(

Sp si : α ≤ r
u∗ (p, s) = (α−r)T
(3.78)
Sp .e si : α > r
Ainsi, quand il n’y a pas de risque de liquidité, il est plus optimal de tout vendre
immédiatement. Cependant, pour une économie avec un risque de liquidité et en supposant
vraie la condition de Jarrow et Subramanian (2001)[312] ’ d’économies d’échelle’, les
auteurs obtiennent :
(
Sp c(s).e(α−r)∆(s) si : α ≤ r
u∗ (p, s) = (3.79)
Sp .e(α−r)(T +∆(s)) si : α > r
Dans ce cas, les recettes avec coût de liquidité sont toujours inférieures à celles d’une
économie sans frictions.
En utilisant ce qui précède, Jarrow et Subramanian (2001)[312] définissent p* comme le
"prix de liquidité optimal". C’est le prix qui vérifie u∗ (s∗ , s) = u(p, s), tel que, pour un
prix de marché p, les recettes espérées de la liquidation dans une économie avec risque
de liquidité, sont égales aux recettes dans une économie sans frictions. Ce prix peut être
déduit en notant que :


 Sp∗ = Sp c(s)e(α−r)∆(s) Si : α ≤ r
(α−r)T (α−r)(T +∆(s)) (3.80)
Sp∗ c(s)e = Sp c(s)e Si : α > r

(α−r)∆(s)
⇔ p∗ = pc(s)e


p∗ est utilisé pour évaluer un portefeuille au lieu de p car il saisit la "valeur équitable
espérée de la liquidation". Jarrow et Subramanian (2001)[312] construisent leur distribu-
tion des rendements à partir de laquelle ils déduisent LVaR :

σ2 σ2
 
p
LV aR = p.s [α − ]E[∆(s)] + E[ln(c(s))] − 2[σ E[∆(s)]] + [α − ].std[∆(s)] + std[ln(c(s))]
2 2
(3.81)
Le cadre méthodologique du modèle Jarrow et Subramanian (2001)[312] est plus ro-
buste et a une base mathématique solide. Malgré cela, il a ses inconvénients en termes
d’application. Par exemple, l’estimation objective de ses paramètres, comme la moyenne
et l’écart-type du délai d’exécution ∆(s) et l’escompte de quantité (quantity discount)
correspondante c(s) est difficile, notamment parce que ces paramètres ne sont pas obser-
vables .
Le modèle ne tient suffisamment pas compte de l’ensemble du risque de liquidité dans le
sens qu’il ne fait que modéliser l’impact-prix permanent et ne tient pas compte des effets

221
temporaires liés aux prix. Il ne tient pas non plus compte des coûts liés aux fourchettes et
ne le fait qu’indirectement via la fonction impact-prix, dont la forme n’est pas clairement
spécifiée.

[Link] Le modèle d’Almgren et Chriss (1999)[10]

Almgren et Chriss (1999)[10] fournissent l’une des premières extensions complètes et

robustes de la VaR standard pour inclure tous les aspects majeurs du risque de liquidité.
En utilisant un cadre de stratégie de liquidation optimale, Almgren et Chriss (1999)[10]
déduisent les coûts exogènes et endogènes provoqués par une liquidation. Le cadre tient
compte des impacts de prix endogènes temporaires et permanents en utilisant deux diffé-
rentes fonctions d’impact des prix. En effet, c’est le premier modèle à dériver des stratégies
de liquidation alternatives pour diverses spécifications de l’impact des prix.

Considérons un trader avec X unités d’un actif, et qui souhaite échanger sa position
T
entière pour une date T donnée (T exogène), avec τ = N et tk = k.τ pour k=0,1,..,N.
Almgren et Chriss (1999)[10] définissent une stratégie de trading comme une combinai-
son {x0 , x1 , ...xN } des unités détenues après trading à chaque ti telle que x0 = X et xN = 0

Si on note ηk = xk−1 − xk les unités échangées à chaque étape tk , alors xk = X −

Pk PN
j=1 ηj = j=k+1 ηj . Supposons en outre que le prix de l’actif à la k-ième étape est Sk
tel que :

k k
√ ηk √ X X ηk
Sk = Sk−1 + σ τ ξj − τ g( ) = S0 + σ τ ξj − τ g( ) (3.82)
τ j=1 j=1
τ

σ → Volatilité des rendements de l’actif.

τ → longueur de l’intervalle entre deux dates de transaction.
ηk → un nombre tiré aléatoirement de la distribution N(0,1).
g(v) → la fonction impact permanent de prix.
ηk
τ
→ le taux moyen de trading sur tk − tk−1 .

Compte tenu de la différence entre les impacts-prix permanents et temporaires, le prix

de transaction réel de la k-ième transaction est mieux modélisé comme : S̃ = Sk−1 − h( ητk )
où h(v) est la fonction de l’impact-prix temporaire.
L’idée sous-jacente est que les déséquilibres entre l’offre/demande à court terme, dus au
trading, provoquent des réductions temporaires de prix qui disparaissent une fois que
l’intensité du trading diminue.
Compte tenu de ces trajectoires de quantité et de prix, on peut déduire la valeur totale

222
nette reçue (moins les coûts de liquidité) du trading de t=0 à t=T :

N N N
X X √ ηk X η
ηk S̃k = X0 S0 + (σ τ ξk − τ g( ))xk − ηk h( ) (3.83)
k=1 k=1
τ k=1
τ

X0 S0 → la valeur de marché de la position initiale.

√
σ τ ξk → l’effet global de la volatilité des rendements.
τ g( ητk ) → concessions (ou réduction) permanentes accumulées de prix.
g(v) → concessions (ou réduction) temporaires de prix.

P
Le coût total de transaction est alors donné par X0 S0 − ηk S̃k , qui est la différence
entre la valeur initiale de marché et les recettes de la liquidation. Cette différence est une
variable aléatoire dont la moyenne et la variance sont :

N N
X ηk X ηk
E[x] = τ xk g( ) + ηk h( ) (3.84)
k=1
τ k=1
τ

N
X
V ar[x] = σ 2 τ x2k (3.85)
k=1

Almgren et Chriss (1999)[10] présentent une extension de leur modèle en supposant

que les traders souhaitent minimiser U (x) = (E[x] + λ.V ar[x]) où λ représente le degré
d’aversion au risque des traders.
Le problème d’optimisation revient à minimiser U (x) en choisissant des trajectoires de
trading alternatives soumises aux formulations d’impact prix et aux conditions de bornes
x0 = X et xN = 0. Almgren et Chriss (1999)[10] n’optimisent U (x) que dans le cas d’im-
pacts linéaires de prix, alors qu’ils présentent quelques formulations non linéaires, seul le
cas non linéaire fournit une solution fermée au problème d’optimisation.

L’estimation des paramètres ci-dessus n’est pas triviale et dépend de données intra-
journalières à haute fréquence qui peuvent être extrêmement volatiles et modifiables. La
nature dynamique des paramètres signifie également qu’ils doivent être souvent réestimés
pour assurer la pertinence du modèle.
En supposant le cas linéaire, Almgren et Chriss (1999)[10] arrivent, par substitution di-
recte de g() et h() à :

N N
1 X η̃k X 2
E[x] = γx2 + ε | ηk | + ηk (3.86)
2 1
τ 1

où η̃ = η − 21 γτ

223
Puisque E[x] est convexe ⇔ η̃ > 0 et que U(x) est convexe ⇔ λ > 0, alors U(x) a un
minimum pour une valeur x. Ce minimum peut être déterminé en prenant des dérivées
partielles dans x pour obtenir :

δU xj−1 − 2xj + xj+1

= 2τ (λσ 2 xj − η̃ )=0 (3.87)
δxj τ2

xj−1 − 2xj + xj+1 λσ 2

⇔ = xj = k̃ 2 xj (3.88)
τ2 k̃
q
λ
pour k̃ = σ (η− γτ )
. Avec x0 = X et xN = 0, la solution est donnée par :
2

sinh(k(T − tj ))
xj = X pour j = 0, 1, ..., N (3.89)
sinh

2sinh(1/2kτ )
ηj = cosh(k(T − tj−1/2 ))X (3.90)
sinh(kτ )
où sin h et cos h sont les fonctions hyperboliques sinus et cosinus avec tj = (j − 1/2)τ
pour j=0,..,N.

La LVaR peut maintenant être calculée, d’une manière similaire aux ajustements pa-
ramétriques précédents, en utilisant la formule VaR paramétrique standard ainsi que la
moyenne ajustée et la variance calculée en utilisant la trajectoire optimale définie dans
formules précédentes de xj et de ηj .

p
LV aRp = α V AR[x] + E[x] (3.91)

la formule précédente définit la perte maximale attendue pour la stratégie de trading

adoptée et pour une probabilité p. Le paramètre α est déterminé en utilisant la fonction
de distribution de probabilité cumulative inverse des rendements tel que P (R < α) = p.

La formulation d’Almgren et Chriss (1999)[10] exige d’importants données et de para-

mètres à estimer, mais son intérêt vient du fait que ce modèle de VaR est beaucoup plus
précis que tous les modèles précédents.
À la différence du modèle de Jarrow et Subramanian (2001)[312], Almgren et Chriss
(1999)[10] incluent des fonctions temporaires et permanentes d’impact des prix. Celles-ci
sont incorporées dans le modèle d’une manière générale pour permettre ensuite de spécifier
les formulations d’impact des prix les plus appropriées pour l’actif en question. De cette
manière, le modèle peut être mis en œuvre pour obligations, marché de change, matières
premières.. etc.
Dans l’ensemble, le modèle équilibre parfaitement les risques de prix et les effets de prix

224
liés à la liquidité en tenant compte de l’arbitrage réel auquel sont confrontés les acteurs
du marché.

En conclusion, si compare tous les modèles présentés, on peut émettre les remarques
suivantes :
— Tous les modèles d’ajustement des fourchettes nécessitent relativement peu de don-
nées et sont généralement faciles à comprendre. Ils ignorent par contre les effets
quantité-prix et se concentrent uniquement sur la fourchette.
— Tous les modèles d’ajustement de la fourchette et les modèles qui suivent sont basés
sur un cadre VaR paramétrique. Ils souffrent donc des mêmes inconvénients liés à
la non-liquidité que la VaR paramétrique standard.
— Les modèles OLS sont plus complets que les autres modèles. Cependant, ils sont
moins intuitifs et ils nécessitent beaucoup plus de données et des procédures d’esti-
mation complexes.

L’impression générale tirée de la comparaison ci-dessus est que les modèles qui rendent
compte correctement de la fourchette et de sa variabilité tendent à le faire aux dépens
d’une modélisation précise de l’impact sur le prix, tandis que les modèles offrant un cadre
rigoureux de l’impact sur le prix ont tendance à ignorer les risques liés à la fourchette
bid-ask. Un modèle complet de risque de liquidité doit tenir compte de la variabilité de la
fourchette, du niveau absolu de celle-ci, de l’impact sur le prix, du risque de prix. Presque
aucun des modèles ne saisit complètement tous ces aspects, et très peu de modèles offrent
un ajustement paramétrique, ce qui rendent leurs estimations des pertes plus conserva-
trices pendant les périodes de perturbation.

3.3 Application de la LVaR sur l’indice CAC40

A travers cette sous-section, nous allons voir si l’incorporation de la composante liée
à la liquidité améliore la mesure du risque total. Les différentes mesures VaR journalières
sont calculées de 02/01/2014 à 28/12/2018. Les VaRs sont calculées au départ sur un
intervalle de temps qui correspond aux 333 jours précédents. Nous calculons également la
VaR en utilisant les approches traditionnelles : la VaR normale, VaR de Student et la VaR
de Cornish Fisher. La sélection de la meilleure approche se fera sur la base du nombre de
dépassements observées des rendements par rapport aux prévisions de la VaR.

Dans notre étude, nous utilisons la mesure de Roll(1984) qui va représenter les couts
d’illiquidité. Notre application s’inspire du modèle de Bangia et al. (1999)[31] (graphique

225
3.4). Rappelons que dans leur cas, et au seuil de 99%, la VaR ajustée du risque de liquidité
est égale à :
LV aR99% = Pt .(1 − eE(rt )−2.33σt ) + 1/2.(Pt (S̄ + ασ̌)) (3.92)

Figure 3.4 – Représentation graphique de la LVaR.

Nous avons vu précédemment que la mesure de Roll ne peut ici être considérée comme
tirée d’une loi normale. Nous ne pouvons pas par conséquence nous fier à la loi normale
pour déterminer la 99% valeur la plus défavorable de la mesure d’illiquidité. Une des
solutions possibles proposées par Bangia et al. (1999)[31] est l’estimation d’un facteur
d’ajustement α de façon à cerner 99% des cas, en régressant la mesure de la fourchette (ou
la mesure de Roll) sur la VaR de la fourchette, estimée en utilisant la méthode historique.

Cours initial 31.01

VaR 95% -2,174%
Composante de marché de la VaR 0.666
Moyenne des fourchettes relatives 0.706%
Ecart-type des fourchettes relatives 0.292%
Facteur de correction 1.1072
Composante de la liquidité de la VaR 0.1596
Liquidity-VaR 99% 0.8266 soit -2.631%
Part de la composante de la liquidité 19.310%

Table 3.19 – Exemple de calcul de la LVaR de l’action Accor (AC) le 09/01/2014

Le tableau 3.19 présente un exemple du calcul de la LVaR à 99% le 09/01/2014 pour

l’action Accor. La VaR normale est de -.174% soit 0.666 euros. La composante additive
relative aux coûts d’illiquidité est de 0.1596 euros soit 19.31% de la VaR totale, qui est
égale à -2.631% .
Le tableau 3.20 présente les valeurs des différentes VaR à 95% calculées le 09/01/2014
pour tous les actions choisies du CAC 40. On remarque que la LVaR est supérieure en
valeur absolue aux autres méthodes de la VaR.
Suivant Le saout (2006) [224], nous étudions la relation entre la capitalisation et la part

226
 Action Valeurs la VaR à 95%
VaR-normal VaR-CF VaR-Student LVaR
AC -2.174% -2.232% -2.548% -2.631%
ACA -3.378% -3.919% -3.991% -4.443%
AI -1.600% -1.751% -1.826% -2.042%
AIR -2.748% -2.958% -3.277% -3.335%
ATO -1.852% -2.173% -2.177% -2.425%
BN -1.831% -2.052% -2.094% -2.390%
BNP -2.721% -3.126% -3.210% -3.359%
CA -2.833% -3.313% -3.368% -3.671%
CAP -2.297% -2.725% -2.735% -2.901%
CS -2.528% -2.996% -3.030% -3.103%
DG -2.057% -2.313% -2.434% -2.767%
DSY -1.619% -1.269% -1.894% -2.097%
EL -2.155% -2.593% -2.462% -2.632%
EN -2.936% -3.729% -3.425% -4.043%
ENGI -2.197% -2.317% -2.494% -2.720%
FP -1.705% -1.914% -1.976% -2.191%
HO -1.953% -2.534% -2.366% -2.663%
KER -2.287% -2.593% -2.638% -2.775%
LR -1.837% -2.028% -2.172% -2.136%
MC -2.097% -2.281% -2.387% -2.564%
ML -2.426% -2.817% -2.831% -3.011%
OR -1.954% -2.340% -2.288% -2.537%
ORA -2.627% -2.856% -2.929% -3.060%
PUB -1.992% -2.281% -2.362% -2.656%
RI -1.682% -1.659% -1.876% -2.031%
RMS -1.792% -2.146% -2.079% -2.330%
RNO -3.154% -3.670% -3.701% -3.903%
SAF -1.840% -2.297% -2.270% -2.175%
SAN -2.231% -2.435% -2.571% -2.837%
SGO -2.493% -2.957% -2.939% -3.285%
STM -3.577% -3.783% -4.084% -4.312%
SU -2.565% -3.005% -2.965% -3.191%
SW -1.728% -1.854% -2.032% -2.235%
UG -3.932% -5.624% -5.464% -5.899%
VIE -2.849% -3.371% -3.320% -3.442%
VIV -2.310% -2.654% -2.687% -3.263%

Table 3.20 – Valeurs la VaR à 95% le 09/01/2014 pour les actions CAC 40.

de liquidité dans la LVaR (appelée par Bangia et al. (1999)[31] le coût exogène de la
liquidation (ECL)) pour l’année 2018. Nos résultats indiquent que le coût exogène de
liquidation est positivement lié à la capitalisation boursière de l’actif.

227
 Coefficient Ecart-type t-Student Intervalle 95%
Constante -0.020369 1.063964 -0.02 -2.182604 2.141866
Capitalisation 0.1978452 0.0092905 21.3 0.1789646 0.2167258
R2 = 0.9303
Table 3.21 – Régression entre ECL et la capitalisation en 2018.

Figure 3.5 – Représentation graphique des VaR 95% entre 2014 et 2018.

Figure 3.6 – Représentation graphique des VaR 95% et des rendements entre 2014 et 2018.

Le graphique 3.5 trace l’évolution des différentes VaR entre 2014 et 2018 pour un por-
tefeuille composé des 36 actions du CAC 40 (portefeuille à pondération égale).
Le principal défi dans l’estimation de la VaR est que celle-ci ne doit être ni "laxiste" pro-
voquant des pertes non anticipée, ni trop restrictive engageant des montants considérables

228
 Action Nombre de violations VaR à 95%
VaR-normal VaR-CF VaR-Student LVaR
AC 68 64 50 40
ACA 60 44 42 32
AI 70 62 54 45
AIR 69 51 43 38
ATO 85 70 60 52
BN 63 45 44 36
BNP 76 63 56 45
CA 76 74 56 48
CAP 67 60 54 48
CS 67 63 50 40
DG 59 40 38 34
DSY 69 70 54 54
EL 62 48 42 38
EN 58 44 38 32
ENGI 73 57 53 43
FP 79 71 60 52
HO 69 37 38 31
KER 61 50 43 34
LR 76 67 51 44
MC 72 56 54 44
ML 81 66 53 43
OR 72 50 47 42
ORA 55 31 32 31
PUB 76 65 58 47
RI 63 58 47 38
RMS 72 66 52 45
RNO 76 57 49 40
SAF 82 53 51 48
SAN 61 53 45 34
SGO 71 55 50 41
STM 73 70 56 47
SU 82 61 57 51
SW 78 67 59 47
UG 96 43 39 36
VIE 55 51 44 38
VIV 62 39 39 30

Table 3.22 – Le nombre de violations des VaR à 95%.

de fonds propres (afin de répondre aux contraintes réglementaires). Ce défi est d’autant
plus difficile à relever que le marché passe souvent d’une phase de récession à une phase
de croissance. Appliquer la même mesure de risque pour les deux phases entraîne soit des
valeurs trop restrictives de la VaR soit des valeurs non adaptées à la conjoncture des mar-

229
chés. D’après le graphique 3.5, On remarque que les prévisions des différentes VaR sont
sensiblement différentes. Ces prévisions de la VaR discriminent bien la période de stabilité
financière et la période de crise. Les VaR relatives à la période 2015-2016 sont plus élevées
que celles prévues en temps normale. Les estimations de la LVaR sont beaucoup plus
restrictive (que les autres VaR) durant la période de récession de 2015-2016 qu’en temps
normal. Autrement dit, les écarts entre la LVaR et les autres VaR sont particulièrement
plus élevés durant la période 2015-2016.

Une violation de la VaR a lieu quand le rendement réalisé est inférieur à la VaR prévue.
Dans notre cas, et étant donné que nous avons estimé 1278 valeurs de la VaR, on doit
s’attendre à avoir environ 13 violations de la VaR pour un niveau de confiance de 99%
(ou 1278 * 1%) et environ 64 violations pour un niveau de confiance de 95% (soit 1278 *
5%). Le tableau 3.22 reporte le nombre de violations de la VaR de 95%. La LVaR étant
plus élevée que les autres VaR, elle présente donc le moindre nombre de violations. La
figure 3.6 permet une visualisation des violations des VaR. On remarque sur le graphique
que la LVaR arrive mieux à anticiper les pertes en période 2015-2016.

Nous donnons en annexes (tableau 3.23 et figure 3.25) les résultats du calculs des
différentes VaR au seuil de 99%. Le graphique 3.7 présente l’évolution des VaR à 99% du
portefeuille composé des 36 actions du CAC 40 (portefeuille équi-pondéré) ainsi que les
rendements du marché.

Figure 3.7 – Evolution des VaR à 99% et des rendements entre 2014 et 2018.

La LVaR à 99% parait moins restrictive que la VaR Cornish-Fisher ou la VaR de

Student. Néanmoins, elle ne présente pas un nombre de violations excessivement élevé

230