ISFA - Université Lyon 1

Mai 2007

Optimisation de portefeuille
selon le critère de la Value at Risk
Guillaume Nolain, Yahia Salhi, Serge Werlé
Table des matières

Introduction 2

1 La Value at Risk 4
1.1 Adoption de la VaR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2 Le concept de la VaR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2.1 Présentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2.2 Particularités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2.3 Approche Classique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3 Le problème des distributions non Normales . . . . . . . . . . . . . . . . . . . . . 7
1.4 Les méthodes de calcul . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.4.1 Méthode historique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.4.2 Méthodes paramétriques . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.4.3 Méthode de Monte Carlo . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.4.4 Méthode de Bootstrap . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9

2 Analyse de la sensibilité de la Value at Risk et allocation de portefeuille 10

2.1 La Value at Risk d’un portefeuille . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.2 La cohérence et l’homogénéité de la VaR d’un portefeuille . . . . . . . . . . . . . 10
2.2.1 Mesure du risque . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.2.2 La sensibilité et la convexité de la VaR . . . . . . . . . . . . . . . . . . . . 11
2.3 Le portefeuille efficient . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.3.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.3.2 Estimation du portefeuille efficient . . . . . . . . . . . . . . . . . . . . . . 14

3 Application informatique 15
3.1 Sélection des actifs du portefeuille . . . . . . . . . . . . . . . . . . . . . . . . . . 16
3.2 Récupération des historiques de cours . . . . . . . . . . . . . . . . . . . . . . . . 17
3.3 Traitement des données . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
3.4 Analyse du portefeuille . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.4.1 L’onglet dédié au portefeuille . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.4.2 L’onglet consacré aux actifs . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.4.3 L’onglet consacré à la création du portefeuille VaR-efficient . . . . . . . . 23
3.5 Améliorations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24

Synthèse 25

A Algorithme de Gauss-Newton 26

B Code de l’optimisation (R) 27

2
Introduction

Les techniques de Risk Management sont apparues à partir de la moitié du XXe siècle.
Ces techniques visent à étudier les facteurs qui menacent le patrimoine d’une entreprise afin
d’apporter des solutions stratégiques pour réduire voire éliminer le risque. Différentes classes de
risque ont été dessinées, on citera notamment le risque de crédit, le risque opérationnel et le
risque de marché. Chacun de ces risques est soumis à des directives concernant son évaluation
et les moyens de protection à mettre en œuvre pour s’en prévenir.
Supervisé par la Banque des Règlements Internationaux, le comité de Bâle a élaboré ces di-
rectives. L’accord de Bâle 2 impose aux organismes financiers de mettre en place des modèles
internes pour évaluer leur quantité de fonds propres réglementaire. En France, l’approche interne
doit être agréée par une autorité règlementaire : la commission bancaire. Au sein de ce travail
nous nous intéresserons au risque de marché.

Il existe de nombreuses méthodes permettant de décrire de façon quantitative le risque lié à

la détention d’un instrument financier.
Parmi elles, on peut notamment citer l’approche moyenne-variance de Markowitz ainsi que
l’approche de Sharpe. Mais ces méthodes ne permettent pas d’évaluer le risque d’un portefeuille
qui contiendrait à la fois des actions, des obligations et des produits dérivés. L’arrivée et le
développement des produits dérivés, l’accroissement de la volatilité des marchés financiers ainsi
que les faillites spectaculaires ayant eu lieu au cours des années 90 ont poussé les instituts finan-
ciers à élaborer un indicateur de risque financier à la fois global et synthétique. La Value At Risk
(VaR), aussi appelée Valeur à Risque en français, regroupe ces caractéristiques et a été adoptée
par la plupart des organismes financiers depuis 1997.

Après une présentation de la Value at Risk, de son utilité pour les investisseurs et des méthodes
actuelles de calcul, nous traiterons la partie théorique qui constitue le cœur de notre travail. Il
s’agit de la création d’un portefeuille d’actifs dit VaR-efficient, c’est-à-dire un portefeuille qui,
pour une VaR limite fixée, maximise le taux de rendement espéré.
Par la suite nous vous proposerons de découvrir une application informatique de ce procédé.
Elle offre la possibilité de constituer soi-même un portefeuille d’actions, puis de l’optimiser selon
le critère de la VaR. Nous avons pris le soin d’implémenter une interface user-friendly qui sollicite
le moins possible l’intervention de l’utilisateur.

Ce travail est totalement en adéquation avec les cours dispensés, la VaR étant un outil
d’évaluation du risque financier très utilisé par les investisseurs aujourd’hui.

Nous tenons à remercier M. François Quittard-Pinon qui nous a guidé tout au long de notre
travail.

3
Chapitre 1

La Value at Risk

1.1 Adoption de la VaR

À partir de 1997, divers facteurs ont amené la VaR à être considérée comme l’indicateur de
référence en matière de mesure du risque. Selon Paul Glasserman, trois évènements importants
ont conduit à son adoption :

– Le premier évènement a été la publication gratuite, en 1994, de la méthode et du système

RiskMetrics par la banque américaine JP Morgan. Les autres entreprises et organismes
financiers pouvaient dès lors utiliser le calculateur de RiskMetrics et l’exploiter au sein de
leur propre système de gestion des risques.

– Le second évènement date de 1995 avec la première réunion du comité de Bâle. Adoptée
en 1996, la réforme de Bâle a incité les banques à développer leur propre système interne
de calcul de la VaR afin de déterminer leur nécessité en fonds propres réglementaires. En
effet, en l’absence de modèle interne, le calcul de fonds propres est standardisé et donne des
valeurs beaucoup plus élevées que les valeurs obtenues par le développement de modèles
internes, plus adaptés localement aux entreprises.

– Le troisième évènement a certainement moins d’impact aujourd’hui mais a conduit à l’adop-

tion de la VaR par les entreprises américaines. En 1997, la Securities and Exchanges Com-
mission (SEC) a imposé des règles de communication aux entreprises américaines concer-
nant le risque associé à leur utilisation d’instruments dérivés. Trois solutions étaient pro-
posées aux entreprises, dont la VaR.

Mais la VaR a aussi été adoptée par rapport à sa facilité d’approche et à ses caractéristiques :
elle est synthétique et globale. En effet, elle permet une évaluation simple et compréhensible pour
des néophytes en fournissant un indicateur quantitatif exprimé de façon monétaire. De plus, la
VaR a de nombreux avantages sur les autres méthodes classiques de mesure du risque :

– elle donne une perception simple de l’envergure des pertes possibles.

– elle n’est pas assujettie à la distribution des rendements du portefeuille ou des actifs étudiés
contrairement à de nombreux modèles qui se basent sur une distribution Normale de ces
rendements.

– elle prend en compte l’asymétrie de la distribution des rendements.

4
1.2 Le concept de la VaR
1.2.1 Présentation
Pour expliquer ce qu’est la VaR, commençons par prendre un exemple concret. Considérons
que nous avons investis 10 000 EUR dans notre portefeuille d’actions. Comment avoir une idée
de la perte maximale que le portefeuille peut subir d’ici un mois ?
La réponse la plus logique est que nous pouvons perdre tout notre investissement. Néanmoins,
un évènement de perte totale est vraiment très peu probable. Une réponse plus réaliste serait
par exemple qu’en l’absence d’évènement exceptionnel, il y a 5% de chance de perdre 1 000 EUR.
C’est le type de réponse fournit par la VaR.

De nombreuses définitions de la VaR existent, nous en reprenons deux :

1. Selon Calvet [2000], la VaR d’un portefeuille d’actifs financiers correspond au montant de
pertes maximum sur un horizon de temps donné, si l’on exclut un ensemble d’évènements
défavorables ayant une faible probabilité de se produire.
2. Selon Esch, Kieffer et Lopez [1997] ainsi que Jorion [2000], la VaR d’un portefeuille ou
d’un actif, pour une durée T et un niveau de probabilité α, se définit comme le montant de
perte attendu de façon que ce montant, pendant la période [0,T], ne devrait pas être plus
important que la VaR et ceci avec une probabilité de (1 − α).

1.2.2 Particularités
Deux éléments sont communs à toutes ces définitions et il convient de les choisir judicieuse-
ment : l’horizon et le niveau de confiance.

L’horizon est influencé par trois facteurs majeurs :

– il doit être adapté à la durée de détention de l’actif ou du portefeuille objet de l’estimation.
– il doit être suffisamment court pour respecter l’hypothèse d’invariance de la composition
du portefeuille.
– il doit être suffisamment court pour que la quantité de données disponible (parfois faible)
puisse permettre d’estimer une VaR sur cet horizon.

Mais il peut aussi être fixé par des normes réglementaires. Les organismes financiers utilisent une
VaR à 10 jours mais cet horizon peut atteindre plusieurs mois lorsqu’il s’agit d’obligations.

Le niveau de confiance est quant à lui influencé par 2 facteurs :

– il ne doit pas être trop élevé, sinon le risque de réalisation devient suffisamment faible pour
être inintéressant en tant qu’indicateur.
– il doit refléter le degré d’aversion des gestionnaires face au risque de réalisation d’évènements
extrêmes.

Mais tout comme pour l’horizon, le niveau de confiance peut être déterminé par des normes
réglementaires. Dans la pratique, la VaR est estimée sur la base de niveau de confiance allant de
90 à 99.9% .

Les normes réglementaires imposées par Bâle II exigent que la VaR soit calculée par les
banques en utilisant un niveau de confiance de 99% et un horizon de 2 semaines soit 10 jours
ouvrables.

1.2.3 Approche Classique

Après avoir choisi un horizon et un niveau de confiance, il reste une dernière étape à réaliser
avant de procéder à l’estimation de la VaR. Il faut en effet récupérer les données sur lesquels sera
calculée la VaR et les retraiter. On peut calculer la VaR à partir des rendements du portefeuille
mais aussi à partir de sa distribution de Profit & Loss (P&L) qui correspond aux pertes ou profits
journaliers.

5
 Considérons un portefeuille composé d’une ou plusieurs actions dont on connait les cours
journaliers. On note Wt la valeur de ce portefeuille à la date t. La VaR de ce portefeuille pour
un horizon d’un jour avec une probabilité α correspond à la perte ∆Wt+1 = Wt+1 − Wt observée
pour le portefeuille avec une probabilité (1 − α). Autrement dit, V aRt (α) vérifie l’équation :

P [∆Wt+1 + V aRt (α) < 0] = 1 − α

P [−∆Wt+1 > V aRt (α)] = 1 − α
P [−∆Wt+1 < V aRt (α)] = α

En introduisant Ft la fonction de répartition de la variable aléatoire ∆W pour les valeurs

connues à la date t et Ft−1 sa fonction inverse. On exprime alors la VaR de la façon suivante :

V aRt (α) = Ft−1 (α)

En général, on essayera de se ramener à une loi de distribution standard qui pourra être assimilée
à la loi des rendements. Pour cela on réduit et on centre ∆Wt+1 . Ceci nous donne :
 
(∆Wt+1 − E(∆W )) V aRt (α) + E(∆W )
P − ≤ =α
σ(∆W ) σ(∆W )
En posant zα = V aRtσ(∆W
(α)+E(∆W )
) où zα représente le quantile d’ordre α de la distribution Normale
standard, on exprime alors la VaR de la façon suivante :

V aRt (α) = E(∆W ) + zα × σ(∆W )

La plus part du temps, la loi de distribution des rendements est proche d’une loi Normale.
Les tables statistiques nous donnent quelques valeurs de zα pour différentes valeurs de α :

α ... 95% 97.5% 99% ...

zα ... -1.6449 -1.9600 -2.3263 ...

Voici un exemple représentant le positionnement de zα pour une loi Normale avec α = 95% :

En réalisant ces calculs sur une distribution journalière des rendements, on exprime une VaR
à horizon un jour. Pour passer d’un √ horizon d’un jour à un horizon de X jours, on utilisera la
formule suivante : V aRX = V aR1 × X

6
1.3 Le problème des distributions non Normales
Dans la réalité, la distribution des rendements d’un portefeuille suit rarement l’hypothèse
simplificatrice que les rendements sont normaux. Pour caractériser une loi Normale, seulement
deux paramètres sont utilisés : la moyenne et la variance qui représentent les moments d’ordre un
et deux. Deux autres paramètres ont une grande importance dans la distribution des rendements :
le coefficient de Skewness et le coefficent de Kurtosis.

Skewness ou coefficient d’assymétrie

Le coefficient de Skewness, que l’on notera Sk caractérise l’asymétrie d’une distribution. Il est
associé au moment d’ordre 3 d’un distribution. Voici sa formule de calcul :
n
!
3
1 X (∆Wk − E(∆W ))
Sk = × 3
n (σ(∆W )2 ) 2
k=1

où n représente le nombre de données disponibles.

On compare le Skewness empirique à celui d’une loi Normale qui vaut 0.

– Si Sk = 0 alors la distribution est symétrique et a donc de grandes chances d’être proche
d’une loi Normale.
– Si Sk > 0 alors la distribution s’étale vers la droite et est dite à asymétrie positive.
– Si Sk < 0 alors la distribution s’étale vers la gauche et est dite à asymétrie négative.

Kurtosis ou coefficient d’applatissement

Le coefficient de Kurtosis, que l’on notera K caractérise l’aplatissement d’une distribution. Il
est associé au moment d’ordre 4 d’un distribution. On l’utilise pour les distributions ayant des
queues épaisses (« fat-tails »). Voici sa formule de calcul :
n
!
4
1 X (∆Wk − E(∆W ))
K= × 2
n (σ(∆W )2 )
k=1

où n représente le nombre de données disponibles.

On compare le Kurtosis empirique à celui d’une loi Normale qui vaut 3.

– si K = 3 alors la distribution est dite mésocurtique, ses queues sont proches de la loi
Normale.
– si K > 3 alors la distribution est dite leptocurtique, elle présente des queues épaisses.
– si K < 3 alors la distribution est dite platicurtique, elle présente des queues minces.

7
 Le problème induit par ces particularités des distributions est que la formule que nous avons
récemment présentée pour calculer la VaR n’est pas exacte car elle n’est pas adaptée à ce type
de distributions. En effet, le zα calculé précédemment n’est pas le même qu’il s’agisse d’une
distribution de loi Normale ou d’une distribution qui s’apparente plus à une loi Log-Normale.
Ceci peut conduire à sous estimer le risque dans le cas où des rendements extrêmes sont
plus probables que pour une distribution normale, c’est le cas des distributions leptokurtiques.
Il convient donc de corriger zα . On appellera wα la valeur corrigée de zα .

Nous présenterons ici deux formules permettant de corriger zα :

– VaR de Cornish Fisher (2000) : On considère que les rendements des actions suivent
une loi Normale dont le quantile zα est corrigé :
1
wα = zα + (zα2 − 1)Sk
6
– VaR de Cornish Fisher améliorée (2001) : Le quantile de la loi Normale est corrigé
de façon plus précise, en prenant en compte le Kurtosis des rendements :
1 1 1
wα = zα + (zα2 − 1)Sk + (zα3 − 3zα )K − (2zα3 − 5zα )Sk 2
6 24 36

1.4 Les méthodes de calcul

Nous présentons ici les méthodes de calcul de la VaR les plus classiques en ce qui concerne
les portefeuilles d’actions. Afin de pouvoir réaliser le calcul de la VaR, il faut avoir constitué un
historique des cours des actifs constituant le portefeuille et les avoir exprimées dans la même
monnaie. Ceci permet de calculer les pertes et profits du portefeuille et de connaı̂tre la valeur du
portefeuille en fin de période. De plus, on doit s’être fixé un niveau de confiance et un horizon
d’observation judicieusement adaptés au contexte d’utilisation de la VaR qui sera calculée.
Les méthodes présentées peuvent être utilisées de diverses façon. On peut appliquer directe-
ment les estimations sur le portefeuille et ses actifs mais on peut aussi réaliser une décomposition
des actifs et du portefeuille selon divers facteurs de risque sur lesquels on appliquera l’une des
méthodes citées plus bas.
Notons toutefois que la VaR constitue une bonne indication quant à la mesure du risque sous
les conditions que le marché fonctionne normalement et de façon stable et qu’il ne subit pas
d’événement très exceptionnel.

1.4.1 Méthode historique

La méthode historique est de loin la plus simple à mettre en oeuvre. Elle se base sur l’hy-
pothèse que la distribution des rendements du portefeuille dans le futur est la même que dans le
passé. Elle a l’avantage de ne pas réaliser d’hypothèse concernant la distribution des rendements
et d’être facile à calculer.
Pour la déterminer, on peut se baser sur la distribution des P&L ou sur la distribution des
rendements. Prenons le cas des P&L, on classe toutes les valeurs de la distribution par ordre
croissant et on détermine la valeur correspondant à la probabilité que nous nous sommes fixée.
Supposons que nous disposons de 500 données, alors dans le cas ou le niveau de confiance est
de 99%, la V aRt (99%) correspondra à la 6ème valeur. Dans le cas des rendements, on prend
le 6ème rendement le plus faible noté r99% et on applique ce rendement à la valeur actuelle du
portefeuille pour estimer la V aRt (99%).

1.4.2 Méthodes paramétriques

Pour utiliser les méthodes paramétriques, on doit faire une hypothèse concernant la distri-
bution des rendements du portefeuille. Généralement, on approxime d’abord leur distribution
par un modèle gaussien. Cette hypothèse est certes très réductrice mais elle permet de simpli-
fier les calculs, de plus on peu corriger certaines erreurs avec l’expansion de Cornish Fisher vue
précédement.
Nous allons vous présenter deux méthodes paramétriques de calcul de la VaR : l’approche
Variance-Covariance et l’approche RiskMetrics de JPMorgan.

8
Approche Variance-Covariance. L’approche Variance-Covariance repose sur l’hypothèse
que les rendements du portefeuille et des facteurs de risque suivent des lois Normales et Multi-
normales, bien que cette hypothèse soit facilement invalidée empiriquement. La formule utilisée
pour calculer cette VaR est la formule que nous avons déjà exprimée auparavant mais avec un
calcul de volatilité plus détaillé.
Dans le cas d’un portefeuille d’actions corrélées entre elles on exprimera la volatilité à partir
de la matrice de covariance des actifs. La formule de calcul de la VaR est la suivante :
1
V aRt (a, α) = −a0 µt + (a0 Ωt a) 2 zα

où
– a représente le poids des actifs dans le portefeuille
– µt représente le vecteur constitué de l’éspérance des rendements des actifs du portefeuille
– Ωt représente la matrice de covariance des actifs du portefeuille

Approche RiskMetrics (JPMorgan). La méthode RiskMetrics ressemble à la méthode de

Variance-Covariance mais la volatilité est calculée différemment. La volatilité est estimée en
utilisant ses valeurs passées ainsi que celles des rendements en accordant plus de poids aux
valeurs les plus récentes. Ceci permet de pouvoir s’adapter plus facilement aux changements de
conditions du marché et de pouvoir mieux tenir compte des évènements extrêmes.
On utilise alors la formule :

V aRt (α) = E(∆W ) + zα × σ(t)

où σ est estimée à partir de la formule

 2
2 2 ∆Wt−1
[σ(t)] = [σ(t − 1)] × λ + × (1 − λ)
Wt−1

avec λ = 0.94

1.4.3 Méthode de Monte Carlo

C’est de loin la méthode la plus difficile à mettre en oeuvre car elle nécessite la réalisation
d’un nombre conséquent de simulations. On détermine dans un premier temps les lois de dis-
tribution des rendements des facteurs de risque décrivant la valeur du portefeuille, ces lois de
distributions peuvent entre autre être des modèles stochastiques. On simule ensuite un grand
nombre de scénarii futurs pour déterminer les trajectoires des facteurs de risque. Les résultats de
ces simulations sont ensuite utilisés pour exprimer la distribution des pertes et profits et calculer
la VaR.

1.4.4 Méthode de Bootstrap

C’est une méthode stochastique alternative. On reconstitue une distribution des pertes et
profits du portefeuille en allant piocher aléatoirement avec remise dans l’échantillon historique.
On calcule ensuite la VaR, selon la méthode désirée, à partir de cette nouvelle distribution.

Maintenant que les bases de la Value at Risk ont été définies, nous allons passer à l’analyse de
la sensibilité d’un portefeuille par rapport à la Value at Risk. Le prochain chapitre porte en effet
sur la manière de constituer un portefeuille VaR-efficient, c’est-à-dire optimal selon le critère de
la VaR. Il s’agit là d’une méthode originale d’allocation d’actifs.

9
Chapitre 2

Analyse de la sensibilité de la
Value at Risk et allocation de
portefeuille

2.1 La Value at Risk d’un portefeuille

Dans cette partie, nous définissons deux vecteurs a et pt de Rn où
– n représente le nombre d’actifs
– a est le vecteur constitué des quantités d’actifs
– pt est le vecteur des prix des actifs à la date t
Pn
Pour un portefeuille Wt = i=1 ai pi,t = a0 pt , la VaR est donnée par l’équation suivante dans
le cadre de l’hypothèse où le portefeuille est autofinancé 1 :

Pt [(Wt+1 (a) − Wt (a)) + V aRt (a, α) < 0] = Pt [−a0 yt+1 > V aRt (a, α)] = α (2.1)
| {z }
a0 (pt+1 −pt )=a0 yt+1

Dans le cas de rendements gaussiens du portefeuille, la VaR est donnée par la formule suivante :
V aRt (a, α) = −a0 µt + (a0 Ωt a)1/2 z1−α (2.2)

2.2 La cohérence et l’homogénéité de la VaR d’un porte-

feuille
2.2.1 Mesure du risque
P. Artzner, F. Delbaen, J.M Eber et D. Heath [99] 2 définissent plusieurs caractéristiques
qu’une mesure de risque doit satisfaire. Dans la section suivante nous reprenons les principales
proporiétés d’une mesure de risque cohérente citées dans cet article.

Définition 1 On dit que ρ est une mesure de risque monétaire si :

– ρ est croissante : X > Y =⇒ ρ(X) ≥ ρ(Y )
– invariante par translation : ρ(X + m) = ρ(X) + m ∀m ∈ R

Définition 2 On dit que ρ est convexe si pour tout 0 ≤ θ ≤ 1

ρ(θX + (1 − θ)Y ) ≤ θρ(X) + (1 − θ)ρ(Y )

1. Un portefeuille W = (Sn = (Sn 0 , . . . , S d ); θ = (θ 0 , . . . , θ 0 )) est dit autofinancé si et seulement si : ∀n ∈

n n n n
(0, 1, · · · , N − 1) : θn+1 Sn = θn Sn , i.e. à l’instant n, après avoir pris connaissance des cours (Sn 0 , S1 , · · · , Sd ,
n n
l’investisseur réajuste son portefeuille pour le faire passer de la composition θn+1 , et cela en réinvestissant la
valeur totale du portefeuille et rien de plus.
2. Cf leur article Coherent measures of risk.

10
Définition 3 On dit que ρ est positivement homogène si :

ρ(λX) = λρ(X)

pour tout λ ≥ 0.

Une mesure de risque monétaire convexe positivement homogène est dite cohérente.

2.2.2 La sensibilité et la convexité de la VaR

2.2.2.1 Sensibilité
Proposition 1 La première dérivée partielle - par rapport à l’allocation a du portefeuille - de
la VaR est donnée par :

∂V aRt (a, α)
= −Et [yt+1 |a0 yt+1 = −V aRt (a, α)] (2.3)
∂a
Preuve
La VaR est définie d’après la formule (1.1) par :

α = Pt [−a0 yt+1 > V aRt (a, α)]

n
X
= Pt [− ai yi,t+1 > V aRt (a, α)]
i=1
n
X
= Pt [− ai yi,t+1 − aj yj,t+1 > V aRt (a, α)]
i=1,i6=j
| {z }
| {z } =aj Y
=X
= Pt [X − aj Y > V aRt (a, α)]

On notant fX,Y la loi jointe du couple (X, Y ), on obtient :

Z "Z #
α= fX,Y (x, y)dx dy
V aRt (a,α)+aj y

On dérive alors cette dernière équation par rapport à aj :

Z  
∂V aRt (a, α)
0= + y fX,Y (V aRt (a, α) − aj y, y)dy
∂aj
d’où
R
∂V aRt (a, α) yfX,Y (V aRt (a, α) − aj y, y)dy
=− R
∂aj fX,Y (V aRt (a, α) − aj y, y)dy
= −Et [yt+1 |a0 yt+1 = −V aRt (a, α)]

11
2.2.2.2 Convexité
La convexité de la VaR est donnée par la deuxième dérivée partielle par rapport à la compo-
sition du portefeuille.

Proposition 2 Si l’on note ga,t la loi conditionnelle de la variable a0 y, on :

∂ 2 V aRt (a, α) ∂logga,t

= (−V aRt (a, α)) × Vt [yt+1 |a0 yt+1 = −V aRt (a, α)]
∂a∂a0 ∂z  
∂ 0
− Vt [yt+1 |a yt+1 = −z] (1.3)
∂z z=V aRt (a,α)

Lemme
Dans le cas où les rendements du portefeuille suivent une loi Normale les deux premières dérivées
partielles s’écrivent :

∂V aRt (a, α)
= Et [yt+1 |a0 yt+1 = −V aRt (a, α)]
∂a
Ωt a
= −µt + 0 (V aRt (a, α) + a0 µt )
a Ωt a
Ωt a
= −µt + 0 z1−α
(a Ωt a)1/2

∂ 2 V aRt (a, α) z1−α

0
= 0 Vt [yt+1 |a0 yt+1 = −V aRt (a, α)]
∂a∂a (a Ωt a)1/2
Ωt aa0 Ωt
 
z1−α
= 0 Ω t −
(a Ωt a)1/2 a0 Ωt a

Avec :
– Ωt représente la matrice de variance-covariance des rendements des actifs composant le
portefeuille
– µt le vecteur des moyennes des rendements des actifs
– z1−α le percentile du niveau de confiance α

Nous remarquons que ces deux dérivées partielles sont des fonctions affines de la VaR et
dépendent de l’allocation du portefeuille ainsi que du niveau de confiance 1 − α.

Nous signalons ici que la VaR est une mesure de risque monétaire positivement homogène.
En général elle n’est pas convexe (et donc elle n’est pas en général sous-additive) 3 .

3. Pour la démonstration le lecteur peut se référer à l’article de P. Artzner, F. Delbaen, J.M Eber et D. Heath
[99], où l’on démontre que la VaR est cohérente si α < 1/2

12
2.3 Le portefeuille efficient
L’allocation des portefeuilles est basée sur un arbitrage rendement/risque qui fait appel à une
mesure de risque. Le risque est principalement mesuré par le second moment i.e. la volatilité.
La première approche, qui est le point de départ quasi-incontournable en gestion de porte-
feuille, est celle introduite par Markowitz, dite approche moyenne-variance. Elle vise notamment
à minimiser la variance du portefeuille pour rendre le portefeuille plus prévisible et donc moins
risqué. Plusieurs autres méthodes sont envisageables : celles basées sur la théorie de l’utilité
espérée (TUE) ou encore celles se basant sur la CVaR comme mesure de risque...

Dans notre cas nous adopterons la VaR comme mesure de risque.

2.3.1 Définition
Nous considérons une richesse initiale w à répartir à l’instant t en plusieurs titres risqués de
rendement yt = (y1,t , . . . , yn,t ). Le portefeuille étant une combinaison de ces titres risqués, il est
caractérisé par les proportions (ou quantités) d’actifs que détient ou souhaite détenir l’investis-
seur.
Mathématiquement le portefeuille peut être défini par le vecteur a = (a1 , . . . , an ), c’est-à-dire
défini en quantité de richesse initiale (ou en proportion de la richesse initiale).

La richesse à l’instant initial t vérifie :

w = a0 + a0 pt
où a0 représente la quantité de richesse investie dans l’actif sans risque de rendement r.

La valeur de ce portefeuille est donnée dans la date t + 1 :

Wt+1 = a0 (1 + r) + a0 pt+1
= w(1 + r) + a0 [pt+1 − (1 + r)pt ]
= w(1 + r) + a0 yt+1

La VaR est donc définie par :

Pt [Wt+1 < −V aRt (a0 , a, α)] (2.4)

que l’on peut écrire en fonction du quantile des actifs risqués défini dans la section précédente :

V aRt (a0 , a, α) = w(1 + r) + V aRt (a, α) (2.5)

L’allocation du portefeuille consiste alors à déterminer le vecteur a. Il s’agit donc de résoudre
le problème suivant : pour un niveau de risque de perte maximale donné, qui peut survenir au
cours d’un horizon de temps t, selon un niveau de confiance 1 − α, trouver les proportions ai à
investir dans chaque titre i, conduisant au rendement espéré maximal.

Mathématiquement on écrit :

maxa Et Wt+1
(2.6)
avec V aRt (a0 , a, α) ≤ V aR0
où V aR0 est une valeur référence du niveau de la VaR 4 .

4. Cette valeur est imposée par les normes Bâle II publiées par la banque centrale des banques centrales. Elle
est fixée généralement entre 1/4 et 1/3 de la richesse initiale.

13
2.3.2 Estimation du portefeuille efficient
Pour résoudre le problème d’allocation du portefeuille, on va faire appel aux méthodes
numériques et plus particulièrement à la méthode des moindres carrés dans le cas non-linéaire.
Avant de commencer cette démarche numérique, il nous semble judicieux de faire les calculs dans
un voisinage proche de la valeur a(p) recherchée.
Cela revient à faire un developpement limité au voisinage de a(p) :

V aR(a0 , a, α) − w(1 + r) = V aR(a, α)

∂V aR (p)
= V aR(a(p) , α) + (a , α)[a − a(p) ]
∂a
1 ∂ 2 V aR
+ [a − a(p) ]0 (a − a(p) )[a − a(p) ]
2 ∂a∂a0
Le programme d’allocation s’écrit alors :

maxa a0 Et yt+1

∂V aR (p)
souslacontrainte V aR(a(p) , α) + (a , α)[a − a(p) ]
∂a
1 ∂ 2 V aR
+ [a − a(p) ]0 (a − a(p) )[a − a(p) ] ≤ V aR0 − w(1 + r)
2 ∂a∂a0 | {z }
Vd
aR0

Pour résoudre ce problème, nous avons fait appel à un algorithme de calcul numérique :
l’algorithme de Gauss-Newton. En effet, cet algorithme permet de résoudre une équation non-
lineaire en se basant sur des procédures itératives (voir annexe A). Ce problème admet alors
comme solution :

∂ 2 V aR (p) ∂V aR (p)
a(p+1) = a(p) − [ 0
(a , α)]−1 (a , α)
∂a∂a ∂a
" #1/2
2(VdaR0 − V aR(a(p) , α)) + Q(a(p) , α) ∂ 2 V aR (p)
+ 2 × [ (a , α)]−1 Eyt+1 .
0
Eyt+1 [ ∂∂a∂a
V aR (p)
0 (a , α)]−1 Eyt+1 ∂a∂a0

avec :
∂V aR (p) ∂ 2 V aR (p) ∂V aR (p)
Q(a(p) , α) = (a , α)[ (a , α)]−1 (a , α)
∂a0 ∂a∂a0 ∂a

présent nous allons vous présenter l’application informatique qui accompagne cette étude.
Nous avons choisi de proposer à l’utilisateur une solution simple et intuitive pour constituer
soi-même son propre portefeuille VaR-efficient, en incluant les informations boursières les plus
récentes.

14
Chapitre 3

Application informatique

Afin de mettre en application la théorie que nous venons de détailler, nous avons créé une
application informatique. Les objectifs étaient les suivants :

– Pouvoir constituer son propre portefeuille parmi une sélection d’actifs

– Récupérer l’historique des cours d’actifs concernés via Internet sans l’intervention de l’uti-
lisateur
– Traiter les données brutes :
– homogénéisation des dates
– repérage des valeurs de cours aberrantes
– traitement approprié des introductions en Bourse
– traitement des actions sur titres 1
– Calculer la valorisation du portefeuille, en prenant en compte les taux de change
– Faire apparaı̂tre les indicateurs classiques sur chacun des actifs et sur la valorisation du
portefeuille (moments des rendements, plus haut, plus bas, Value at risk...)
– Enfin, proposer un portefeuille optimal au sens de la Value at Risk

Un effort a été fait afin de proposer à l’utilisateur une interface intuitive et une utilisation la
plus simple possible.

Notre choix s’est porté sur une application Excel avec l’outil VBA, afin de garantir la porta-
bilité de notre application.
Le calcul à proprement parler du portefeuille VaR-efficient se fait avec le logiciel R. L’algo-
rithme conduisant à la composition optimale du portefeuille est appelé à partir d’Excel.

Outils requis :
Outre la connexion Internet requise pour pouvoir télécharger les derniers historiques de cours, la
macro Excel appelle le logiciel R pour récupérer les cours et les enregistrer sous format texte.

1. tels que les Stock Split, Reverse Stock Split...

15
3.1 Sélection des actifs du portefeuille

Voici la page d’accueil de l’application.

Nous avons sélectionné 70 actifs sur les marchés français (CAC40) et américain (Dow Jones) 2 .
L’utilisateur sélectionne les actifs de son portefeuille en indiquant le nombre d’actions désirées.
Une macro détecte si la quantité est strictement positive ; dans le cas contraire ou si du texte est
tapé, la valeur est automatiquement remplacée par « 0 ».
Un compteur (en haut à droite), indique le nombre d’actifs choisi ainsi que le nombre total
d’actions détenues dans le portefeuille. Si le compteur indique que le portefeuille est constitué
de plus d’un actif, le bouton « Télécharger les cours » devient accessible.
2. A l’origine, nous voulions rajouter le Footsie 100 ainsi que le Nikkei 225, mais les données disponibles sur
Internet étaient trop pauvres.

16
3.2 Récupération des historiques de cours

Après avoir indiqué la date de création du portefeuille, la macro va appeler R, afin de télécharger
les historiques des cours sélectionnés (et seulement ceux-ci). R passe par le site Internet http ://fi-
nance.yahoo.fr pour récupérer les cours sous forme de tableaux.
En outre, si au moins un actif Américain est sélectionné, R va télécharger l’historique des
taux de change EUR-USD pour la période considérée. Tous les historiques de cours sont ensuite
enregistrés au format texte sur le disque dur de l’utilisateur.
Cette opération peut prendre plusieurs minutes, suivant la profondeur de l’historique et le
nombre d’actifs sélectionnés. Une fois les cours téléchargés, la macro va rentrer dans une impor-
tante opération de traitement de ces données brutes.

3.3 Traitement des données

1. Les données brutes enregistrées au format texte vont être importées depuis Excel. Une
feuille du classeur Excel contient toutes les données : chaque actif est représenté sur deux
colonnes : une colonne des dates à laquelle correspond une colonne des cours.
2. La deuxième étape est d’homogénéiser les dates. Le résultat final doit être une feuille
dont la première colonne contient les dates et les colonnes suivantes les cours de chaque
actif (cf. graphe ci-dessous). Si pour une date donnée, il n’y a aucun cours disponible, nous
supprimons la ligne correspondante.

17
 3. Une autre étape importante est celle du calcul des rendements de chaque actif. Il y a
deux cas où l’on peut avoir de très forts rendements :
– Une erreur dans l’historique des cours
– Une opération sur titres ; exemple : le 18 mai 2006, l’action TOTAL est passée de 217
EUR à 51 EUR à cause d’un « 4 :1 Stock Split » et d’un versement de dividende de 3.48
EUR par action 3 . Le rendement journalier s’est donc effondré à -77% :

Fig. 3.1 – Le stock split du 18 mai 2006 sur l’action TOTAL (yahoo.fr)

Pour corriger cela, nous décidons de réviser l’ensemble des rendements : si un rendement
journalier dépasse 45% en valeur absolue, nous le corrigeons à 0%.
Dans le cas contraire, nous trouverions des valeurs aberrantes pour les skewness et kur-
tosis des rendements, et pour la VaR qui en découle.
4. Remplissage des lacunes ; Nous considérons que les rendements suivent localement une
loi Normale, de moyenne µ et d’écart-type σ où µ est le rendement journalier et σ la
volatilité journalière : Rdt ,→ N (µ, σ)
Ces deux indicateurs sont calculés comme étant les moyennes respectives des 5 dernières
valeurs constatées.
En cas d’introduction en Bourse, nous décidons de ne pas remplir les « lacunes » antérieures
à la date d’introduction.
Tout ceci se fait de manière automatique ; les introductions en Bourse sont détectées s’il
n’y a pas eu de cotation dans les 5 jours qui précèdent. Une fois les lacunes comblées, les
rendements sont recalculés.
5. Calcul de la valorisation du portefeuille ; Naturellement, le portefeuille est évalué à
la date t comme ceci :
i=n
X
V (t) = N (i) ∗ S(i, t) ∗ Change(t)
i=1

Où :
– N(i) est la quantité d’actifs i détenue
– S(i,t) est le cours de l’actif i à la date t
– Change(t) vaut 1 si l’actif est coté sur le CAC40, il vaut le taux de change USD-EUR
s’il est coté sur le Dow Jones.

Un problème se pose alors : en cas d’introduction d’actif, le rendement du portefeuille le

lendemain de l’introduction va être anormalement élevé. Nous décidons de réévaluer à 0%
tous les rendements du portefeuille supérieurs à 7% en valeur absolue.
6. Nous calculons le β de chaque actif, en identifiant les rendements du marché à ceux du
portefeuille :
cov(Ri , RP )
βi =
var(RP )
Enfin, nous calculons les pondérations de chaque actif selon leur dernière cotation.
Une fois toutes ces opérations effectuées, le bouton « Analyse et optimisation » se dévérouille
sur la page d’accueil.
3. Un stock split correspond à une émission de nouvelles actions ; le cours est ajusté de telle sorte que la
capitalisation boursière reste la même

18
3.4 Analyse du portefeuille
Dans la fenêtre d’analyse de portefeuille apparaissent deux onglets consacrés respectivement
au portefeuille et aux actifs, et un onglet concernant l’optimisation :

3.4.1 L’onglet dédié au portefeuille

Outre des informations telles que la valeur finale du portefeuille et les quatre moments des
rendements (espérance µ, écart-type σ, skewness Sk, kurtosis K), la macro vous propose
de calculer la Value at Risk sous 3 formes :

– VaR de Cornish Fisher (2000) : On considère que les rendements des actions suivent
une loi Normale dont le quantile zq est corrigé :
1
wq = zq + (zq2 − 1)Sk
6
La VaR du portefeuille est alors la somme pondérée des VaR de chaque actif.
– VaR de Cornish Fisher améliorée (2001) : Le quantile de la loi Normale est corrigé
de façon plus précise, en prenant en compte le Kurtosis des rendements :
1 1 1
wq = zq + (zq2 − 1)Sk + (zq3 − 3zq )K − (2zq3 − 5zq )Sk 2
6 24 36
– Par l’estimation classique :

V aR(α) = E(P ) + σ(P )z1−α

où
i=n
X
E(p) = θ(i)E(i)
i=1

et s X
σ(P ) = θ(i)θ(j)σij
1<i<j<n

19
En choisissant l’horizon de calcul ainsi que le niveau de confiance (généralement 99%),
l’utilisateur peut ainsi comparer les trois valeurs de VaR disponibles.

Egalement, il est possible :

– d’afficher l’évolution dans le temps de la valorisation du portefeuille (« Graphe du por-

tefeuille ») ; la sensibilité du portefeuille aux variations du marché est alors visible.

– d’afficher sous forme graphique la répartition des actifs (en valeur, au dernier jour de
cotation connu).

20
3.4.2 L’onglet consacré aux actifs
Une case permet de sélectionner un actif parmi ceux du portefeuille, afin d’accéder à sa
fiche :

Une partie de la fenêtre récapitule l’ensemble des informations relatives à l’action, telles
que le nombre d’actions détenues ou encore le marché dont elle est issue (CAC40 ou DJ).
La pondération de l’actif (en montant) calculée précédemment est également disponible.

Le β de l’actif en question est mentionné (relativement au portefeuille).

La fiche mentionne également les 4 moments des rendements de l’action (µ, σ, Sk, K) ainsi
que les rendements extrêmes constatés sur la période de détention du portefeuille.

Il est alors possible de tracer trois types de graphiques :

(a) le graphe historique du cours de l’actif

21
(b) le graphe historique de tous les actifs du portefeuille ; il permet de mettre en évidence
les périodes de hausse et de baisse globales des marchés

(c) le graphe Espérance des rendements / Beta pour les actifs du portefeuille ; ce graphe
permet de repérer les actifs les plus rémunérateurs en fonction du risque non diversi-
fiable.

22
3.4.3 L’onglet consacré à la création du portefeuille VaR-efficient

L’apparence et les fonctionnalités de cette partie du programme peuvent différer de la version

finale.

Extraction des données nécessaires

Il y a plusieurs données d’entrées nécessaires à l’exécution de l’algorithme d’optimisation :

– les pondérations ai de chaque actif (en montant, au dernier jour de cotation connu)
– les rendements RtR−R t−1
t−1
pour chaque actif
– le niveau de confiance α relatif à la Value at Risk
– le benchmark Vd aR0 , qui est le pourcentage de perte maximal supportable

La première étape consiste donc à enregistrer sous plusieurs fichiers chacune de ces données.
Cette opération est très rapide et prend moins de 10 secondes en règle générale.

Appel de R et exécution de l’algorithme

Ensuite, le logiciel R est appelé depuis Excel afin de faire tourner le programme d’optimisa-
tion. R va tout d’abord récupérer les données extraites à l’étape précédente, puis il va exécuter
la boucle d’optimisation. Le code R est fourni en annexe B.
Une fois l’optimisation effectuée, le résultat est enregistré dans le fichier Resoptim.txt.

Sauvegarde du résultat et récupération sur Excel

Excel va lire le fichier contenant le résultat de l’optimisation et l’afficher sur la partie droite de
la fenêtre. En allouant chaque actif selon les proportions indiquées à l’issue de l’optimisation, le
rendement espéré du portefeuille se voit augmenté. Ce point étant encore en phase d’amélioration,
le résultat définitif ne peut pas vous être présenté ici.

23
3.5 Améliorations
Plusieurs aspects de notre application informatique restent encore perfectibles. En voici
quelques uns :

1. Tout d’abord, l’application informatique nécessite deux logiciels : Excel et R. Si le premier,

très populaire, est susceptible d’être présent sur une grande partie des ordinateurs, ce n’est
pas forcément le cas de R 4 . En outre, quelques incompatibilités subsistent entre les versions
d’Excel.
2. Autre point faible : l’application informatique est assez lente. Le temps de calcul nécessaire
au traitement initial des données une fois téléchargées (cf. 2.3) devient vite important
lorsque plus de 10 actifs sont sélectionnés 5 . En réalité, lorsqu’un actif est sélectionné, l’his-
torique est d’abord entièrement téléchargé, puis traité. Une solution plus efficace consiste-
rait à garder en mémoire les données déjà disponibles (de par les utilisations antérieures du
logiciel) et de ne télécharger (et traiter) que la partie des cours manquante. Cela réduirait
considérablement le temps de calcul car le traitement ne concernerait alors que les informa-
tions s’étalant de la dernière utilisation du logiciel à aujourd’hui. Malheureusement, mettre
en place un tel système nécessiterait de revoir totalement le code VBA implémenté.
3. Aussi, il serait possible de trouver un moyen de récupérer les cours d’actions d’autres
marchés étrangers (FTSE100, Nikkei225...) ; la seule solution gratuite rencontrée ne four-
nissait que des données au mieux hebdomadaires.
4. De la même manière, nous aurions pu ajouter un panel d’obligations à notre portefeuille.
Cependant, les données disponibles sur Internet (gratuitement) sont bien trop pauvres pour
être exploitables dans le cadre de ce projet.
5. Le traitement des données et notamment le comblage des lacunes de cours d’action peut
être amélioré. L’exemple du Stock Split (plus dividende) de l’action Total en 2006 nous
montre bien que ces cas sont à la fois fréquents et délicats. Notre application se voulant
entièrement automatisée, nous avons décidé de repérer de telles opérations (caractérisées
par un rendement journalier exceptionnel) et de considérer que le cours de l’action avait
été inchangé ce jour-ci. Une alternative plus appropriée aurait pu être envisagée (formules
d’ajustement de cours), mais le fait que les ratios de Split soient inconnus complique gran-
dement la tache. Le problème est similaire pour les introductions en Bourse.
6. La vitesse d’exécution aurait également pu être améliorée en codant une partie du pro-
gramme en C++ (langage bas niveau). Cet outil, s’il permet d’accroı̂tre la vitesse de calcul,
est également moins intuitif. Une solution utilisant C++ étant trop complexe à mettre en
oeuvre par rapport à notre expérience dans ce langage, nous avons décidé de recourir au
logiciel libre R.
7. Il serait également possible d’améliorer le choix des actifs en portefeuille ; ici, l’utilisateur
choisit ses actions, puis il fixe une date qui est celle à laquelle il a constitué son portefeuille.
On considère donc que tous les actifs sont acquis à cette date 6 . Il serait envisageable de
constituer son portefeuille en sélectionnant les actifs mais aussi une date d’achat indivi-
duelle.
8. L’interface qui présente les principaux indicateurs de performance du portefeuille est également
perfectible. Nous avons choisi de présenter toutes les caractéristiques pour un actif donné,
mais nous pourrions faire l’inverse à savoir présenter pour chaque indicateur (moyenne des
rendements, volatilité...) une vue d’ensemble de tous les actifs du portefeuille.

4. Le logiciel R est en téléchargement libre sur http ://cran.r-project.org/

5. Environ 2 minutes de calcul pour 13 actifs sur Excel 2007 et un processeur de 2.2GHz
6. Si l’utilisateur choisit un actif qui n’est pas encore coté, on considère qu’il l’acquiert à la date d’introduction
en Bourse

24
Synthèse

Nous l’avons vu, la Value at Risk est un indicateur du risque financier à la fois performant
et très synthétique. Elle doit une grande partie de sa popularité aux directives règlementants
les fonds propres des entreprises, permettant à ces-dernières de mesurer de façon simple leur
exposition au risque et les provisionnements nécessaires qui en découlent. Très encadrées par la
législation, ces provisions financières obligatoires sont un moyen efficace de prévenir la faillite
d’un organisme.
En 1994, la banque JP Morgan dévoile sa technique de calcul de la Value at Risk (Risk-
Metrics) et marquera alors le début de l’essor de cet indicateur dans les banques et organismes
financiers soumis à un risque de marché.

Nous avons mis en évidence la simplicité de la Value at Risk, qui n’est fonction que de deux
paramètres soumis à l’appéciation du décideur :
1. le niveau de confiance (généralement imposé à 99%) qui constitue en quelque sorte l’aversion
au risque de perte
2. l’horizon de calcul, la VaR augmentant évidemment avec celui-ci

Il existe alors plusieurs méthodes pour évaluer le montant du patrimoine soumis à une perte
probable : méthode historique, variance-covariance, VaR par Monte Carlo, VaR RiskMetrics ou
encore VaR par bootstrap. L’investisseur est donc libre de préférer telle méthode à une autre,
lui laissant le choix entre justesse de la prévision et souplesse de calcul.

Indicateur du risque par excellence, la Value at Risk n’en est pas moins un outil au cœur
d’une nouvelle méthode d’optimisation de portefeuille. La stratégie la plus couramment utilisée
étant celle initiée par Harry Markowitz dès 1952, qui consiste à définir la variance comme mesure
du risque. En considérant la VaR comme nouvel indicateur du risque, il devient alors possible de
construire un portefeuille dit VaR-efficient, c’est-à-dire qui maximise l’espérance de rendement
pour une VaR maximale fixée.
Ce programme d’optimisation peut apparaı̂tre comme plus satisfaisant pour une entreprise
dont la stratégie serait d’espérer un rendement maximal tout en s’assurant (à un niveau de
confiance donné) de ne pas perdre au-delà d’un montant déterminé à l’avance. En effet, la VaR
apparaı̂t alors parfaitement appropriée à la gestion de portefeuille, la variance présentant l’in-
convénient majeur de na pas pouvoir chiffrer clairement les pertes futures.

L’article de MM. LAURENT, SCAILLET et GOURIEROUX [2000] propose un moyen de

chiffrer la sensibilité d’un portefeuille d’actifs à la VaR. la suite de nombreux calculs, ils par-
viennent à une formule de récurrence qui permet d’aboutir à la composition optimale des actifs
du portefeuille.
Nous avons alors voulu proposer, au travers d’une application informatique simple d’utili-
sation, un outil permettant de constituer soi-même son propre portefeuille VaR-efficient. Après
avoir composé son portefeuille (parmi les actions du CAC40 et du Dow Jones), l’utilisateur a
la possibilité d’exécuter le programme d’optimisation. Ayant rencontré quelques difficultés pour
implémenter correctement cette procédure itérative, nous ne sommes malheureusement pas en
mesure de vous présenter ici le résultat de ces simulations.

Néanmoins, cette nouvelle approche d’optimisation de portefeuille, bien que plus complexe à
mettre en pratique, constitue une avancée importante au vu de la formidable progression de la
Value at Risk ces dix dernières années.

25
Annexe A

Algorithme de Gauss-Newton

L’algorithme de Gauss-Newton est utilisé pour résoudre les problèmes de moindres carrés
non-linéaire, c’est une modification de la méthode de Newton aux dérivées partielles secondes.
m
X
S(p) = (fi (p))2
i=1

avec : fi des fonctions multivariables.

La solution de cette équation est donnée par l’algorithme itératif suivant :

−1
pk+1 = pk − Jf (pk )0 Jf (pk ) Jf (pk )0 f (pk )


avec : Jf (pk ) est le Jacobien de la fonction f au point pk .

26
Annexe B

Code de l’optimisation (R)

setwd("C:/VaR")
#Lecture des données utilisateur provenant d’Excel
bench=as.double(read.table("benchmark.csv", header=F, sep=",", dec="."))/100
confiance = as.double(read.table("confiance.csv", header=F, sep=",", dec="."))/100
data=read.table("Rdt.csv", header=T, sep=",", dec=".")
a=t(read.table("ponderations.csv", header=T, sep=",", dec="."))

NData=nrow(data)
NAsset=ncol(data)

NSimul=100

mean=matrix(1, NAsset, 1)

for(i in 1:(NAsset)){
mean[i]=mean(data[,i])
}

cov=cov(data)
ptf=matrix(1,NData,1)

sensib=matrix(1,NAsset,1)
convex=matrix(1,NAsset,NAsset)

for(i in 1:NSimul){
ptf=as.matrix(data)%*%a
VaR=-quantile(ptf,1- confiance, na.rm=TRUE)
varp=var(ptf)
Z=qnorm(confiance)
MU=as.matrix(mean)

sensib=-MU+Z*(as.double(varp^-0.5))*(cov%*%a)
convex=Z*(as.double(varp^-0.5)*(cov-(as.double(varp^-1))*(cov%*%a%*%t(a)%*%cov)))
Q=as.double(t(sensib)%*%(solve(convex))%*%sensib)
D=as.double(t(MU)%*%(solve(convex))%*%MU)

a=a-(solve(convex))%*%sensib+(as.double(((2*(bench-VaR)+Q)^0.5)*D^-0.5))*((solve(convex))%*%MU)
}

a<-t(a)

write.table(a,"Resoptim.txt",sep=";",row.names=FALSE,col.names=FALSE)
quit("no")

27
Bibliographie

[ABD03] A. ABDELHEDI, Estimation de la Value at Risk d’un portefeuille d’actions, 2003

[GLS00] J.P. LAURENT, O. SCAILLET, C. GOURIEROUX, Sensitivity analysis of Values at Risk,
2000
[OSS03] A. OSSE , Qu’est-ce que la Value at Risk, 2003
[JPM96] RiskMetrics JPMorgan, Technical document 4th edition, 1996
[FM] M. FEDOR, J.MOREL Value at Risk en assurance : recherche d’une méthodologie à long terme

28