La VaR pour

les risques
financiers

Famien KONAN 2023-2024

Plan de la présentation
I. La Value-at-Risk
II. L’Expected Shortfall

III. Les méthodes d’estimation de la VaR

IV. Volatilités et corrélations des modèles de VaR

I. La Value-at-Risk
La mesure du risque : un besoin d’homogénéité 4

• L’activité financière est affectée par des sources de risques multiples:

▪ Risque de marché : variation de la valeur d’un portefeuille d’actifs due aux
mouvements de marché (prix, taux, volatilité…)
▪ Risque de crédit : le risque de défaillance d’une contrepartie face à ces
engagements contractuels ou à l’encaissement des créances
▪ Risque de liquidité : impossibilité d’échanger un titre sur les marchés ou de se
refinancer
▪ Risque opérationnel : défaillance dans le traitement d’une opération (erreur
humaine, problème informatique, fraude…)

• Les équipes dirigeantes ont besoin d’une mesure de risque :

▪ Homogène pour suivre l’ensemble des risques liés à l’activité financière
▪ Consolidable qui reflète les interactions et la diversification entre les risques
▪ Synthétique qui résume le risque global en un seul chiffre
La VaR: un outil pratique de gestion du risque 5

• Popularisée par JP Morgan en 1994 avec le système RiskMetrics, la VaR est

devenue un standard au sein des institutions financières:
▪ Calcul du risque de crédit sur des portefeuilles (Credit VaR)
▪ Suivi des risques de marché sur des portefeuilles
▪ Allocation de fonds propres économiques en couverture des risques
▪ Mesure de la performance (RAROC) des unités opérationnelles

▪ Les directives réglementaires de Bâle (1995 et 2004) recommandaient

l’utilisation d’une méthode forfaitaire de mesure de risque de marché qui peut
être fondée sur le concept de VaR.
Définition de la VaR 6

• La 𝑉𝑎𝑅 𝑇, 𝑝 représente le maximum de perte à un niveau de probabilité 𝑝 que

pourrait subir un portefeuille sur un horizon temporel 𝑇

ℙ 𝐿 𝑇 < 𝑉𝑎𝑅 𝑇, 𝑝 = 𝑝
ou de manière équivalente
ℙ 𝐿 𝑇 > 𝑉𝑎𝑅 𝑇, 𝑝 =1−𝑝

▪ 𝐿 𝑇 , la perte (algébrique), est égale à la différence entre la valeur 𝑊0 du

portefeuille aujourd’hui et sa valeur 𝑊𝑇 à l’horizon 𝑇

• L’horizon associé à la VaR est de quelques jours (entre 1 et 10 jours)

• Le niveau de probabilité est typiquement compris entre 95% et 99%
Principales caractéristiques de la VaR 7

La VaR d'un portefeuille dépend essentiellement de trois paramètres :

▪ La distribution de la valeur du portefeuille. Souvent cette distribution est

supposée normale, mais beaucoup d'acteurs financiers utilisent des
distributions historiques.

▪ Le niveau de confiance. C'est la probabilité que les pertes éventuelles du

portefeuille ou de l'actif ne dépassent pas la VaR, par définition.

▪ L'horizon temporel. Ce paramètre est très important car plus l'horizon est
long, plus les pertes peuvent être importantes. Par exemple, pour une
distribution normale des rendements, il faut multiplier la VaR à un jour par
ℎ pour avoir la VaR sur ℎ jours.
VaR relative et VaR absolue 8

• Notons
▪ 𝑅: le taux de rendement, 𝜇 𝑇 : le taux de rendement attendu sur la période et
𝜎𝑇 : la volatilité du rendement sur la période
▪ La position est fixe (pas de négociation pendant la période)
▪ La valeur du portefeuille à la fin de la période : 𝑊𝑇 = 𝑊0 1 + 𝑅
▪ La valeur la plus faible du portefeuille au niveau de confiance donné 𝑝 :
𝑊𝑇∗ = 𝑊0 1 + 𝑅∗ . Le calcul de la VaR équivaut à calculer 𝑊𝑇∗ .
• La VaR relative est la perte en devises par rapport à la moyenne :

𝑉𝑎𝑅𝑅𝑒𝑙𝑎𝑡𝑖𝑣𝑒 = 𝔼 𝑊 − 𝑊𝑇∗ = −𝑊0 𝑅∗ − 𝜇 𝑇

• La VaR absolue est la perte en devises par rapport à la valeur initiale, sans
référence à la valeur attendue

𝑉𝑎𝑅𝐴𝑏𝑠𝑜𝑙𝑢𝑒 = 𝑊0 − 𝑊𝑇∗ = −𝑊0 𝑅∗

Distribution de la valeur future du portefeuille 9

• La distribution de la valeur future du portefeuille peut s’obtenir à partir :

▪ de l’historique des valeurs du portefeuille
▪ des distributions historiques des facteurs de risques, en utilisant une
méthode de valorisation complète ou simplifiée du portefeuille
▪ d’un sous-ensemble de facteurs de risque résumé à quelques paramètres

• La VaR peut être déduite de la distribution de probabilité de la valeur future du

portefeuille 𝑓 𝑤 à un niveau de confiance 𝑝 donné:

∞ 𝑊𝑇∗
𝑝= ‫𝑓 ∗ 𝑊׬‬ 𝑤 𝑑𝑤 ou 1 − 𝑝 = ‫׬‬−∞ 𝑓 𝑤 𝑑𝑤 = ℙ 𝑤 < 𝑊𝑇∗ = 𝑝
𝑇

▪ 𝑊𝑇∗ , le quantile de la distribution, est égal à la VaR

VaR paramétrique: cas de la distribution normale 10

• Cette approche est dite paramétrique car elle implique l'estimation de

paramètres (par exemple, l’écart-type), au lieu de se contenter de lire le quantile
de la distribution empirique.

• Pour une loi normale, on peut construire une variable normée 𝛼𝑝 telle que
𝑅∗ −𝜇𝑇
▪ −𝛼𝑝 = ou 𝑅∗ = −𝛼𝑝 𝜎𝑇 + 𝜇 𝑇
𝜎𝑇
𝑊𝑇∗ 𝑅∗ −𝛼
▪ 1 − 𝑝 = ‫׬‬−∞ 𝑓 𝑤 𝑑𝑤 = ‫׬‬−∞ 𝑓 𝑟 𝑑𝑟 = ‫׬‬−∞𝑝 Φ 𝜀 𝑑𝜀 où Φ 𝜀 est la densité de
la loi normale standard.
▪ 𝛼𝑝 est le 𝑝-quantile de la loi normale standard 𝑁 0,1

• On en déduit les estimations de VaR pour une loi normale:

𝑉𝑎𝑅𝑅𝑒𝑙𝑎𝑡𝑖𝑣𝑒 𝑇, 𝑝 = −𝑊0 𝑅∗ − 𝜇 𝑇 = 𝑊0 𝛼𝑝 𝜎𝑇
𝑉𝑎𝑅𝐴𝑏𝑠𝑜𝑙𝑢𝑒 𝑇, 𝑝 = −𝑊0 𝑅∗ = 𝑊0 𝛼𝑝 𝜎𝑇 − 𝜇 𝑇
VaR non-paramétrique 11

• Aucune hypothèse n’est faite sur la distribution des valeurs du portefeuille

Source: Jorion, Measuring the risk in value at risk

Exemples de calcul de VaR 12

• Dans l’exemple précédent:

▪ La moyenne de la distribution est USD 5.1 million
▪ L’écart-type de la distribution est USD 9.2 million
▪ Il y a 254 observations, dont 11 observations à gauche de USD -10 millions et
15 observations à gauche de USD -9 million

• VaR paramétrique
▪ Le quantile à 95% d’une distribution normale standard est 1.645
▪ 𝑉𝑎𝑅𝑅𝑒𝑙𝑎𝑡𝑖𝑣𝑒 (1,95%) = 𝑊0 𝛼0.95 𝜎1 = 1.645 × 9.2 = 𝑈𝑆𝐷 15.2 𝑚𝑖𝑙𝑙𝑖𝑜𝑛

• VaR non-paramétrique
▪ Le nombre d'observations dans la queue est 254 × 5% = 12.7
15−12.7 12.7−11
▪ Par interpolation: 𝑊𝑇∗ = −10 + −9 = 𝑈𝑆𝐷 − 9.6 𝑚𝑖𝑙𝑙𝑖𝑜𝑛
15−11 15−11
𝑉𝑎𝑅𝑅𝑒𝑙𝑎𝑡𝑖𝑣𝑒 (1,95%) = 𝔼 𝑊 − 𝑊𝑇∗ = 5.1 − −9.6 = 𝑈𝑆𝐷 14.7 𝑚𝑖𝑙𝑙𝑖𝑜𝑛
Les risques de la VaR : le risque d’estimation 13

• Il est impossible de trouver des mesures exactes de la VaR en raison d'erreurs

d'estimation des paramètres: des intervalles de confiance doivent être utilisés
pour tenir compte du risque d’estimation

• Pour estimer les paramètres nécessaires au calcul de la VaR (moyenne, écart-

type), on dispose d’un nombre d’observations limité : source d’erreur sur
l’estimateur
▪ Plus l’historique utilisé pour l’estimation est long, plus l’incertitude sur les
paramètres est réduite

• Les estimations de la VaR sont affectées par l'erreur d'estimation sur les
quantiles :
▪ Plus le niveau de confiance est élevé (quantile extrême), plus l’incertitude sur
la VaR augmente
▪ Plus l’historique utilisé pour l’estimation est long, plus l’incertitude sur
l’estimation de la VaR est réduite
Les risques de la VaR: le risque de modèle 14

• Les distributions empiriques des rendements des actifs ne suivent pas en général
une distribution normale
Le risque de modèle : les valeurs extrêmes 15

• La loi normale sous-estime les grandes déviations : les variations quotidiennes

supérieures à trois écarts-types sont devenus plus fréquents (une distribution
normale suggérerait que cela se produit moins d'une fois par an).

• Pour des niveaux de confiance très élevés, on utilise la Théorie des Valeurs
Extrêmes
Théorie des valeurs extrêmes 16

• Cette théorie permet la modélisation d’événements rares et l’estimation de

quantiles extrêmes, à travers différents types de modèles. Elle permet donc de
fournir des réponses à des questions telles que :
▪ Sur une période donnée, à quelle valeur du maximum ou du minimum doit-on
s’attendre ?
▪ Comment modéliser des variations de rendement dépassant un seuil donné ?

• La seconde question concerne la modélisation des queues de distribution à

travers la méthode des excès:
▪ Estimer la queue de la distribution 𝐹 d’une variable aléatoire 𝑋 (la distribution
est supposée inconnue) en se fixant au préalable un certain seuil 𝑢.
La distribution de Pareto généralisée 17

• La distribution conditionnelle des excès au delà du seuil 𝑢, 𝐹𝑢 𝑦 = ℙ(𝑋 − 𝑢 ≤

𝑦|𝑋 > 𝑢) , converge vers une distribution de Pareto généralisée 𝐺𝜉,𝛽 𝑦 au fur et à
mesure que 𝑢 augmente.
1
−𝜉
𝑦
1− 1 +𝜉 𝑠𝑖 𝜉 ≠ 0
𝐺𝜉,𝛽 𝑦 = 𝛽 𝛽: facteur d’échelle, 𝜉: indice de queue
𝑦
1 − 𝑒𝑥𝑝 − 𝑠𝑖 𝜉 = 0
𝛽

Type Pareto II Type Exponentiel Type Pareto

−𝛽/𝜉
Estimation du quantile extrême 18

𝑛−𝑁
• En pratique, La quantité 𝐹𝑢 est estimée par 𝑢
, où 𝑛 est le nombre total
𝑛
d’observations et 𝑁𝑢 le nombre d’observations au delà du seuil 𝑢. On obtient alors
un estimateur de 𝐹(𝑥) pour les valeurs 𝑥 ≥ 𝑢:
1
−෡
𝜉
෣ 𝑁𝑢 𝜉෠
𝐹 𝑥 =1− 1+෡ 𝑥−𝑢
𝑛 𝛽

• Le 𝑝-quantile supérieur de 𝐹 vaut donc :

−𝜉෠
𝛽መ 𝑛
𝑥ෞ𝑝 = 𝑢 + 1−𝑝 −1
መ𝜉 𝑁𝑢

• L’estimation des différents paramètres se fait par la méthode du maximum de

vraisemblance en supposant un échantillon d’observations indépendantes et
identiquement distribuées.
La VaR extrême 19

• La VaR avec un niveau de confiance 1 − 𝑝 est définie comme le p-quantile de la

distribution des rendements. A partir du précédent estimateur, pour une
probabilité 𝑝 fixée, la VaR s’écrit :

−𝜉෠
𝛽መ 𝑛
෣𝑝 = 𝑢 +
𝑉𝑎𝑅 1−𝑝 −1
𝜉መ 𝑁𝑢

• On rappelle que 𝑛 est le nombre total d’observations et 𝑁𝑢 le nombre

d’observations au delà du seuil 𝑢.

• On peut exprimer la VaR pour un horizon temporel ℎ :

෣𝑝 ℎ = ℎ𝜉෠ × 𝑉𝑎𝑅
𝑉𝑎𝑅 ෣𝑝
Les limites de la VaR extrême 20

• L'effet de queue de distribution épaisse est compensée dans certains cas:

▪ Pour un niveau de confiance plus élevé (99.5 %), la VaR de l'EVT est
supérieure à la VaR normale
▪ A un horizon plus lointain, la VaR de l'EVT augmente à un rythme plus lent
que la VaR

• La Théorie des Valeurs Extrêmes est de nature univariée

▪ En conséquence, elle ne permet pas de caractériser la répartition conjointe
des facteurs de risque, de sorte que l'application de la VaR de l'EVT au
revenu total d'une institution n'explique pas les causes des pertes
potentielles

• L'estimation des paramètres de la distribution à partir des données peut créer

des erreurs et doit donc être complétée par des stress-tests.
financiers
Les inconvénients des mesures VaR : la représentation du risque 21

• La VaR donne la probabilité d’occurrence d'une perte en excès de la VaR

calculée
▪ Aucune information n’est disponible sur la taille effective de la perte quand
elle se produit
▪ De manière plus générale, on n’a aucune information sur la distribution de la
perte au-delà de la VaR

• Exemple: La VaR est la même dans les 2 cas, mais le risque du portefeuille est
plus élevé dans le cas 2
1. 2.
Les inconvénients des mesures VaR: la sous-additivité 22

• Dans certains cas, la VaR n’est pas sous-additive. Cette propriété est liée à l’effet
de diversification au sein des portefeuilles.
• Exemple:

En classant les scénarios:

𝑉𝑎𝑅𝑋 85% = 13
𝑉𝑎𝑅𝑌 85% = 7 𝑉𝑎𝑅𝑋+𝑌 85% ≥ 𝑉𝑎𝑅𝑋 85% + 𝑉𝑎𝑅𝑌 85%
𝑉𝑎𝑅𝑋+𝑌 85% = 30
II. L’Expected Shortfall
Mesures cohérentes de risque 24

• En définissant la mesure de risque comme un montant de capital nécessaire

pour accepter l’incertitude sur la valeur future de la position, une mesure
𝜌(𝑋) est qualifiée de cohérente lorsqu’elle vérifie les propriétés suivantes :
Propriétés Formule Description
Monotonicité Si 𝑋 ≤ 𝑌, alors Si les pertes du portefeuille 𝑌 sont plus importantes que
𝜌(𝑋) ≤ 𝜌(𝑌) les pertes du portefeuille 𝑋 pour tous les scénarios,
alors le risque du portefeuille 𝑌 est plus élevé que le
risque du portefeuille 𝑋.
Invariance par 𝜌 𝑋 + 𝑘 = 𝜌 𝑋 + 𝑘 L'ajout d'une perte constante au portefeuille augmente
translation son risque du même montant
Homogénéité 𝜌 𝑏𝑋 = 𝑏𝜌(𝑋) L'augmentation de la taille d'un portefeuille par b devrait
simplement permettre d'échelonner son risque par le
même facteur
Sous- 𝜌 𝑋 + 𝑌 ≤ 𝜌 𝑋 + 𝜌(𝑌) Le risque de la somme des sous-portefeuilles 𝑋 + 𝑌
additivité est inférieur ou égal à la somme de leur risque individuel
L’Expected Shortfall: une alternative à la VaR 25

• L’ES est une mesure de risque cohérente. L’ES sur un horizon 𝑇 au seuil de
confiance 𝑝 correspond à la perte moyenne du portefeuille au bout de 𝑇 jours, si
la 𝑉𝑎𝑅 𝑇, 𝑝 est dépassée:
𝐸𝑆 𝑇, 𝑝 = 𝔼 𝐿 𝑇 | 𝐿 𝑇 ≥ 𝑉𝑎𝑅 𝑇, 𝑝

• L’ES, comme la VAR, est fonction de deux paramètres : 𝑇 (l'horizon temporel en

jours) et 𝑝 (le niveau de confiance).

• Exemple: Etant donné 100 scénarios, calculer la 𝑉𝑎𝑅 95% et 𝐸𝑆 95%

30 + 22 + 15 + 12 + 11
𝑉𝑎𝑅 95% = 9 et 𝐸𝑆 95% = = 18
5
Expression alternative de l’ES 26

• En notant que 𝐸𝑆 𝑇, 𝑝 = 𝔼 𝐿 𝑇 | 𝐿 𝑇 ≥ 𝑉𝑎𝑅 𝑇, 𝑝

𝑉𝑎𝑅 𝑇, 𝑝 = 𝐹𝐿−1
𝑇
𝑝
On peut écrire:
+∞
1
𝐸𝑆 𝑇, 𝑝 = න 𝑥𝑓𝐿 (𝑥) 𝑑𝑥
1 − 𝑝 𝐹−1 𝑝
𝐿𝑇

• Changement de variable 𝑑𝑞 = 𝑓𝐿 𝑥 𝑑𝑥
1
1
𝐸𝑆 𝑇, 𝑝 = න 𝐹𝐿−1 𝑞 𝑑𝑞
1 − 𝑝 𝐹𝐿−1 𝐹𝐿𝑇 𝑝
𝑇
𝑇
𝟏
𝟏
𝑬𝑺 𝑻, 𝒑 = න 𝑽𝒂𝑹 𝑻, 𝒒 𝒅𝒒
𝟏−𝒑 𝒑

• L’ES peut donc être vue comme une moyenne des VaR de seuil supérieur à 𝑝 .
III. Les méthodes d’estimation de la
VaR
Calcul de la VaR 28

1. Sélection des facteurs de risques pouvant affecter la valeur du portefeuille

• Portefeuille d’obligations: les facteurs peuvent être les yields de chaque obligation, les taux
zéro coupon pour retracer la structure à terme des taux d’intérêt, ou encore les z-spreads

2. Générer la distribution des facteurs de risque

• Choisir la méthodologie pour capter les changements dans les facteurs de risque
• La distribution des facteurs de risque peut être générée à partir des données historiques

3. Générer la distribution des valeurs du portefeuille sur l’horizon désiré

• La valorisation du portefeuille peut être effectuée à l’aide d’une évaluation
▪ Globale (full evaluation)
▪ Partielle (partial evaluation) qui repose sur une approximation linéaire ou quadratique

4. Calculer le quantile de la distribution

• On calcule les moyennes et quantiles nécessaires à partir de la distribution obtenue
Méthodes d’estimation de la VaR 29

• Trois approches sont disponibles

▪ Approche de simulation historique (non paramétrique)
▪ Approche analytique de variance-covariance (paramétrique: hypothèse de
normalité)
▪ Approche de simulation Monte Carlo (paramétrique)

Distribution des facteurs de risque

Historique Normale
Taylor Ordre 1 VaR paramétrique

Fonction de Taylor Ordre 2 VaR historique

Valorisation
Repricing VaR Monte Carlo
La VaR historique : le concept 30

• La méthode repose sur l’estimation du 𝑝-quantile réel de la distribution de pertes

qui est en fait inobservable:
▪ Les variations historiques (jointes, sur 𝑇 jours parmi 𝑁 derniers jours écoulés)
des facteurs de risques sont utilisées pour définir les scenarii possibles pour
les futurs 𝑇 jours.
▪ Le portefeuille est revalorisé pour chaque scenario afin de simuler un
échantillon de taille 𝑛 de pertes quotidiennes
▪ L’estimateur de la VaR est simplement le 𝑝 -quantile empirique de cet
échantillon

• Elle est compatible avec tant avec une évaluation globale qu’avec une évaluation
partielle.
La VaR historique : étapes de calcul 31

• Les variations des facteurs sont échantillonnées à partir de la distribution

historique, sans remplacement
∆𝐹𝑖𝑘 = ∆𝐹𝑖,1 , ∆𝐹𝑖,2 , … , ∆𝐹𝑖,𝑡

• Nous pouvons construire des valeurs de facteurs hypothétiques

𝐹𝑖𝑘 = 𝐹𝑖,𝑡 + ∆𝐹𝑖𝑘
qui sont utilisées pour construire une valeur hypothétique du portefeuille actuel
dans le cadre de chaque nouveau scénario 𝑘 avec 𝑓 la fonction d’évaluation:
𝑊 𝑘 = 𝑓 𝐹1𝑘 , 𝐹2𝑘 , … , 𝐹𝑁𝑘

• Nous pouvons maintenant calculer les variations de la valeur des portefeuilles à

partir de la position actuelle 𝑊 𝑘 − 𝑊𝑡 .

• Les variations de valeur du portefeuille sont classées et la VAR est obtenue à

partir du 𝑝-quantile de la distribution.
La VaR historique : étapes pratiques 32

1. Choisir l’échantillon des données historiques de marché, par exemple 250 données
de jours de transactions
2. Avec ces données, calculer les changements journaliers de chaque facteur de
risque. Les changements peuvent êtres absolus ou relatifs (simples ou logarithmiques)
3. Utiliser ces changements journaliers et les appliquer aux valeurs actuelles des facteurs,
on obtient ainsi 250 valeurs hypothétiques futures ou scénarios dans le cas de 250
échantillons
4. On construit ensuite les valeurs du portefeuille en utilisant les valeurs des facteurs de
risque pour chaque scénario. Nous pouvons maintenant calculer les variations de la
valeur du portefeuille à partir de la position actuelle pour chaque scénario
5. Finalement, on construit l’histogramme des variations de valeur du portefeuille. La
VaR à 99% pour 1 jour sera la valeur du 1er percentile de la distribution à gauche ou
encore la 3è plus grande valeur de perte est prise comme étant celle qui donne la VaR
dans le cas de 250 jours
La VaR historique : exemple de calcul 33

• Considérons un portefeuille dont la valeur est EUR 100 millions aujourd’hui,

constitué d’un seul actif, qui a connu 100 rentabilités journalières.

Observation Rentabilité Valeur simulée du Valeur simulée de

du titre portefeuille la perte
1 11% 100 × 1.1 = 111 −11
2 8.2% 100 × 1.082 = 108.2 −8.2
3 7.5% 100 × 1.075 = 107.5 −7.5
⋮ ⋮ ⋮ ⋮
99% de chances
⋮ ⋮ ⋮ ⋮
97 −4.8% 100 × 0.952 = 95.2 4.8
98 −5.6% 100 × 0.944 = 94.4 5.6
99 −6.8% 100 × 0.932 = 93.2 6.8 𝑉𝑎𝑅 99%
100 −10% 100 × 0.9 = 90 10 1% de chance
Cas d’un portefeuille d’obligations 34

• Considérons une obligation zéro-coupon:

▪ Valeur faciale 𝐹, échéance 𝑇, rendement 𝑟
𝐹
▪ Le prix de l’obligation est 𝑃 =
1+𝑟 𝑇

• Les variations historiques des rendements sont obtenues par :

rt +1 − rt
rt = , t = −1,−2, ,−250
rr

• Le rendement aujourd’hui pour le scenario 𝑘 est : 𝑟𝑘 = 𝑟0 × 1 + ∆𝑟𝑘

𝐹
• La valeur du portefeuille pour le scenario 𝑘 est : 𝑃𝑘 = 𝑇
1 + 𝑟𝑘

• Variation de valeur du portefeuille pour le scenario 𝑘 est : Δ𝑃𝑘 = 𝑃𝑘 − 𝑃0

Cas d’un portefeuille d’obligations 35

• Valeur faciale 100, échéance 5 𝑎𝑛𝑠

Taux
Dates actuariel Variation du Rendement par Prix Variation
données (%) rendement scénario % Obligation Prix oblig.

0 1,74 91,731
-1 1,70 2,22% 1,780 91,555 - 0,176
-2 1,73 -1,82% 1,710 91,873 0,142
-3 1,74 -0,48% 1,733 91,769 0,037
-4 1,73 0,57% 1,751 91,687 - 0,045
-5 1,70 2,11% 1,778 91,564 - 0,167
-6 1,68 1,27% 1,763 91,631 - 0,100
-7 1,64 2,28% 1,781 91,550 - 0,181
-8 1,54 6,04% 1,849 91,245 - 0,487
-9 1,49 3,06% 1,795 91,488 - 0,244
-10 1,74 2,22% 1,780 91,555 0,194
La VaR historique : avantages et inconvénients 36

Avantages : Inconvénients :

▪ Nécessite peu de calculs et des ▪ La profondeur de l’historique doit être

techniques simples suffisamment grande comparée à
l’horizon de la VaR et à son niveau de
▪ Prise en compte de toute la convexité confiance
du portefeuille
▪ La VaR historique renseigne peu sur
▪ Prise en compte (limitée) de la les mouvements futurs et peut
distribution empirique (fat tails) manquer les évènements extrêmes

▪ Aucune hypothèse préalable sur la ▪ La VaR historique est instable et peut

distribution des facteurs de risque «sauter» sans mouvement de marché
ni changement dans le portefeuille.

▪ La méthode est inadaptée aux produits

dérivés
La VaR paramétrique : le concept 37

• Les modèles de VaR paramétriques sont ceux qui supposent que la distribution
des facteurs de risque (données de marché) peut se résumer aux paramètres
d’une loi simple, typiquement la loi normale.

• La méthode paramétrique se déroule en 2 étapes

▪ La première étape consiste à décomposer les positions du portefeuille en fonction des
différents facteurs de risque (indices actions, taux de différentes maturité, taux de change…).
▪ La deuxième étape consiste à estimer la moyenne et la variance du portefeuille à partir des
distributions des facteurs de risque, et de la fonction d’évaluation du portefeuille
(approximation linéaire)

▪ Cette méthode est intéressante dans la mesure où elle permet une expression
analytique de la VaR
▪ Lois de probabilité des facteurs de risque relativement simples
▪ Mapping linéaire des instruments sur les facteurs
La VaR paramétrique : la méthode Delta-Normale 38

• La méthode delta-normale suppose que les expositions sont linéaires et que

les facteurs de risque sont conjointement et normalement distribués. Comme
le rendement du portefeuille est une combinaison linéaire de variables normales,
il est normalement distribué et le calcul de la VaR se ramène au calcul de la
volatilité du portefeuille

• La VaR d’une distribution normale s’exprime en fonction de la moyenne et la

variance
𝑉𝑎𝑅𝑅𝑒𝑙𝑎𝑡𝑖𝑣𝑒 𝑇, 𝑝 = 𝑊0 𝛼𝑝 𝜎𝑇

𝑉𝑎𝑅𝐴𝑏𝑠𝑜𝑙𝑢𝑒 𝑇, 𝑝 = 𝑊0 𝛼𝑝 𝜎𝑇 − 𝜇 𝑇
▪ 𝜎𝑇2 (𝑤) = σ𝑁 𝑁
𝑖=1 σ𝑗=1 𝑤𝑖 𝑤𝑗 𝜎𝑖𝑗 est la variance du portefeuille de composition (𝑤𝑖 )
▪ Les propriétés de diversification des actifs sont reflétées par la VaR gaussienne
Formulation mathématique de la méthode Delta-Normale 39

• Considérons le portefeuille de valeur 𝑊 = 𝑓(𝐹, 𝐹2 , ⋯ , 𝐹𝑁 )

▪ 𝐹𝑖 sont les facteurs de risque
▪ 𝑓 est la fonction d’évaluation
𝑁 𝑁
𝜕𝑊
• Alors 𝑊=෍ 𝑑𝐹 = ෍ Δ𝑖 × 𝑑𝐹𝑖 = ∆ ∙ 𝑑𝐹 avec i le “Delta” de la position par rapport au facteur i
𝜕𝐹𝑖 𝑖
𝑖=1 𝑖=1

▪ ∆ : toutes les sensibilités d’ordre 1 aux 𝑁 facteurs de marché

▪ 𝑑𝐹 : vecteur des variations de tous les 𝑁 facteurs de marché

• La volatilité de la variation du portefeuille est donnée par la variance de la somme des 𝑁 variables
normalement jointes
𝑁 𝑁

𝜎 Δ𝑊 = ෍ Δ2𝑖 × 𝜎 2 (Δ𝐹𝑖 ) + ෍ Δ𝑖 × Δ𝑗 × cov( Δ𝐹𝑖 , Δ𝐹𝑗 )

𝑖=1 𝑖≠𝑗

• Calcul de la VaR : 𝑉𝑎𝑅(1,99%) = 2.33 × 𝜎(Δ𝑊)

La VaR paramétrique : linéarisation des options 40

• La méthode delta-normale repose sur une linéarisation de la fonction d’

évaluation qui s’avere insuffisante en présence d’éléments non linéaires tels que
les options
▪ Le prix d’une option ne varie pas linéairement avec celui du sous-jacent
▪ Il est difficile d’agréger des distributions normales

• Pour inclure une option dans le calcul de la VaR paramétrique, on approxime la

variation de son prix 𝐶 𝑡, 𝑆 :
𝜕𝐶
∆𝐶 = 𝜃∆𝑡 + 𝛿∆𝑆 avec 𝜃 = 𝜕𝐶/𝜕𝑡 et 𝛿 =
𝜕𝑆
▪ Si le prix du sous-jacent suit une loi normale, il en est de même pour le prix de
l’option

• Cas d’un call: si 𝑠1−𝑝 est le 1 − 𝑝 -quantile de la distribution de ∆𝑆, alors

▪ 𝑉𝑎𝑅 𝑡 + ∆𝑡, 𝑝 = 𝐶 𝑡, 𝑆 − 𝐶 𝑡 + ∆𝑡, 𝑆 + 𝑠1−𝑝 = − 𝜃∆𝑡 + 𝛿 𝑠1−𝑝
La VaR paramétrique : la méthode Delta-Gamma pour les options 41

• Le modèle quadratique permet de prendre en compte la convexité des options :

𝜕𝐶
∆𝐶 = 𝜃∆𝑡 + 𝛿∆𝑆 + 0.5ΓΔ𝑆 avec 𝜃 = 𝜕𝐶/𝜕𝑡, 𝛿 = et Γ = 𝜕 2 𝐶/𝜕𝑆 2
2
𝜕𝑆
▪ Meilleure approximation mais la distribution du prix n’est plus gaussienne

• La VaR calculée sous le modèle quadratique s’écrit:

𝑉𝑎𝑅 𝑡 + ∆𝑡, 𝑝 = − 𝜃∆𝑡 + 𝛿 𝑠1−𝑝 + 0.5ΓΔ𝑠1−𝑝 2

• La méthode Delta-Normale surestime la VaR si Γ > 0 (achat de call ou de put)

• La méthode Delta-Gamma ne permet pas un calcul analytique de la VaR lorsque

l’option est un des instruments de la position
▪ On est obligé de recourir à la VaR historique ou à la VaR Monte Carlo
La VaR paramétrique : asymétrie et queue épaisse 42

• L’hypothèse de normalité/multi-normalité des facteurs de risque est en

contradiction avec les observations empiriques :
▪ Les densités de probabilités des variation relatives des prix sont souvent
caractérisées par une asymétrie (skewness négative) et des queues épaisses
(excès de kurtosis positif)

• Le développement de Cornish-Fisher fournit directement une généralisation de la

VaR d’une loi normale qui intègre la skewness et la kurtosis :
𝑉𝑎𝑅 𝑇, 𝑝 = 𝑊0 𝑧𝑝 𝜎𝑇
1 1 1
avec 𝑧𝑝 = 𝛼𝑝 + 𝛼𝑝2 − 1 𝑆𝑘 + 𝛼𝑝3 − 3𝛼𝑝 𝐾 − 3 − 2𝛼𝑝3 − 5𝛼𝑝 𝑆𝑘 2
6 24 36

(𝛼𝑝 est le 𝑝-quantile de la gaussienne standard)

La VaR paramétrique : les limites 43

Avantages Inconvénients

▪ S’exprime simplement en fonction ▪ L’approximation linéaire des profils

des caractéristiques des différents optionnels ne sont pas très réalistes
instruments composant le
portefeuille, et des paramètres des ▪ La rentabilité de la plupart des actifs
distributions des facteurs de risque n’est pas gaussienne, et c’est d’autant
plus flagrant pour les quantiles
▪ Facile à calculer et prend moins de extrêmes et les évènements rares
temps
▪ Suppose des corrélations constantes et
stables dans le temps entre les facteurs
de risque

▪ Difficile de calibrer d’autres lois

(Student…)
La VaR Monte-Carlo : le concept 44

• La méthode de la VaR Monte Carlo est similaire à la VaR historique

▪ L’estimation de la VaR est effectuée, comme pour la méthode historique, à
partir de l’échantillon généré
▪ Toutefois, les mouvements des facteurs de risque sont générés par des
tirages provenant d'une certaine distribution pré-spécifiée.

• Comme pour la VaR paramétrique, il faut estimer les distributions de probabilité

des facteurs de risque
▪ Les facteurs de risque sont décrits par des équations stochastiques

• Les variations de valeur de du portefeuille sont simulées par Monte Carlo

▪ Génération d’un échantillon suffisamment grand
▪ La fonction de valorisation des positions en fonction des facteurs de risque
peut être partielle (linéaire) ou globale
La VaR Monte-Carlo : Les principales étapes 45

• Les principales étapes d'une approche Monte Carlo de base pour l'estimation
des probabilités de perte sont les suivantes comme suit :
1. Générer 𝑀 scénarios en échantillonnant les changements des 𝑁 facteurs de
risque ∆𝑓𝑖1 , ∆𝑓𝑖2 , … , ∆𝑓𝑖𝑀 sur horizon ∆𝑡.
2. Revaloriser le portefeuille à la fin de l'horizon ∆𝑡 dans les scénarios
𝑓𝑖𝑘 = 𝑓𝑖,𝑡 + ∆𝑓𝑖𝑘 ; Déterminer les pertes 𝐿𝑘 = 𝑊 𝑘 − 𝑊𝑡 , 𝑘 = 1 … 𝑀
3. Calculer la fraction des scénarios dans lesquels les pertes dépassent un
seuil 𝑥 :
1 𝑀
σ𝑖=1 1 𝐿𝑘 > 𝑥
𝑀

• Pour estimer la VAR, la dernière étape peut être répétée pour des valeurs
multiples de 𝑥; la Les quantiles peuvent ensuite être estimés, par exemple, en
interpolant entre les probabilités de pertes estimées
Procédure de simulation des facteurs de risque 46

• Le processus des rendements des prix est donné par

dSi ,t (  i − 0.5 i2 ) t + iWi ,t (  i − 0.5 i2 ) t + i t Z i ,t
= i dt +  i dWi ,t S i ,t = S i , 0 e = Si ,0e , Z i  N (0,1)
S i ,t
dSi ,t dS j ,t
 ij = corr ( , ) = corr ( Z i , Z j )
S i ,t S j ,t
• On simule le vecteur Gaussien 𝑍 = 𝑍1 , 𝑍2 , ⋯ , 𝑍𝑁 dont la matrice de variance-covariance est Ω
(les corrélations sont non nulles)

• Par la décomposition de Cholesky de Ω, on peut réécrire : Ω = ΣΣ𝑇 où Σ = chol(Ω)

• Pour simuler le vecteur Gaussien 𝑍, on procède comme suit:

▪ Simuler un vecteur Gaussien indépendant 𝑋 = 𝑋1 , 𝑋2 , ⋯ , 𝑋𝑁 suivant une loi Normale 𝑁 0, 𝐼
▪ Ensuite, on simule le vecteur 𝑍 en utilisant l’expression 𝑍 = Σ 𝑋 où X~𝑁 0, 𝐼

• Ensuite, on simule les prix 𝑆1 , 𝑆2 , ⋯ , 𝑆𝑁 sur 1 jour ou 10 jours

Décomposition de Cholesky 47

1 
• Soit la matrice  d’ordre 2 donnée comme suit =
 1 
• Alors, on peut la décomposer comme suit
1 0  1  
= =  T

 1 −  2  0 1 −  2 

1 0 
• Dans ce cas, la matrice  est =
 1 −  2 

• Et le vecteur Z s’obtient comme

 Z1   1 0   X 1   Z1 = X 1
  =     
2 
 2 
Z  1 −   X 2  Z 2 = X 1 + 1 −  X 2
2

 X1   0  1 0
où    N ( ,  )
 2
X  
0 0 1 
La VaR Monte-Carlo en pratique 48

• Les scenarii des facteurs de marché sont générés aléatoirement

▪ Ce qui nous limite à des distributions de probabilité « classiques », donc c’est un modèle
paramétrique
▪ Dans la quasi-totalité des implémentation, on utilise une loi normale multivariée
▪ Donc exactement les mêmes paramètres que la VaR paramétrique

• En pratique on utilise des milliers de scenarii, on les trie par P&L, et on extrait le
quantile
▪ Le nombre de scenarii est un compromis: plus de scenarii donnent un quantile plus précis,
mais on est limité par le coût CPU de la valorisation du portefeuille
▪ Si on valorise tout ou partiellement en sensibilités (Taylor d’ordre 2), on peut avoir plus de
P&L mais ils sont moins précis
La VaR Monte-Carlo : avantages et inconvénients 49

Avantages Inconvénients

▪ peut saisir la non-linéarité des ▪ Elle entraîne une énorme charge

produits optionnels de calcul

▪ Les facteurs de risque peuvent ▪ Les processus stochastiques des

suivre un grand nombre de lois facteurs de risque doivent
de probabilité toujours être spécifiées : risque
de modèle
▪ On peut calculer les intervalles de
confiance de la VaR ▪ Il faut un grand nombre de
scenarios pour converger vers
▪ Peut être utilisée pour calculer la une mesure VAR stable:
VaR de portefeuilles complexes problème de variabilité
d'échantillonnage
Comparaison des méthodes d’estimation de la VaR 50

VaR Paramétrique VaR Historique VaR Monte Carlo

Fonction d’évaluation Partielle Partielle/globale Partielle/globale

Distribution
Densité Normale Empirique Générique
Evènements extrêmes Faible probabilité Données récentes Possible
Implémentation
Facilité de mise en oeuvre Oui Intermédiaire Non
Communicabilité Facile Facile Difficile
Précision de la VaR Excellente Faible si court historique Bonne avec un nombre
élevé de simulations
Limites Prise en compte de la La variation temporelle Risque de modèle
non-linearite et des du risque, les
queues epaisses événements extrêmes
IV. Volatilités et corrélations dans
les modèles de VaR
L’importance de la volatilité 52

• Le risque semble évoluer dans le temps, mais la volatilité semble se regrouper

de manière prévisible
▪ Les rendements des actifs financiers montrent souvent la propriété de
« cluster » de volatilité

• L’estimation de la volatilité est importante pour la gestion des risques financiers:

▪ La VaR augmente avec la volatilité, et les investisseurs peuvent ajuster leurs
portefeuilles pour réduire leur exposition aux actifs dont la volatilité pourrait
croitre
▪ Les actifs qui dépendent directement de la volatilité (par exemple les options)
changeront de valeur de manière prévisible.
▪ Dans un marche rationnel, les prix à l’équilibre des actifs seront affectés par
les changements de volatilité, et les investisseurs qui peuvent prédire ces
changements sont capables de mieux contrôler les risques financiers.
Estimation de la volatilité: la moyenne mobile 53

• La volatilité peut être calculée par une estimation historique simple

𝑀
1 2
𝜎𝑡2 = ෍ 𝑟𝑡−1
𝑀
𝑖=1

Fenêtre glissante
𝑀 jours

𝑀 jours
jours

• Choix de la fenêtre d’estimation: plus la fenêtre est longue, plus la précision

augmente, mais l’estimateur peut ne pas tenir compte de la variation de volatilité

• Les valeurs récentes ont le même poids que les valeurs les plus anciennes, qui
ne sont pas représentatives de la dynamique actuelle du marché
Estimation de la volatilité: le modèle GARCH 54

• Pour prendre en compte l’hétéroscédasticité des rentabilités des actifs 𝑟𝑡 , on

peut utiliser des modèles à variance conditionnelle

• La variance conditionnelle ℎ𝑡 du processus GARCH(1,1) s’écrit :

2
ℎ𝑡 = 𝛼0 + 𝛼1 𝑟𝑡−1 + 𝛽ℎ𝑡−1 , avec 𝑟𝑡 = ℎ𝑡 𝜀𝑡 et 𝜀𝑡 ~𝑁(0,1)

• Ce modèle nécessite l’estimation de peu de paramètres. Il tient compte des

clusters de volatilité

• Les modèles GARCH sont non linéaires. Les paramètres doivent être estimés
par la maximisation de la fonction de vraisemblance.
L’approche RiskMetrics 55

• Les variances conditionnelles sont modélisées à partir du modèle EWMA

(pondérations exponentielles)
2
ℎ𝑡 = 1 − 𝜆 𝑟𝑡−1 + 𝜆ℎ𝑡−1
𝜆: facteur d’oubli (𝜆 < 1)

• Les informations récentes ont des poids plus important:

2 2 2
• ℎ𝑡 = 1 − 𝜆 𝑟𝑡−1 + 𝜆𝑟𝑡−1 + 𝜆2 𝑟𝑡−1 +⋯

• Dans l’approche RiskMetrics, 𝜆 = 0.94 (rentabilités quotidiennes) ou 𝜆 = 0.97

(rentabilités mensuelles).
Importance des corrélations 56

• De faibles corrélations aident à réduire le risque des portefeuilles mais les

corrélations augmentent en période de crise.
▪ Si les corrélations augmentent à un moment où la volatilité est en hausse, les
propriétés de diversification des portefeuilles ne sont plus établies
▪ Les mesures de la VaR basées sur des données historiques sous-
estimeraient sérieusement le risque réel de défaillance car les risques et les
corrélations seraient sous-estimés

• L’impact des corrélations dépend du signe des positions : des corrélations plus
élevées (plus faibles) sont préjudiciables aux portefeuilles ne comportant que
des positions longues (courtes)
Estimation des corrélations
• Le modèle EWMA s’étend au calcul des corrélations: le facteur d’oubli est le
même pour toutes les séries des facteurs de risque
▪ La covariance entre deux actifs 1 et 2 s’écrit:
ℎ12,𝑡 = 1 − 𝜆 𝑟1,𝑡−1 𝑟2,𝑡−1 + 𝜆ℎ12,𝑡−1
▪ La corrélation conditionnelle vaut:
ℎ12,𝑡−1
𝜌12,𝑡 =
ℎ1,𝑡−1 ℎ2,𝑡−1