statistique, théorie et gestion de portefeuille - Docs at ISFA
statistique, théorie et gestion de portefeuille - Docs at ISFA
statistique, théorie et gestion de portefeuille - Docs at ISFA
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
12.1. Comprendre <strong>et</strong> gérer les risques grands <strong>et</strong> extrêmes 377<br />
la distribution <strong>de</strong>s drawdowns (ou somme <strong>de</strong><br />
pertes quotidiennes successives) d’un actif, que<br />
ce soit d’un indice financier, du taux <strong>de</strong> change<br />
entre <strong>de</strong>ux monnaies ou <strong>de</strong> la côte d’une action,<br />
présente un comportement anormal pour les très<br />
grands drawdowns. Autrement dit, les très grands<br />
drawdowns n’appartiennent pas à la même popul<strong>at</strong>ion<br />
que le reste <strong>de</strong> la <strong>st<strong>at</strong>istique</strong> observée <strong>et</strong> font<br />
apparaître d’importantes corrél<strong>at</strong>ions sérielles qui<br />
les rend beaucoup plus probables.<br />
Les distributions Parétiennes ou en exponentielles<br />
étirées sont insuffisantes pour quantifier<br />
ces grands risques intermittents, que nous appelons<br />
“outliers”, pour faire référence au vocable<br />
<strong>st<strong>at</strong>istique</strong> désignant <strong>de</strong>s occurrences anormales,<br />
distinctes du reste <strong>de</strong> la popul<strong>at</strong>ion. La<br />
n<strong>at</strong>ure outlier <strong>de</strong>s évènements extrêmes semble<br />
ne pas se confiner aux systèmes financiers<br />
mais a été proposée également pour la rupture<br />
c<strong>at</strong>astrophique <strong>de</strong> m<strong>at</strong>ériaux <strong>et</strong> <strong>de</strong> structures<br />
industrielles, les tremblements <strong>de</strong> terre,<br />
les c<strong>at</strong>astrophes météorologiques <strong>et</strong> enfin divers<br />
phénomènes biologiques <strong>et</strong> sociaux. Les crises<br />
extrêmes semblent donc résulter <strong>de</strong> mécanismes<br />
amplific<strong>at</strong>eurs spécifiques signalant probablement<br />
<strong>de</strong>s phénomènes coopér<strong>at</strong>ifs. Ainsi, <strong>de</strong>s étu<strong>de</strong>s<br />
comportementales, dans lesquelles l’économie<br />
dite “cognitive” tient un grand rôle, perm<strong>et</strong>tent<br />
d’associer ces corrél<strong>at</strong>ions sérielles intermittentes<br />
concomitantes <strong>de</strong>s gran<strong>de</strong>s pertes à certains comportements<br />
<strong>de</strong>s acteurs économiques, tels que <strong>de</strong>s<br />
eff<strong>et</strong>s <strong>de</strong> paniques <strong>et</strong>/ou d’imit<strong>at</strong>ions.<br />
Dans ce contexte, les mesures <strong>de</strong> risques réalisées<br />
à partir d’outils standards comme la VaR<br />
(Value-<strong>at</strong>-Risk) peuvent se révéler totalement<br />
inadéqu<strong>at</strong>es. En eff<strong>et</strong>, une perte journalière <strong>de</strong> 2 %<br />
ou 3 % sur les marchés financiers n’est pas rare,<br />
<strong>et</strong> ne constitue pas un événement extrême. Mais si<br />
une perte d’une telle ampleur vient à se reproduire<br />
plusieurs jours <strong>de</strong> suite, qui plus est en s’amplifiant,<br />
la perte cumulée peut alors <strong>at</strong>teindre 10%,<br />
20% ou même beaucoup plus, ce qui entraîne <strong>de</strong>s<br />
conséquences bien plus dram<strong>at</strong>iques que ne l’indique<br />
la VaR à l’échelle quotidienne. La prise<br />
en compte <strong>de</strong> ce type <strong>de</strong> dépendances sérielles<br />
intermittentes nécessite impér<strong>at</strong>ivement le calcul<br />
d’indic<strong>at</strong>eurs <strong>de</strong> risques à plusieurs échelles temporelles<br />
perm<strong>et</strong>tant <strong>de</strong> couvrir la distribution <strong>de</strong>s<br />
durées <strong>de</strong> drawdowns, comme le suggère le Comité<br />
<strong>de</strong> Basle quand il recomman<strong>de</strong> <strong>de</strong> calculer la<br />
VaR sur un intervalle <strong>de</strong> dix jours. La distribution<br />
<strong>de</strong>s drawdowns fournit un tel indic<strong>at</strong>eur parmi<br />
d’autres. Notons aussi que <strong>de</strong> nombreux investisseurs<br />
professionnels <strong>at</strong>tachent une gran<strong>de</strong> importance<br />
aux drawdowns pour caractériser leurs<br />
risques <strong>et</strong> la qualité d’une str<strong>at</strong>égie ou d’un <strong>portefeuille</strong>.<br />
Dépendance <strong>de</strong> queue<br />
<strong>et</strong> contagion<br />
Cependant, une <strong>gestion</strong> <strong>de</strong>s risques digne <strong>de</strong> ce<br />
nom ne peut se réduire à une étu<strong>de</strong> individuelle <strong>de</strong><br />
chaque actif. En eff<strong>et</strong>, l’épine dorsale <strong>de</strong> la <strong>gestion</strong><br />
<strong>de</strong>s risques est la diversific<strong>at</strong>ion par la constitution<br />
<strong>de</strong> <strong>portefeuille</strong>s <strong>de</strong> risques, aussi bien en assurance<br />
qu’en finance. De la même manière que<br />
le paradigme gaussien est inadéqu<strong>at</strong> pour quantifier<br />
les grands risques <strong>de</strong>s distributions marginales<br />
<strong>de</strong>s ren<strong>de</strong>ments, la covariance intervenant dans la<br />
<strong>théorie</strong> standard du <strong>portefeuille</strong> ne donne qu’une<br />
idée très limitée <strong>de</strong>s grands risques collectifs. Ces<br />
grands risques <strong>de</strong> <strong>portefeuille</strong> résultent en eff<strong>et</strong> <strong>de</strong><br />
la conjonction d’eff<strong>et</strong>s non-gaussien dans les distributions<br />
marginales à queue épaisse <strong>et</strong> dans les<br />
dépendances entre actifs.<br />
On peut donner une idée <strong>de</strong> l’importance <strong>de</strong>s eff<strong>et</strong>s<br />
<strong>de</strong> dépendance non-gaussienne en étudiant la<br />
“dépendance <strong>de</strong> queue” λ c’est-à-dire la probabilité<br />
pour que l’actif X subisse une perte plus<br />
gran<strong>de</strong> que Xq, associée au quantile q tendant vers<br />
zéro, conditionnée à la réalis<strong>at</strong>ion d’une perte <strong>de</strong><br />
l’actif Y plus gran<strong>de</strong> que Yq associée au même<br />
quantile q. Il se trouve que λ est nul pour les actifs<br />
à dépendance gaussienne ! Par contre, dans le<br />
cadre <strong>de</strong>s modèles à facteurs, nous avons montré<br />
que seules les distributions sous-exponentielles<br />
(<strong>et</strong> plus particulièrement Parétiennes) présentent<br />
une dépendance <strong>de</strong> queue asymptotique (pour q<br />
tendant vers 0). Il est possible d’accé<strong>de</strong>r au paramètre<br />
<strong>de</strong> dépendance <strong>de</strong> queue entre <strong>de</strong>ux actifs<br />
par <strong>de</strong>s métho<strong>de</strong>s qui ne font pas appel à une<br />
détermin<strong>at</strong>ion <strong>st<strong>at</strong>istique</strong> directe. Nos tests empiriques<br />
trouvent alors un bon accord entre le ca-