Université Cadi Ayyad

Faculté des sciences Juridiques,

Economiques et sociales,
Marrakech
Département des sciences
Economiques

Master Finance et Banque

Module : Gestion de risque financier

LA VALEUR À RISQUE
Thème 4

Evalué par : Préparé par :

• M. ZIKY MUSTAPHA • SABIB Mohamed
• ZAKAR Naoufal
• MIZANEDHAB Laila

ANNEE UNIVERSITAIRE : 2018 - 2019

 - Introduction :

Au cours des siècles, plusieurs évènements non anticipés ont causé la détérioration du
bien-être, qu’il s’agisse de catastrophe naturelle, de guerres, de crises financières voir
économique. Ceci dit il se voit fort probable que ces évènements se reproduisent au cours du
temps, quand la réalisation de ces événements est probable dans le futur, c’est à ce moment
qu’on parle de risque. Il se voit donc impératif d’anticiper les possibilités de survenance de tels
phénomènes, afin d’en limiter les impacts humains, environnementaux et économiques.

Le risque constitue l’une des notions fondamentales en finance, et a été une source de
débat lors de ces dernières décennies. Les théoriciens et les praticiens de la finance cherchent
toujours cherchent toujours à trouver des nouvelles règles pour gérer et évaluer ses risques et
leurs potentiels, pour faire face à ces derniers.

L’importance de la relation liant le risque au rendement des titres a très vite été
constatée, en 1954, Harry Markowitz prône dans sa thèse d’économie la notion de
diversification de portefeuille. Il propose de mesurer le risque d’un portefeuille efficient
(présentant le meilleur couple risque/rendement) en utilisant l’écart-type. Cependant, cette
mesure s’avère ne pas pouvoir être appliquée dans le cas d’un titre unique (en effet, l’écart type
du rendement d’un titre comprend les risques diversifiable et non diversifiable. Or, seul le
risque non diversifiable est rémunéré par le marché. Ce risque est représenté par la covariance
entre le rendement du titre et les rendements des titres qui constituent un portefeuille bien
diversifié).

En 1964, William Sharpe propose un Modèle d’Evaluation des Actifs Financiers,

le MEDAF (CAPM : Capital Asset Pricing Model). Ce modèle se distingue par le fait qu’il
n’utilise qu’un facteur de risque : la corrélation entre le rendement du titre et celui d’un
portefeuille de marché. Ce risque est le risque systématique (non diversifiable).

En 1993, JP Morgan introduit une nouvelle mesure du risque : la Value at Risk. Cette
mesure permet d’évaluer le risque de baisse des valeurs de portefeuille. Elle correspond au
montant de pertes qui ne devrait être dépassé qu’avec une probabilité donnée sur un horizon

2
temporel donné. La VaR est devenue incontournable en 1997, à travers les accords de Bâle II,
puisque c’est cette mesure que préconise le Comité pour mesurer le risque de marché.

Il parvient de dire que le comité de Bâle a fixé des méthodes de calcul de chaque risque.
Pour le risque de marché définit comme le risque de perte lié à l’évolution des niveaux ou à la
volatilité des prix du marché. Les différents facteurs de risques liés au marché sont les taux, les
cours de change, les cours des actions et les prix des matières premières. Toute variation de ces
données à un impact sur les positions et les portefeuilles. Pour ce risque on utile la mesure VaR
la value at Risk est utilisé aussi pour mesurer le risque opérationnel.

En ce qui concerne le risque de crédit qui résulte de l’incertitude quant à la possibilité

ou la volonté des contreparties ou des clients de remplir leurs obligations. Il existe un risque
pour une banque, dès qu’elle se met en situation d’attendre une entrée de fonds de la part d’un
client ou d’une contrepartie du marché. Les méthodes IRB sont préconisés par le comité pour
la mesure de ce risque.

Dans ce document nous allons présenter, d’une part, les fondements de la value at Risk
et les différentes méthodes de calcul de cette dernière. D’une autre part nous allons calculer la
VaR de deux portefeuilles, le premier composé de 5 banques marocaines et le deuxième
constitué de 5 entreprises marocaines, avec deux méthodes.

3
- Partie I : Fondements de la value at Risk et les méthodes de
calcul :

- Définition :

La VaR est une notion utilisée généralement pour mesurer le risque de marché d'un
portefeuille d'instruments financiers. Elle correspond au montant de pertes qui ne devrait
être dépassé qu'avec une probabilité donnée sur un horizon temporel donné. La Value at
Risk est donc la pire perte attendue sur un horizon de temps donné pour un niveau de
confiance donné. Cette définition très simple constitue l’un des principaux attraits de la
Value-at-Risk : il est en effet très facile de communiquer sur la VaR et de ainsi proposer
une mesure homogène et générale de l’exposition au risque.

Ainsi, la Value-at-Risk n’est rien d’autre qu’un fractile de la distribution de perte et

profit associée à la détention d’un actif ou d’un portefeuille d’actifs sur une période donnée.
La mesure de Value-at-Risk ne fait que refléter l’information contenue dans la queue gauche
(associée aux pertes) de la distribution des rendements d’un actif. Si l’on considère un taux
de couverture de α % (ou de façon équivalente un niveau de confiance de 1-α %) la Value-
at-Risk correspond tout simplement au fractile de niveau de α % de la distribution de perte
et profit valable sur la période de détention de l’actif :

𝑉𝑎𝑅(α) = F −1 (α)

4
 Avec F ( ) désigne la fonction de répartition associée à la distribution de perte et profit.
De cette définition générale découlent plusieurs définitions techniques tout aussi simples.

En théorie des probabilités, la fonction de répartition, ou fonction de distribution

cumulative, d'une variable aléatoire réelle X est la fonction FX qui, à tout réel x, associe la
probabilité d’obtenir une valeur inférieure ou égale.

- Paramètres de la VaR :

La Value-at-Risk dépend de trois éléments :

 La distribution des pertes et profits du portefeuille valable pour la période de

détention.
 Le niveau de confiance 1- α (de façon équivalente α est égale au taux de couverture).
 La période de détention de l’actif.

 La distribution des pertes et des profits :

La connaissance de la distribution des pertes et des profits nous permettra de mieux

maitriser la probabilité, en effet il existe une panoplie de méthodes nous permettant de calculer
la VaR, savoir comment distribués les rendement nous permettra, d’appliquer la méthode
convenable de calculer la VaR d’une façon efficace, dans ce document nous supposerons que
les rentabilités sont distribué normalement pour des raison de simplification.

 Taux de couverture et Niveau de Confiance :

Le niveau de confiance choisi est un paramètre compris entre 0 et 1 (95% ou 99% en

général) qui permet de contrôler la probabilité que l’on obtienne un rendement supérieur ou
égale à la Value-at-Risk. Supposons que la distribution des pertes et profits associée à la
détention d’un actif sur une période corresponde à une distribution normale standard. Sur la
Figure 1 est reproduite cette distribution de perte et profit supposée normale : sur la partie
gauche de l’axe des abscisses figurent les rendements négatifs (pertes) tandis qu’à droite figure
les rendements positifs (profits). Dans ce cas, la Value-at-Risk définie pour un niveau de

5
confiance de 95% (α = 5% ) est égale tout simplement à -1.645. Dit autrement, dans cet exemple
il y a 95% de chances que le rendement de l’actif, noté r, soit au moins égal à -1.645 sur la
période de détention.

𝑃{𝑟 < 𝑉𝑎𝑅(0.05)} = 𝑃{𝑟 < −1.645} = 0.05

1.645 constitue le facteur avec lequel nous allons majorer l’écart type ( le risque ) cette
valeur est obtenu de la table de la loi normale centré reéduite

 Horizon de détention :

Le deuxième élément fondamental dans le calcul de la Value-at-Risk est la période de

détention de l’actif ou du portefeuille d’actifs. La formule de calcul de la Value-at-Risk doit
alors être ajustée de façon à tenir compte de la composition des rendements. Il n’existe aucune
règle quant au choix de la période de détention dans le calcul de la Value-at-Risk puisque ce
choix dépend fondamentalement de l’horizon d’investissement des opérateurs. Toutefois, les

6
autorités de régulation peuvent spécifier des horizons de détention spécifiques notamment dans
le cadre des procédures de validation de la Value-at-Risk.

- Méthodes de Calcul de la Value-at-Risk :

On dénombre trois grandes classes de méthodes de calcul de la VaR :

Méthodes Non-paramétriques (Historical Simulation, Weighted Historical Simulation,

Monte Carlo Simulation, …).

Méthodes Paramétriques (ARCH, GARCH univarié, GARCH multivarié,

RiskMetrics).

 Méthodes non paramétrique :

- Simulation historique :

La simulation historique (Historical Simulation, ou HS) est une méthode très simple
d’estimation des mesures de risque fondée sur la distribution empirique des données historiques
de rendements. Formellement, la VaR est estimée simplement par lecture directe des fractiles
empiriques des rendements passés. Si l’on considère par exemple un niveau de confiance de
95% et que l’on dispose d’un échantillon de 1000 observations historiques de rendements, la
VaR est donnée par la valeur du rendement qui correspond à la 50ème forte de perte.

- Simulation historique par Boostrap (Bootstrapped Historical Simulation) :

Une amélioration simple de la méthode HS consiste à estimer la VaR à partir de données

simulées par Bootstrap. Le Bootstrap consiste à ré-échantillonner les données historiques de
rendements avec remise. Plus précisément, dans notre contexte, la procédure consiste à créer

7
un grand nombre d’échantillons de rendements simulés, où chaque observation est obtenue par
tirage au hasard à partir de l’échantillon original. Chaque nouvel échantillon constitué de la
sorte permet d’obtenir une estimation de la VaR par la méthode HS standard, et l’on définit au
final une estimation en faisant la moyenne de ces estimations basées sur les ré-échantillonnages.

- Weighted Historical Simulation (WHS) :

La caractéristique essentielle de la méthode HS traditionnelle est que l’on accorde le

même poids aux observations historiques, quelles soient relativement récentes ou au contraire
très anciennes. Concrètement, si l’on considère une estimation HS de la Var à 5% à partir d’une
fenêtre glissante de 1000 observations, cela revient à prendre le 50ème rendement le plus faible
parmi les 1000 observations les plus récentes. Dès lors, dans cette estimation toutes les
observations historiques de rendement datées de plus de 1000 périodes n’interviennent pas dans
le calcul de le VaR, tout comme toutes les observations de moins de 1000 périodes interviennent
avec la même poids dans la construction de l’estimation.

Une approche alternative consiste à attribuer aux observations de rendements des poids
en fonction soit de leur ancienneté, de la volatilité observée des marchés, ou de tout autre
facteur. Cette approche, qualifiée par le terme générique de WHS (Weighted Historical
Simulation) recouvre notamment :

 La méthode Aged-weighted HS où les poids dépendent de l’ancienneté des

observations.
 La méthode Volatility-weighted HS où les poids dépendent de la volatilité. L’idée
de base est de prendre en compte les changements récents de volatilité.
 La méthode Correlation-weighted HS où l’on ajuste les rendements passés de façon
à ce qu’ils reflètent les changements entre les corrélations passées et futures.

- Simulation de Monte Carlo :

La méthode de Monte Carlo consiste à simuler un grand nombre de fois les comportements
futurs possibles des facteurs de risque selon un certain nombre d’hypothèses, et d’en déduire
une distribution des pertes et profits à partir de laquelle on estime finalement un fractile. Si cette
approche peut s’appliquer, en théorie, quelles que soient les lois de probabilité suivies par les

8
facteurs de risque, elle est couramment utilisée en pratique, pour des raisons techniques, en
supposant que les variations relatives des paramètres de marché suivent des lois normales. Cette
méthode convient également à tous les types d’instruments, y compris optionnels, et permet de
tester de nombreux scénarios et d’y inclure explicitement des queues de distribution épaisses
(événements extrêmes pris en compte dans une certaine mesure).

 Méthodes paramétrique :

Il s’agit d’une méthode probabiliste. Les facteurs de risque sont modélisés par des
variables aléatoires distribuées suivant une loi théorique qui dépend d’un nombre limité de
paramètres. Les propriétés de la loi permettent d’estimer le quantile de la distribution et donc
la VaR d’un portefeuille. Pour des raisons de simplicité dans les calculs, on choisit le plus
souvent la loi normale qui est complètement caractérisée par sa moyenne et sa matrice de
variance-covariance. Si le portefeuille est composé d’instruments dont le comportement est
linéaire par rapport aux facteurs de risque, alors la volatilité du portefeuille s’obtient
directement à partir de la matrice de variance-covariance des facteurs de risque. La VaR est une
fonction linéaire de la volatilité du portefeuille.

9
 - Partie II : Etude de cas.

Dans cette partie nous nous allons calculer la VaR D’un portefeuille constitué de 5 banques
marocaine, et un autre constituer de 5 entreprises Marocaine dans le but de savoir si investir
dans les entreprises se montre plus ou moins risqués que les banques et vice versa. Nous allons
donc calculer la VaR de 1 jours sur une période de 3 mois. La période prise pour cette étude va
du 19/09/2019 jusqu’au 18/12/2019.

Sauf que dans cette étude nous allons utiliser que 2 méthodes pour calculer la VaR, la
méthode historique et la méthode paramétrique (en supposant que les rendements et les profits
suivent une loi normale).

10
 Mais avant de commencer les calculs il se voit opportun de de faire une petite analyse
graphique des rendements de chaque titre pour avoir une idée précoce sur le risque de chaque
titre, du fait qu’il y a une relation, comme cité plus haut, entre le risque et les rendements.

 Analyse graphique des cours :

 Les banques :

Chart Title
0.08

0.06

0.04

0.02

-0.02

-0.04

-0.06

-0.08

-0.1

AWB CIH BP BMCE BMCI

Depuis le graphique on remarque que la variation des rendements est plus importante
dans les titres BMCI et CIH ce qui signifie qu’ils sont plus risqués.

 Les entreprise

11
 Chart Title
0.12

0.1

0.08

0.06

0.04

0.02

-0.02

-0.04

-0.06

-0.08

AFRQGAZ IAM [Link] MUNTADIS ADDOHA

On remarque qe la plus part des titres sont volatiles a part IAM.

 La VaR Historique

12
Cette méthode repose sur la stationnarité des variations des différents facteurs de risque pour
l’horizon choisi, et réplique aujourd’hui les fluctuations du passé. Elle ne pose pas
d’hypothèses sur les rendements en termes de distribution ou d’indépendance, Contrairement
à la méthode paramétrique.

Cette méthode se déroule en trois étapes distinctes :

1. On calcule les fluctuations passées du rendement du portefeuille à partir d’un

historique des valorisations des titres qui y sont présents.

2. Pour déterminer les plus mauvaises performances réalisées, il faut transformer les
rendements en valeurs. L’opération est assez simple, il suffit de multiplier la valeur
du portefeuille avec les rendements.

3. Un simple tri par ordre croissant nous permet d’avoir les performances classées de
la plus mauvaise à la meilleure. Au final, le but est de trouver la valeur
correspondant au 95% du total des performances. Qui sera dans notre premier cas
(62 valeurs). Une règle de trois permet de trouver la performance voulu. 95% de 62
nous indique la 57ème valeur. Et dans le deuxième cas (61 valeurs), qui nous
indique par la suite la 56éme valeur.
Concrètement, cette valeur nous donne la VaR historique à un jour pour ce
portefeuille.

Résultat du cas Pratique

AWB CIH BP BMCE BMCI

0,0113 0,014 0,0075 0,0005 0,0221
2 260,00 DH 2 800,00 DH 1 500,00 DH 100,00 DH 4 420,00 DH

Portefeuille
11 080,00 DH

Avec :
 la valeur du portefeuille est de 1.000.000 Dh.
 La valeur de chaque Entreprise dans ce portefeuille est de : 200.000 Dh.

Interprétation du résultat

13
On pourra conclure qu’il y a 5% de chances que le portefeuille subira une perte maximale de
11 080.00 Dh sur une journée .Autrement dit, il y a 95% de chances que ce portefeuille subira
une perte minimale de 11 080.00 Dh sur une journée.

Résultat du 2éme cas Pratique

AFRQGAZ IAM [Link] MUNTADIS ADDOHA

0,025 0,0081 0,0081 0,0258 0,0344
5000 1620 1620 5160 6880

Portefeuille
20280

Avec :
 la valeur du portefeuille est de 1.000.000 Dh.
 La valeur de chaque Entreprise dans ce portefeuille est de : 200.000 Dh.

Interprétation du résultat
On pourra conclure qu’il y a 5% de chances que le portefeuille subira une perte maximale à
20 280.00 Dh sur une journée Autrement dit, il y a 95% de chances que ce portefeuille subira
une perte minimale à 20 280.00 Dh sur une journée.

Inconvénients de VaR historique

L’inconvénient théorique est que cette méthode est basée sur l’hypothèse de stationnarité qui
sous-tend que le futur se comporte comme le passé. Ceci est cependant rarement rencontré
dans la réalité. En effet, les séries financières sont caractérisées par des clusters de volatilité et
la méthode historique ne peut pas anticiper la période à venir pour l’horizon temporel choisi.
Cela peut ainsi conduire à des estimations de la VaR inférieures à la réalité.
Sur le plan opérationnel, la méthode réclame un grand nombre de données et exige de
l’entreprise qui la met en œuvre de posséder, ou d’acheter auprès de sociétés spécialisées, une
source de données conséquente et fiable.

Avantages de VaR historique

La méthode historique n’est pas dédiée à une distribution statistique des rendements en
particulier et ne réclame aucune hypothèse de modèle.

14
De plus la mise en œuvre de cette méthode est très simple.

 VaR paramétrique :

Présentation

Cette méthode détermine la value at risk d’un portefeuille d’actifs à partir d’une loi de
distribution paramétrique explicite des gains/pertes.

Si PT − P0 est distribuée selon une loi de distribution dont la fonction de répartition est connue
notée F, alors P[PT − P0 ≤ VaRα]=1−α devient F(VaRα) =1−α

soit VaRα = F −1(1−α)

On cherche donc à déterminer de manière explicite la loi de distribution paramétrique de la

fonction de pertes et profits. On va généralement décomposer cette fonction selon son
exposition à divers facteurs de risque en utilisant par exemple des méthodes d’approximation
par différenciation (l’analyse par la sensibilité des obligations, ou bien par le delta des options,
qui est la dérivée par rapport au prix du sous-jacent), et c’est sur ces facteurs que nous ferons
les hypothèses distributionnelles. Après avoir estimé les différents paramètres sur les données
historiques, la VaR sera déterminée à partir de la décomposition choisie au départ.

Cette méthode se déroule en cinq étapes distinctes :

1. On détermine un modèle d’évolution des gains/pertes du portefeuille en fonction des

divers facteurs de risque (qui peuvent être les rendements des actifs financiers
constitutifs du portefeuille).
2. On fait le choix de lois paramétriques pertinentes qui correspondent aux qualités
distributionnelles des facteurs de risque.

15
 3. On estime les paramètres de ces lois à partir des données passées suivant les méthodes
statistiques classiques (méthode des moments ou du maximum de vraisemblance).
4. On détermine la loi de distribution des pertes et profits à partir du modèle choisi.
5. On calcule le quantile associé au seuil de confiance.

La VaR paramétrique repose sur l’hypothèse que les rendements des actifs suivent une loi
normale. C’est globalement vrai pour un portefeuille contenant des actions voire même des
obligations mais cette proposition est largement remise en cause dès lors que le portefeuille
comprend des produits dérivés (options, futures, etc.) pour lesquels le profil de distribution des
rendements est très asymétrique.

Pour calculer la VaR paramétrique sur un portefeuille, il faut tout d’abord construire ce que l’on
appelle une matrice de variance-covariance. Il s’agit d’un tableau constitué de la variance de
chaque actif (un indicateur mesurant la volatilité de chaque actif c’est-à-dire la dispersion de
ses performances autour de son rendement moyen) et la covariance entre chaque paire d’actifs
(degré de corrélation existant entre deux actifs).

En effet, en finance, pour apprécier le risque d’un portefeuille, on a besoin de deux dimensions
: la volatilité de chaque actif d’une part, c’est-à-dire la façon dont le prix d’un actif aura
tendance à s’écarter de sa valeur moyenne et d’autre part, la corrélation qu’il existe entre chaque
actif, c’est-à-dire l’intensité du lien existant entre deux actifs. Plus un actif est corrélé avec un
autre, plus ils auront tendance à évoluer dans le même sens, plus la corrélation de ces 2 actifs
sera proche de 1.

Plus les actifs composant un portefeuille sont volatiles et plus les actifs sont corrélés entre eux
(c’est-à-dire plus ils auront tendance à varier dans le même sens et avec la même intensité), plus
le portefeuille sera risqué. Pour réduire le risque d’un portefeuille, il existe deux solutions :
celle consistant à limiter le poids des actifs risqués (ou augmenter celui des actifs peu risqués),
ou celle consistant à favoriser l’effet de diversification au sein du portefeuille (sélectionner des
actifs peu corrélés ou décorrélés entre eux).

Une fois cette matrice de variance-covariance constituée et connaissant la pondération de

chaque actif au sein de mon portefeuille, on est capable de déterminer le rendement moyen et

16
la volatilité (donnée par l’écart-type, c’est-à-dire la racine carrée de la variance) de mon
portefeuille. En supposant que chaque actif le composant a un profil de rendement normalement
distribué, on pourra déterminer la VaR en appliquant les coefficients de loi normale. Signalons
d’ailleurs que les rendements moyens des actifs et leur volatilité sont calculés à partir d’un
historique de prix.

Exemples

Exemple 1 : Modèle standard

Prenons le cas d’un portefeuille constitué d’un unique actif financier, dont le rendement
d’horizon T jours, est supposé suivre la distribution d’une loi normale.
On va définir la VaR d’horizon T jours au seuil de confiance α de ce portefeuille.

On note S0 et ST les valeurs de l’actif aux instants initial et final.

Donc ST − S0 mesure les gains/pertes du portefeuille entre les périodes initiales et finales.

Etape 1 : on choisit un modèle pour définir ST − S0 en fonction de son rendement :

𝑠 𝑇 −𝑠 0
On a d’où ST − S0 = S0 ⋅rT
𝑠0

Etapes 2 et 3 : on fait une hypothèse sur la distribution du rendement de l’actif :

rT ~N (mT ;σT2 )

17
Remarque : On retrouve un cas particulier de la méthode delta-normale citée plus haut. En
effet, la fonction des gains/pertes du portefeuille s’exprime linéairement en fonction d’un
facteur de risque (le propre rendement du portefeuille) qui évolue par hypothèse selon une loi
normale.

Etape 4 : on détermine la loi de distribution de ST − S0 :

On a 𝑆𝑇
− 𝑆0 ~𝑁(𝑆0 . 𝑚 𝑇 ; 𝑆02 𝜎𝑇2 )

𝑆𝑇 −𝑆0 −𝑆0 𝑚𝑇
~𝑁(0; 1)
Soit 𝑆0 𝜎𝑇

Etape 5 : On calcule la value at risk :

Par définition de la VaR au niveau α, on a P[ST − S0 ≤ VaRα] =1−α

𝑆𝑇 −𝑆0 −𝑆0 𝑚𝑇 𝑉𝑎𝑅𝛼 −𝑆0 𝑚𝑇

Soit 𝑃 [ ≤ ]=1−𝛼
𝑆0 𝜎𝑇 𝑆0 𝜎𝑇

𝑉𝑎𝑅𝛼 −𝑆0 𝑚𝑇
D’où = -zα
𝑆0 𝜎𝑇

Avec zα = Φ−1(1−α) où Φ est la fonction de répartition de la loi normale centrée réduite.

soit VaRα = zα ⋅ S0 ⋅σT + S0 ⋅mT = S0 ⋅(-zα ⋅σT + mT )

18
b. Cas pratique de la VaR paramétrique par La méthode (variance/covariance)

Les données dont on dispose sont les taux rendements de chaque banque. La période qu’on a
choisi est celle entre le 10/09/2019 et le 18 décembre 2019, soit 3 mois boursière d’observations
avec 21 jours de cotation par mois. On dispose en tout de 248 observations correspondantes aux
taux de rendements journalier. Le choix de cette période est motivé par deux raisons, la première
est que cette période est la simplicité de calcule. La deuxième raison est que la période est
suffisamment courte pour représenter l’´état actuel de la bourse de Casablanca.

 Sur la base des informations fournies dans les tableaux ci-joints, nous avons calculé la
value at Risk : (Afin de simplifier les calculs, nous avons supposé que le montant investi
dans chaque titre est le même).

 Portefeuille des banques marocaines : Tableau des rentabilités journalières :

Séance AWB CIH BP BMCE BMCI

18/12/2019 -0,0021 -0,0069 0 0,0301 -0,0115
17/12/2019 0 0 0,0035 -0,0011 0
16/12/2019 0,0001 0 -0,0036 0 0
13/12/2019 0,0079 0,007 -0,0002 -0,0103 0,0544
12/12/2019 -0,008 0,007 0,0004 0,0005 0
11/12/2019 0,0103 -0,0169 -0,0002 0,0109 -0,0265
10/12/2019 0,008 0,0172 0,0072 0 -0,0058
09/12/2019 -0,0019 -0,0169 -0,0035 0 0
06/12/2019 0,0022 0,0031 0,0072 0 0,0364
05/12/2019 -0,0062 0 0,0035 -0,0135 -0,0075
04/12/2019 0 0,014 -0,007 0 0
03/12/2019 -0,001 -0,0172 0,0033 0 0,0231
02/12/2019 -0,001 0 -0,0106 -0,0237 -0,0211
29/11/2019 0,0039 0 0,0072 -0,0104 0
28/11/2019 0,0001 0 0,0002 0 0,0137
27/11/2019 0,0005 0 -0,0022 0 0,0077
26/11/2019 0,0036 0 0,0022 0 -0,0189
25/11/2019 -0,008 0 -0,0105 0 0
22/11/2019 -0,0042 0,0105 0,0146 0 0,0352
21/11/2019 0,0144 0,007 0,0035 0 0
20/11/2019 -0,006 0 -0,0037 0 -0,0154
19/11/2019 0,0084 -0,007 0,0037 0,0052 0

19
15/11/2019 0,0168 0,021 0,0002 -0,0052 0,0002
14/11/2019 0 0,0004 0,0073 0 0,0155
13/11/2019 -0,0055 -0,0236 0,0045 0 0
12/11/2019 -0,0048 0,0102 -0,0119 0 -0,0169
08/11/2019 0 0,0067 0,0075 -0,0052 0,0172
07/11/2019 0,0076 0 0,0037 0,0052 0,0079
05/11/2019 -0,0153 0,0107 0,0019 -0,001 0
04/11/2019 0,0006 -0,0175 -0,0091 0,001 -0,0201
01/11/2019 0,0201 0,0071 0,0111 0 0,0221
31/10/2019 -0,0208 -0,0053 -0,0106 -0,0052 0,0209
30/10/2019 0,0166 0,0179 0,0107 0,0052 -0,022
29/10/2019 -0,006 -0,0193 0,0019 0,0005 0
28/10/2019 0 0 -0,0091 0 0
25/10/2019 -0,0125 0 0,0092 -0,0005 0
24/10/2019 0,0093 0,0197 0 0 0
23/10/2019 -0,0072 0 -0,0091 0 -0,0078
22/10/2019 0,0102 0,0018 0,0173 0 0
21/10/2019 -0,0019 0 -0,017 0 0
18/10/2019 0,0022 -0,0029 -0,0037 0 0
17/10/2019 0,0213 0,003 0,0222 0 0
16/10/2019 0,0022 -0,0034 -0,0072 0,0003 0
15/10/2019 0,0044 0 0 0 0
14/10/2019 0,0045 0,0036 0,0004 -0,0003 0
11/10/2019 -0,0011 0,0105 -0,0004 0 0,0159
10/10/2019 0,0008 0 0 0 0
09/10/2019 0,0001 0 0 0 0
08/10/2019 -0,0105 0,0185 -0,0047 0 0,016
07/10/2019 0 0,0226 -0,0028 -0,0003 -0,0431
04/10/2019 -0,0148 -0,0702 0,0056 0 0,0588
03/10/2019 0 0 -0,0034 0,0003 0,0198
02/10/2019 -0,0167 0 -0,006 0 0
01/10/2019 0,001 0 0 0 -0,0908
30/09/2019 0,001 0 -0,0072 0 0
27/09/2019 0,0191 0,0071 0,0073 0 0,0476
26/09/2019 0,0072 0 0 0 0
25/09/2019 -0,0009 0,0107 0 0 0
24/09/2019 -0,001 0 -0,0074 -0,0078 -0,0032
23/09/2019 -0,0074 0 0,0075 0 0
20/09/2019 -0,0167 -0,0071 0 -0,0023 -0,0495
19/09/2019 0,0113 0,0032 0 -0,0003 0

Tableau synthétique des donées:

Rentabilité Risque Xi

20
AWB 0,0005516 0,008988 0,2
CIH 0,0004241 0,013182 0,2
BCP 0,0003822 0,0072302 0,2
BMCE -0,00045 0,0060098 0,2
BMCI 0,0008435 0,0222389 0,2

Valeur de portefeuille : 1 000 000dhs

La part de chaque titre : 20%
 Calcule de la VaR via le logiciel R par la méthode variance/covariance

1- Calcule de la rentabilité espérée de notre portefeuille :

2- La construction de la matrice variance/covariance :

3- Calcule de la variance :

21
4-determination du risque de portefeuille :

4- Calcule de la value at Risk du portefeuille :

Interprétation : Au seuil de confiance de 95% la perte potentiel maximale sur notre

portefeuille pour le jour qui suit notre période d’analyse est de 9743.57dh et ce avec une marge
d’erreur de 5% que la perte dépasse ce montant .

Exemple 2 :
Ce deuxième exemple à pour objet de calculer la VàR d’un portefeuille composé des actions de
5 entreprise cotées à la BVC :

22
  Stress testing :

La première solution consiste à utiliser les stress tests afin de simuler des
situations de crises. Le comité de Bâle impose aux institutions financières d’utiliser des stress
tests lors d’un calcul de Value at Risk. Ces stress tests répondent en partie aux problèmes liés
aux chutes brutales de marchés. Le but est de simuler une situation de crise et ensuite nous
calculons la VaR sur cette simulation. Ainsi nous prenons en compte des événements extrêmes
ayant peu de chance de se produire et que la VaR ne prend pas en compte dans ses distributions
de rendements. Il existe plusieurs méthodes afin simuler du stress testing. Par exemple, il
convient de vérifier la VaR si les taux directeurs varient de 100 points de bases ou encore
lorsque la volatilité d’un actif augmente considérablement. Une multitude de méthodes de stress
testing ont vues le jour, c’est à chaque institution de trouver quelle méthode lui convient le
mieux. Une autre solution qui s’offre aux banques est d’utiliser des crises financières comme
références pour ses tests. Nous prenons comme référence pour les tests, un événement
défavorable, par exemple, la chute des « Twin Towers » de New-York. Les marchés boursiers
se sont effondrés à la suite de se drame. Ainsi nous pouvons modéliser une volatilité afin

23
d’effectuer un stress test sur la position ou le portefeuille qui nous intéresse. Cependant ces
méthodes sont relativement complexes à mettre en place et ne présentent pas forcément le risque
de manière réaliste. Ce type de modèle demandent des infrastructures informatiques, du
personnel qualifié et engendrent évidemment des frais importants.

 Back testing

Il est important de vérifier les modèles de calcul de VaR. Cette procédure,

appelé le Back testing se déroule en plusieurs phases. En premier lieu, il faut vérifier le nombre
de fois ou la perte a dépassé la VaR sur l’horizon temps choisi. Si nous avons choisi un intervalle
de confiance de 95% et que la perte dépasse 5% de nos estimations de la VaR, alors nous avons
sous-estimé nos calculs. Au contraire, si les pertes ne sont que de 3%, alors nous les avons
surestimés et le modèle doit être adapté afin d’éviter une couverture inutile. Cette procédure
permet d’éliminer des risques liés aux choix du modèle ou des paramètres. D’ailleurs le comité
de Bâle (amendement de la BIS, 1996) impose un back testing de la VaR. Chaque banque doit
prendre en compte les variations entre les gains et les pertes hypothétiques avec la réalité. Ainsi,
sur une période de 250 jours, la banque note toutes les exceptions de la VaR. S’il y a plus de
cinq exceptions, un multiplicateur est imposé à la banque. Ce type de contrôle permet d’éviter
des pertes trop importantes d’un seul coup, car les banques sont obligées de se couvrir.

24
 Conclusion :

La VaR est désormais devenue un standard dans la gestion des risques en finances, elle est
parfois même parfois imposée par les autorités de régulation. De plus, elle permet d’agréger
tous les risques en un seul indicateur facilement interprétable.

Toutefois, il ne faut pas écarter ses nombreuses limites : sa mise en place, comme la VaR Monte
Carlo, peut s’avérer très coûteuse. La VaR a tendance à se focaliser sur les pertes et ignorer les
perspectives de gain. Par ailleurs, la VaR a tendance à sous-estimer l’apparition d’événements
extrêmes. Chaque méthode donnera un résultat différent et ce résultat sera d’autant plus fiable
que les modèles qui le sous-tendent le sont.

Aussi utile que la VaR puisse être, l’estimation des risques doit être complété par d’autres
nouveaux indicateurs tels que l’expected shortfall (ou CVaR pour VaR conditionelle) qui va se
focaliser sur la moyenne des pertes situées dans la queue de distribution au-delà de la VaR.
L’IVAR (pour Incremental VaR) est aussi un indicateur qui permet de compléter la VaR car il
permet d’évaluer l’impact en termes de VaR de l’ajout d’un élément au sein du portefeuille.
Enfin, les stress tests permettent de compléter la VaR car ils évaluent l’impact de certains
scénarios extrêmes (ayant existé ou simulés) sur les portefeuilles. Ils permettent une grande
flexibilité (modification des prix des actifs, des volatilités, des taux, des devises, etc.) et permet
de capter certaines conséquences que la VaR est incapable de faire.

25
26