséquence, elle ne remplie pas totalement le rôle qui lui est assigné ; à savoir une mesure de risque de marché sur laquelle on puisse compter pour anticiper ses pertes. C’est pour cette raison que les instances de contrôle obligent les banques à compléter leur calcul de VaR par des analyses de scénario catastrophe

Rupture de tendance :
– La deuxième limite vient du fait que toutes les méthodes sont basées sur l’exploitation de données historiques. – Les ruptures de tendances constituent les dangers primordiaux de telles approches. – En utilisant une période historique de référence, un événement quelconque (modification de la politique monétaire, correction des taux…) peut infirmer la tendance observée.

Backtesting
• • Le backtesting est un contrôle ex-post qui visent à s’assurer que le degré de couverture observé correspond bien au niveau de confiance de 99%. Ce contrôle permet notamment de calculer les exceptions. Une exception correspond à une date où la perte dépasse le risque calculé par le modèle (la VaR). La Commission Bancaire utilise le nombre d’exceptions pour valider le modèle et pour déterminer le facteur complémentaire : Afin de permettre à la Commission Bancaire de vérifier en permanence l’adéquation du facteur complémentaire, l’établissement informe sans délai et, en tout état de cause, dans les cinq jours ouvrables, le Secrétariat général de la Commission Bancaire, des dépassements révélés par leur programme de contrôle ex-post qui, en fonction du tableau impliquerait un relèvement du facteur complémentaire.

Tableau évoqué précédemment de la Commission Bancaire
Zone Verte Orange Nbre de dépassements Moins de 5 5 6 7 8 9 10 et + Facteur complémentaire 0 0,4 0,5 0,65 0,75 0,85 1

Rouge

Principes

Test effectué sur un horizon de 4 ans pour une VaR (99%, 7jours)

Portefeuille HSBC Actions France

Nb d’observations 799

Nb de dépassements 4

% % d’erreur d’erreur accepté 0,501% 1%

Exemples

Les pertes sont rares et toujours très inférieures à la VaR

ABN AMRO (2000)

Sur estimation de la VaR

Deutsche Bank

• • •

Les résultats quotidiens sont toujours positifs La distribution des gains/pertes ex-post est très différente de la distribution exante Incorpore le risque business (marges commerciales) et l’expertise (inormations non contenues dans les prix) des traders

Stresstesting
• Pour répondre aux exigences réglementaires, les établissements financiers doivent effectuer régulièrement des simulations de crise (ou scénarios de stress) afin de connaître le montant des pertes exceptionnelles en cas de fluctuations dangereuses et importantes du marché. Ces simulations de crises ne sont en aucun cas utilisées pour calculer l’exigence de fonds propres, mais doivent permettre d’identifier les zones du portefeuille les plus sensibles aux crises. Le but de ces simulations est donc de compléter le dispositif de gestion et de mesure du risque de marché. Contrairement à la VaR, elles doivent permettre de répondre à la question suivante : Quel est le montant de perte auquel la banque doit faire face lors de la prochaine crise si le portefeuille de négociation ne change pas ?

Utilité du stress testing
• Les mesures du stress testing sont avant tout destinées au risk management et à la direction générale de la banque. L’intérêt de ces simulations est de pouvoir influencer directement les choix de la direction générale en matière de gestion du risque : – la crédibilité du scénario aux yeux de la direction générale ; – La bonne lisibilité pour cette dernière de l’exposition du portefeuille aux différents facteurs de risque préalablement définis.

Principes
• La notion de probabilité disparaît. Statistiquement, les stress testing font référence à un maximum, et non à un quantile. C’est une vision du risque extrême. Les stress testing sont donc des suites de questions :
– Quel est l’impact d’une hausse des taux directeurs de 100bp ? – Quelles son les conséquences d’une dévaluation ? – Que se passe-t-il en l’absence de liquidité d’un marché ?

Comme il n’existe pas de standard pour l’élaboration des scénarios de crise, on gardera à l’esprit qu’un programme de simulation de crises doit être en mesure de répondre à trois questions :
– Quels sont les pires scénarios pour l’institution ? – Quelles seront les pertes si le scénario X se produit ? – Quelles mesures devront être prises pour limiter les pertes si tel scénario se produit ?

Méthodologies employées
• On peut classer les stress testing selon trois approhces :
– La plus simple consite à utiliser les données des crises passées et à employer la méthode de simulation historique sur ces périodes troublées pour calculer une perte potentielle maximale. L’établissement financier a alors une estimation de la perte induite par la survenance aujourd’hui de ces mêmes crises avec le portefeuille de négociation actuel. – La deuxième approche est une analyse structurée des scénarios. Les évènements historiques sont utilisés en les appliquant aux conditions actuelles de marché. Contrairement à la première méthode qui utilise les données historiques, cette méthode va donc utiliser des données simulées à partir des données actuelles et des évènements passés. – La troisième approche est une analyse de scénarios spécifiques. Pour cela, il convient d’identifier une situation qui risque de menacer l’établissement financier . Cette méthode ne fait donc pas référence aux évènements passés, mais utilise des hypothèses sur les crises potentielles futures

Outils de modélisation

Directions méthodologiques choisies par les établissements
• Résultat dune enquête menée par Deloitte &Touche en 1999 auprès de 200 banques dans le monde sur le risk management.

Utilisation du stress testing Scénarios reposant sur la politique et l’économie Chocs marchés Chocs historiques Stress-testing global Micro stress testing Théorie des valeurs extrèmes
• •

Actuels 40% 70% 65% 30% 44% 5%

Envisagés 45% 55% 58% 50% 29% 24%

On assimilera les méthodes 1, 2, 4 et 5 à des méthodes subjectives, les méthodes 3 et 6 correspondent à l’approche historique. Plusieurs approches sont utilisées par les banques. Pour autant, les chocs historiques sont et resteront les plus utilisés pour répondre aux différentes exigences de la Commission Bancaire

Conclusion
L’étude des limites de la Value at Risk n’est autre que la réponse à la question : laquelle des trois méthodes (historique, analytique ou Monte Carlo) est la meilleure ? Chacun de ces outils a des inconvénients qui dépendent des instruments à gérer. Ils diffèrent par leur capacité à capturer le risque des options ou plus généralement, des instruments non linéaires, par leur rapidité d’implémentation, par leur niveau d’appréhension par un dirigeant non spécialisé, par leur adaptabilité aux changements d’hypothèses et de tendances, par la pertinence de leurs résultats. • Capacité à capturer le risque des options :
Les deux méthodes de simulation (Monte Carlo et historique) gardent leur pertinence malgré la présence d’instruments non linéaires dans un portefeuille Ce sentiment est beaucoup plus mitigé concernant la méthode VarianceCovariance. Cette méthode utilise des outils standardisés pour extraire le risque d’un instrument. Ainsi, une option sera modélisée en terme d’équivalent delta de sa position. Cette linéarisation approxime la courbure du graphe d’une option. Pourtant, la position en delta sous-estime sa valeur.

• •

La simplicité conceptuelle de la méthode historique la place en haut du podium. Sa lisibilité, sa transparence envers un auditoire peu technique est sans reproche. La méthode de la Variance-covariance s’adresse plus au modélisateur qu’à un auditoire peu familiarisé avec l’outil probabiliste, qui ne focaliserait alors que sur les résultats. Pourtant, les hypothèses de distribution gaussiennes, de variables aléatoires indépendantes et identiquement distribuées, confèrent une fragilité importante au modèle. La simulation de Monte Carlo présente un degré d’accessiblité encore plus faible. Les premières étapes consistent à générer des distributions aléatoires qui sont baties sur des disgressions mathématiques complexes.

Comparaison des différentes méthodologies
L’objectif de cette section est de constater comment évolue les différentes VaR :
– – – – Analyse historique Variance-Covariance MonteCarlo RiskMetrics

selon la composition du portefeuille et d’observer les résultats de backtesting

Portefeuille 1 :
! Portefeuille CAC 40
! Montant 50 000 euros ! Horizon : 1 mois ! Date : 30 octobre 2003 ! Nom d’observations : 500 ! Rendement moyen : 0.04374 % ! Volatilité : 1.253058 % ! Rendement minimal : -7.67800 % ! Rendement maximal : 6.80800 %

Résultat portefeuille 1 :
(Montant en euros)

VaR à 95 % 4 456 4 511 4 578 6 814

VaR à 99 % 7 352 6 421 6 335 9 638

Analyse historique VarianceCovariance Monte Carlo RiskMetrics

! Mesures de VaR différentes !Méthodes Variance Covariance et Monte Carlo proches ! La méthode Variance Covariance sous estime les extrêmes ! Valeurs plus importantes avec RiskMetrics

Portefeuille 1 : Backtesting des résultats
Méthode Taux d’échec Analyse historique Variance-Covariance Monte Carlo RiskMetrics 5.94% 5.91% 5.88% 5.70% 1.56% 2.30% 2.30% 1.56% VaR à 95 % VaR à 99 %

Portefeuille 2 : ! Portefeuille Nouveau Marché
! Montant 50 000 euros ! Horizon : 1 mois ! Date : 30 octobre 2003 ! Nom d’observations : 500 ! Rendement moyen : -0.03143 % ! Volatilité : 2.192166 % ! Rendement minimal : -12.85000 % ! Rendement maximal : 16.70000 %

Résultat portefeuille 2 :
(Montant en euros) Analyse historique Variance-Covariance Monte Carlo RiskMetrics VaR à 95 % 8 339 8 135 8 060 8 099 VaR à 99 % 15 890 11 477 11 366 11 455

Portefeuille 2 : Backtesting des résultats
Méthode Taux d’échec Analyse historique Variance-Covariance Monte Carlo RiskMetrics 5.76% 5.73% 5.65% 5.84% 1.43% 2.28% 2.28% 1.47% VaR à 95 % VaR à 99 %

Portefeuille 3 :

! Portefeuille SBF 250 ! Montant 50 000 euros ! Horizon : 1 mois ! Date : 30 octobre 2003 ! Nom d’observations : 500 ! Rendement moyen : 0.03975 % ! Volatilité: 1.083939 % ! Rendement minimal : -7.44800 % ! Rendement maximal : 5.74700 %

Résultat portefeuille 3 :
(Montant en euros) Analyse historique Variance-Covariance Monte Carlo RiskMetrics VaR à 95 % 3 865 3 898 3 898 5 599 VaR à 99 % 6 645 5 550 5 479 7 919

Portefeuille 3 : Backtesting des résultats
Méthode Taux d’échec Analyse historique Variance-Covariance Monte Carlo RiskMetrics 5.76% 5.73% 5.65% 5.84% 1.43% 2.28% 2.28% 1.47% VaR à 95 % VaR à 99 %

Risques opérationnels

Plan
• Les recommandations du Comité de Bale II • Présentation d’une organisation de gestion du risque opérationnel dans l’approche standard • De la méthode standard à la méthode avancée

Les recommandations du Comité de Bâle II
Des définitions multiples ont été proposées : • Définition négative : ni risque de crédit, ni risque de marché, ni risque de taux d’intérêt global • Définition plus restrictive issue du règlement 97-02 : risque résultant d’une insuffisance de conception d’organisation et de mise en œuvre des procédures d’enregistrement dans les systèmes comptables et plus globalement dans les systèmes d’information ; • Définition positive : intégralité des risques émanant de la non qualité ; • Une présentation selon les 5 catégories de risques :
– – – – – Organisationnels De process Humains Technologiques prise en compte de facteurs externes

" Un consensus émerge désormais autour de la définition de Bâle ; néanmoins, cette définition a nécessité une adaptation à la problématiques de chaque banque

Afin de préciser la démarche, le comité de Bâle II a établit une liste d’évènements de risques opérationnels. • Ces évènements de risques sont notamment :
– Les fraudes internes ou externes ; – Les risques qui touchent aux relations clients, les pratiques autour des services et des produits, qui peuvent conduire à des contestations et à des pertes ; – Les problèmes liés à la gestion du personnel ; – Les dommages qui pourraient toucher les actifs physiques ; – L’interruption totale ou partielle des systèmes ou des processus ; – La mauvaise exécution de certains processus qu’ils soient internes ou externes à la banque, comme une transaction qui est exécutée aans le mauvais sens.

Les facteurs de risques opérationnels identifiés par le Comité de Bâle :
– – – – – – L’optimisation des techniques, Le développement de l’e-commerce, La fourniture de services, Les techniques de réduction des risques, Les fusions de grande ampleur, Le recours à la sous-traitance…

• 3 approches progressives pour la maîtrise des risques opérationnels :
Elevé Cpmplexité de l’organ isation

• L’approche “indicateur de base” • L’approche standardisée • L’approche mesures internes (également appelée Advanced Measurement Approach)
Capital

Lourd

L’approche « indicateur de base »
• L’approche “indicateur de base” établit une relation entre :
– L’exigence de fonds propres en regard du risques opérationnels Et – Un indicateur unique représentatif de l’exposition globale au risque.

Les banques utilisant l’approche de l’indicateur de base doivent détenir des fonds propres correspondant à un pourcentage fixe de leur produit net bancaire. FP = % x PNB
avec : % = facteur de pondération fixé à 15% Indicateur = moyenne de PNB calculée sur les trois dernières années

Exemple : La banque devra constituer un montant de fonds propres équivalent 15% du produit net bancaire.

L’approche standard
• • Prolongement plus fin de l’approche précédente. L’approche standard est basée sur une répartition des activités d’un établissement en catégories standardisées configurant sa structure interne (ex : financement des entreprises L’exigence de fonds propres globale au regard du risque correspond à la somme des exigences pour chaque catégorie d’activité. Pour chaque catégorie, les exigences de fonds propres sont calculées en multipliant un indicateur de risque opérationnel. Selon le type d’activité, l’indicateur et le pourcentage fixe peuvent différer. FP = & Fpi = & %i x Indicateuri
avec : %i = facteur de pondération compris entre 12 et 20% selon l’activité Indicateuri = moyenne de l’indicateur i calculée sur les trois dernières années selon l’activité

Pour chaque ligne de métier (i), un indicateur d’exposition unique (indicateur i défini comme précédemment) multiplié par un facteur de pondération (%i) reflétant le risque lié à l’activité.

Unité

Ligne de métier

Indicateurs

%i 18% 18% 12% 15% 18% 12% 12%

Banque Financement des entreprises PNB d’investissement Négociation et vente PNB Banque commerciale Banque de détail Banque commerciale Paiements et règlements Autres Courtage de détail Gestion d’actif

PNB PNB PNB PNB PNB

Critère d’éligibilité à la méthode standard : qualité du système de gestion du risque et le suivi des données de pertes.

Principales caractéristiques : • Les pourcentages fixes appliqués aux indicateurs sont fournis par le Comité de Bâle II sur la base des données de l’ensemble du secteur bancaire. • A l’avenir, une définition standard des catégories d’activités, indicateurs de risque et évènements générateurs de pertes devrait être appliquée.

L’approche mesures avancées (AMA)
• • Les exigences en fonds propres sont calculées en interne par les banques. Pour se faire, elles peuvent utiliser l’une ou une combinaison des méthodologies en développement, sous réserve du respect de plusieurs critères d’éligibilité. Ces approches sont, notamment :
– – – – – Les approches basées sur la volatilité des revenus, Les approches basées sur l’évaluation des actifs, Les modèles paramétriques, Les modèles basés sur la théorie des comportements, Les approches causales.

L’approche AMA se distingue de la méthode standard en ce sens qu’elle intègre l’obligation d’une évaluation et d’un suivi des risques scientifiquement établis et rigoureusement contrôlés

Au niveau de l’évaluation des risques, cela se traduit par l’obligation de collecter les incidents et les données de risques associées avec un historique suffisant (de 3 à 5 ans) permettant de développer des modèles d’évaluation :
– Analyse des courbes de distribution des évènements, – Prise en compte des différents niveaux d’exposition, – Mesure des pertes en cas de défaut.

• •

Ces modèles d’évaluation doivent faire l’objet d’un contrôle de qualité et être testés par rapport aux données collectées et par rapport à des données externes. Les risques devront faire l’objet d’un calcul de VaR avec un intervalle de confiance de 99,9%. En outre, la banque doit construire une analyse de scénario qui fait intervenir des évènements de grande gravité et qui mesure la solvabilité de la banque dans ces cas. D’autre part, tout le processus de gestion des risques doit être découpé en procédures, documentées et ensuite contrôlées par l’intermédiaire d’un audit.

Au niveau organisationnel, l’AMA demande la mise en place d’une entité “risque opérationnel” indépendante, en charge de mettre en place une politique de gestion de risque opérationnel, les procédures et le contrôles associés. Cette approche consiste finalement à réaliser pour l’ensemble des processus :
– Une cartographie complète des risques, – Une allocation de fonds propres pour chaque risque selon chacune des lignes de métier, – L’intégration de données internes et externes (statistiques d’incidents), – Des niveaux de priorités dans la gestion et la mise en place de contrôles des risques.

Elle permet donc d’optimiser la part de fonds propres à mobiliser pour le traitement des risques opérationnels.

Sign up to vote on this title
UsefulNot useful