CHAPITRE 4 LA VAR MONTE CARLO ......................................................................
2
I.
PRINCIPE .................................................................................................................. 2
A. Quel modle utiliser ? ........................................................................................ 2
B. Algorithme de simulation .................................................................................. 3
II. EXEMPLE DAPPLICATION ............................................................................................ 4
A. Travail prliminaire ........................................................................................... 4
B. Simulation des trajectoires ................................................................................ 6
Algorithme ..................................................................................................... 6
Rsultat obtenu .............................................................................................. 7
Chapitre 4
La VaR Monte Carlo
I. Principe
Nous avons dfini prcdemment la Value-at-Risk comme la perte potentielle
maximale sur un titre ou un portefeuille, sur un horizon de temps avec un degr de
confiance. La mthode de calcul de la VaR Monte Carlo est utilise en gnral quand
le portefeuille contient des produits drivs.
Le principe de cette mthode consiste simuler un grand nombre de trajectoires
possibles dun actif financier donn. Pour obtenir la Value-at-Risk pour un niveau de
confiance de (100 )% , il suffit ensuite de slectionner le % pire scnario,
i.e. la % ime plus mauvaise valeur.
Pour prvoir les diffrentes trajectoires possibles dun actif financier donn, on suit
en gnral les trois tapes suivantes:
1. Choisir un modle susceptible de dcrire lvolution de lactif dune manire
assez fiable,
2. Dterminer les paramtres de ce modle,
3. Simuler le nombre de trajectoires voulu du processus choisi avec les
paramtres dtermins prcdemment.
A. Quel modle utiliser ?
Ds quil sagit dactions, dindices actions ou de matires premires, le processus
utilis est le mouvement brownien gomtrique. Soit le cours de lactif la date
, lvolution du cours de lactif est donne par le modle suivant ::
+ =
2
+
2
o
moyenne empirique de la distribution de lactif
cart-type empirique de la distribution de lactif
suit une loi normale 0,1
B. Algorithme de simulation
Supposons quon veuille dterminer la VaR 95% sur une dure de 5 jours dun
portefeuille donn. Lalgorithme est le suivant:
1. Valoriser le portefeuille la date t=0, 0
2. Gnrer une trajectoire des diffrents actifs composants le portefeuille la
date = 5 ,
3. Rvaluer le portefeuille la date = 5 , 5 . On obtient ainsi :
= 5 0 .
4. Rpter les tapes 2 et 3 autant de fois que souhait.
Si on ralise par exemple 10 000 simulations, la VaR 95% est la 500me plus faible
valeur de .
II. Exemple dapplication
A. Travail prliminaire
On considre un portefeuille consist de :
50% DOW JONES
50% S&P 500
La premire tape consiste tlcharger les cours de ces indices sur Yahoo finance
par exemple. Dans notre exemple, on tlcharge donc les cours journaliers du DOW
JONES et du S&P500 du 31 dcembre 1969 au 1er janvier 2006.
La Value-at-Risk tant calcule partir de la distribution des rendements, on
transforme ces donnes afin dobtenir les rendements quotidiens de ces 2 indices du
1er janvier 1970 au 1er janvier 2006.
Soit le cours de lindice la date , le rendement quotidien de cet indice la date
est dfini par :
=
1
1
On obtient ainsi 2 distributions de rendements :
la distribution des rendements quotidiens du DOW JONES
la distribution des rendements quotidiens du S&P 500
Afin dobtenir les paramtres de la distribution du portefeuille nous avons besoin de
calculer :
Le coefficient de corrlation linaire entre les distributions 1 et 2
La moyenne et lcart-type empiriques de chacune des distributions
Soient :
1 la moyenne empirique de la distribution 1
2 la moyenne empirique de la distribution 2
1 lcart-type empirique de la distribution 1
2 lcart-type empirique de la distribution 2
12 le coefficient de corrlation linaire entre les distributions 1
et 2
La moyenne et lcart-type empirique et de la distribution des rendements
quotidiens du portefeuille sont dfinis par :
=
1 + 2
2
1 2 + 2 2 + 212 1 2
2
Les valeurs numriques obtenues partir des donnes sont regroupes dans les deux
tableaux ci-dessous :
Coefficient de corrlation
SP500
Paramtres
Moyenne
Ecart-type
DJ
0,00031
0,01080
DJ
0,962
SP500
0,00031
0,01078
Portefeuille
0,0003
0,0107
B. Simulation des trajectoires
Nous disposons maintenant de tous les paramtres ncessaires pour simuler le
processus dcrivant les rendements du portefeuille dfini par :
+ =
2
+
2
La valeur initiale 0 na pas dimportance, tant donn quon travaille directement
sur les distributions de rendements. On prend donc 0 = 1.
On cherche la Value-at-Risk 1 an sur ce portefeuille pour un niveau de confiance de
99%. On considre une distribution de rendements quotidiens, donc on prend
= 252. En effet, les places boursires sont fermes les week-ends et les jours
fris, donc en comptant 9 jours fris, on obtient 365 2 52 9 = 252 jours.
Algorithme
On dsire effectuer 1000 simulations. La procdure suivre sur Excel est la suivante :
1) On gnre un vecteur
normale 0,1
=1,,1000
de variables alatoires suivant une loi
Fonction Excel : LOI.NORMALE.STANDARD.INVERSE(ALEA()) sur 1000 cellules
2) Pour chaque valeur de on calcule le rendement du portefeuille dans 1 an
not 1
1
2
252 + 252
2
3) Pour = 1, ,1000 on calcule la variation du rendement du portefeuille :
= 1 0 = 1 1
4) On obtient la Value-at-Risk sur ce portefeuille pour un niveau de confiance de
99% et un horizon d1 an en slectionnant le 10me plus faible rendement
Fonction Excel : CENTILE(J6:J1005;0,01) o J6:J1005 est la matrice contenant les
valeurs i=1,,1000
Rsultat obtenu
-0,59759551
2,39139098
1,09253693
-0,42575266
0,57344236
0,01545285
0,99645162
0,56624385
-2,30805471
-0,76018576
-0,78826453
-1,72462693
0,17732524
0,55809103
-0,64143479
-0,28724363
-0,77208603
0,09976332
-1,61466031
0,86881426
-1,99185729
-0,3806942
0,53773606
-0,42550141
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
0,96324455
1,59943811
1,28311875
0,99174057
1,17495046
1,06882462
1,26237158
1,1735164
0,72062376
0,93703709
0,93258391
0,79560224
1,09858416
1,17189434
0,95610689
1,01532138
0,93514717
1,08422273
0,81058474
1,23532943
0,76033723
0,99935093
1,16785436
0,99178284
-0,03675545
0,59943811
0,28311875
-0,00825943
0,17495046
0,06882462
0,26237158
0,1735164
-0,27937624
-0,06296291
-0,06741609
-0,20439776
0,09858416
0,17189434
-0,04389311
0,01532138
-0,06485283
0,08422273
-0,18941526
0,23532943
-0,23966277
-0,00064907
0,16785436
-0,00821716
Value-at-Risk(99%,1an)
-28,07%
