48 pages
Français

Risque de Données et Bactesting de la Value at Risk

-

Obtenez un accès à la bibliothèque pour le consulter en ligne
En savoir plus

Description

Niveau: Supérieur, Master
Risque de Donnees et Backtesting de la Value-at-Risk Sylvain Benoit? sous la direction de Christophe Hurlin Universite d'Orleans Septembre 2010 Resume Les autorites de reglementation bancaire imposent aux banques de detenir un niveau minimum de fonds propres pour couvrir leur risque de marche. Ce montant est calcule par les banques elles-memes a partir de leur modele interne d'evaluation du risque. Il est alors primordial pour les regulateurs et les banques de s'assurer de la valide de ces modeles. L'ensemble de ces techniques de validation est appele le backtesting. Elles permettent de verifier que les pertes observees ex-post sont en adequation avec celles prevues. Or, ces modeles reposent sur de nombreuses hypotheses et sont soumis a differents types de risques : de modele, d'estimation et surtout de donnees. Si jusqu'a present, tres peu d'etudes econometriques ont ete consacrees a ce dernier type, cet article s'attache justement a mesurer l'impact du risque de donnees sur les procedures de backtesting, en observant les deformations de taille et de puissance de ces tests suite a une contamination. Keywords : Profit-and-Loss, Risk Management, Backtesting, Value-at-Risk. JEL classification : C58, C52, G28. ?Etudiant en deuxieme annee du Master ESA (Econometrie et Statistique Appliquee) a l'universite d'Orleans, sylvain.

  • vaise specification de la distribution asymptotique des tests de backtesting

  • modeles internes

  • modele

  • modele interne d'evaluation du risque

  • risque

  • backtesting detectent

  • backtesting

  • tests de backtesting

  • donnees


Sujets

Informations

Publié par
Publié le 01 septembre 2010
Nombre de lectures 65
Langue Français
RisquedeDonne´esetBacktestingdelaValue-at-RiskSylvainBenoitsousladirectiondeChristopheHurlinUniversite´d’Orle´ansSeptembre2010Re´sume´Lesautorite´sdere´glementationbancaireimposentauxbanquesdede´tenirunniveauminimumdefondsproprespourcouvrirleurrisquedemarche´.Cemontantestcalcule´parlesbanqueselles-meˆmesa`partirdeleurmode`leinterned’e´valuationdurisque.Ilestalorsprimordialpourlesre´gulateursetlesbanquesdes’assurerdelavalide´decesmode`les.L’ensembledecestechniquesdevalidationestappele´lebacktesting.Ellespermettentdeve´rifierquelespertesobserve´esex-postsontenade´quationaveccellespre´vues.Or,cesmode`lesreposentsurdenombreuseshypothe`sesetsontsoumisa`diffe´rentstypesderisques:demode`le,d’estimationetsurtoutdedonne´es.Sijusqu’a`pre´sent,tre`speud’e´tudese´conome´triquesonte´te´consacre´esa`cederniertype,cetarticles’attachejustementa`mesurerl’impactdurisquededonne´essurlesproce´duresdebacktesting,enobservantlesde´formationsdetailleetdepuissancedecestestssuitea`unecontamination.Keywords:Profit-and-Loss,RiskManagement,Backtesting,Value-at-Risk.JELclassification:C58,C52,G28.Etudiantendeuxie`meanne´eduMasterESA(Econome´trieetStatistiqueApplique´e)a`l’universite´d’Orle´ans,sylvain.benoit@univ-orleans.fr.Jetiensa`exprimerdesince`resremerciementsa`mondirecteurdeme´moire,ChristopheHurlin(Universite´d’Orle´ans),quiesta`l’initiativedecethe`mederechercheparti-culie`rementinte´ressant.Sesconseils,sapatienceetsonappuiontcontribue´a`labonnemarchedeceme´moiredemaster.Unepense´etouteparticulie`reestadresse´ea`l’ensembledel’´equipeduMasterESApourlaqualite´deleursenseignements,m’offrantainsilapossibilite´dere´aliserceprojet.Enfin,jeremerciechaleureusementmafamilleainsiquemesamispourleursencouragementssansfaille.1
1IntroductionDepuisplusdevingtans,leComite´deBaˆleimposedesnormesprudentiellesdontl’ob-jectifestd’assurerlape´rennite´dusyste`mebancaire.Lare´glementation(accordsdeBaˆleIpuisdeBaˆleII)imposealorsauxbanquesayantchoisidede´velopperleurpropremode`leinterne,decalculerdespre´visionsdelaValue-at-Risk1(VaR)afindelescomparerauxProfit-and-Loss(P&L)journaliersqu’ellesobservent.Enthe´orieaveccettede´marche,lere´gulateurespe`requelemontantducapitalre´glementaireassocie´aurisquedemarche´soitleplusprochepossibleduve´ritableniveauderisqueauquelfontfacelesbanques(Hirtle,2003).Celade-vraitainsilimiterlesviolationsdelaVaR,c’est-a`-direlessituationsout-of-sampleou`laperteobserve´eestsupe´rieureaumontantpre´ditdelaVaR.Pourlesbanques,construireleurpropremode`leinterned’e´valuationdesrisquesetdecalculdelaVaRleurpermetd’assurerlaconfidentialite´deleurmode`le.Deplus,cettepratiqueentraineunenonuniformite´desap-prochesdemesuresderisquesde´veloppe´esdanslesecteurbancaire.Leprincipalenjeupourlere´gulateurestalorsd’e´valuerlaqualite´decesmode`lesinternes.Denombreusestechniquesstatistiquesdevalidation,nomme´backtesting,permettentainsideve´rifierl’ade´quationdespre´visionsdelaVaR.Cecontroˆleestindispensablepourlere´gulateurpuisqu’ilade´le´gue´auxbanqueslesoind’e´valuerleniveauderisquequ’ellesprennent.Enfonctiondesre´sultatsdubacktesting,lere´gulateurpeutclasserlesbanquesentroiszonesdistinctes(verte,jauneetrouge)etappliquerunfacteurd’ajustementafindetraduirelavaleurestime´edelaVaRenunmontantminimumdecapitalre´glementairepermettantdecouvrirlerisquedemarche´.Lacapacite´desproce´duresdebacktestinga`de´tecterunesurousousexpositionaurisquedemarche´d’uneinstitutionfinancie`reestdoncprimordialpourlere´gulateurafinderemplirsamission,maisaussipourleriskmanagerdansl’optiquedecontroˆlereninternelesrisquesprisparsabanque.Lamultitudedemode`lesinternesde´veloppe´ssejustifieparl’existencedenombreusesme´thodesdecalculdelaVaR.Qu’ellessoientparame´triques,historiques,ounonpa-rame´triques,cesdernie`resde´livrentdesestimationsdelaVaRtropimpre´cises.Lesmon-tantsestime´sneconvergeantpas,lerisquepeutdonceˆtreparfoissurousouse´value´.Cesdiffe´rencesre´sultentdufaitquecestechniquesdecalculreposentsurdeshypothe`sestre`sdiversesetcritiquables.Eneffet,l’approcheparame´triquesupposequelavolatilite´condition-nellesuitunmod`eleGARCH,quelesinnovationssontidentiquementetinde´pendammentdistribue´essuivantunecertaineloi,biensouventlaloinormale.Orcessuppositionspeuvent1LaVaRestuneestimationdelapertemaximalequinedevraitpaseˆtrede´passe´epourunportefeuilledonne´,unhorizontemporeldonne´,avecunniveaudeconfiancedonne´etsousdesconditionsnormalesdemarch´e.2
eˆtrefausses,toutcommel’ordredumode`leGARCHse´lectionne´.Unrisquedespe´cificationdumode`lee´merge.Afind’e´vitercetinconve´nient,uneapprochehistoriquepeuteˆtremiseenplace.Maislespre´dictionsdelaVaRbase´esseulementsurunee´tudedel’historiquere´centnere´percutequetroptardivementleseffetsd’unchangementdevolatilite´surlesmarche´soud’unerupturenonanticipe´edere´gime.Cenonajustemententrainege´ne´ralementunclusterdeviolations.Uneautrealternativeconsistealorsa`laisserparlerlesdonne´esdeProfit-and-Loss(P&L).Uneestimationnonparame´triquedelafonctiondedensite´desP&Lesteffectue´e.Cetteapprochepermetdenepasspe´cifierdemode`le,lerisquedenonajus-tementsetrouveproscritpuisquenousavonsestime´lave´ritablefonctiondedistributiondesrendements.Maiscommenteˆtrecertaindelaqualite´decetteestimation?L’algorithmed’optimisationne´cessaireauraittre`sbienpus’arreˆtersurunminimumlocal.Parailleurs,lesestimationsdesparame`tresdiffe`rentselonlechoixdukerneletsurtoutdelafeneˆtredelissage.Enconse´quence,lesmode`lesinternesde´veloppe´sparlesbanquessontsoumisa`denombreuxrisques,none´videntsa`premie`revue.Ilestdoncessentielquelesproce´duresdebacktestingde´tectentcetypedemauvaisespe´cificationdelaVaR.Maiscesproce´duressontellesaussi,soumisesa`desrisques.EscancianoetOlmo(2008)ontmontre´quecesme´thodessontsujettesaurisquedemode`leengendre´parunemauvaisespe´cificationdelaVaRmaisaussia`unrisqued’estimation.Lerisquedemode`lecorresponda`l’effetqu’entraineunemau-vaisespe´cificationdeladistributionasymptotiquedestestsdebacktesting.Ilsmontrentquelestestsdecouverturenonconditionnelle,commeceluideKupiec,sontaffecte´sdirectementparcerisquedemode`letandisquelestestsd’inde´pendanceetdecouvertureconditionnellenelesontqu’indirectementautraversdurisqued’estimation.Celasignifiequesilabanqueestenpossessiondubonmode`le,c’est-a`-direceluiquiesta`l’originedesrendementsqu’ellesobserventsursonportefeuille,maisqu’elleestcontrainted’estimerlesparame`tresdecemode`leetenparticuliersurdepetitse´chantillons,alorslabanqueestsoumiseaurisqued’unemauvaiseestimationdesparame`tresdesonbonmode`leetinfineaunemauvaisesmesuredelaVaRdesonportefeuille.Maispluslatailled’e´chantilloncroitetpluslerisqued’estimationsere´duit.Toutefois,cesdeuxtypesderisquessurlesproce´duresdebacktestingnesemblentpasjouerunroˆlemajeur.Eneffet,lesamendementsdesaccordsdeBaˆle,publie´sparlaBankforInternationalSettlements(BIS)en1996,ontclairementidentife´lerisquededonne´escommeleprincipalrisqueauxquelslesbanquessontconfronte´es.Anticipantparfaitementlerisqueine´vitabledecontaminationdesdonne´esdeP&L,lare´glementationae´dicte´desre`glesclairesa`suivreconcernantlesdonne´esbancairesa`uti-liserpourvaliderlesmode`lesinternes.Ainsi,labanquedoitporteruneimportancetouteparticulie`rea`troissourcesdecontamination:lesfraisdegestionetlescommissions,lesrevenusge´ne´re´sparl’intradaytradingetlesdonne´eshistoriques.HendricksetHirtle(1997)3
onte´voque´ceproble`meensignalantquecettepratiquedecontaminationpourrait,pourdesraisonstechniques,conduirea`alte´rerlesre´sultatsdubacktestingensurousousrejetantlesmode`lesteste´s.Mais,ilsinsistentsurlefaitqueladirectiondude´calagen’estpasclaire.D’unepart,l’inclusiondanslesdonne´esdeP&Ldesfraisdegestionetdescommissions,d’unmontanttoujourspositif,tenda`re´duirelenombred’exceptionspuisquel’onde´caleversladroiteladistributiondesP&L.D’autrepart,l’impactdesdonne´esd’intradaytradingestluimoinse´vident.Cesrevenustantoˆtpositifs,tantoˆtne´gatifs,rendentlesensdude´calagedeladistributionmoinse´vident.Toujoursest-ilquecesmontantsaugmententvraisemblablementlavolatilite´desdonne´esjournalie`resdeP&L,entrainantainsilahaussedelaprobabilite´d’uneexception.Enplusdelacontaminationcause´eparlesfraisdegestionetlescommis-sions,etlesrevenusdel’intradaytrading,cetarticlepre´sentelesdonne´eshistoriquescommeunenouvellesourcedepollutiondesP&L.Lesproce´duresdebacktestingdoiventeneffetuti-liserdesdonne´esre´trospectivespourconstruirelesse´quencesdeviolationsqu’ellese´tudient2.Etantdonne´quel’impactdecesdonne´escontamine´esn’estpasclair,lesbanquesontlaper-missiondelesutiliserpourtesterleurmode`le,etpeuvent,surlabaseduvolontariatde´clarerdansleurrapportannuelqueltypededonne´esellesutilisent.Pourtanten2010,l’articledeFre´sard,Pe´rignonetWilhelmsonestlepremiera`mettreene´videncelefaitquelaplupartdesbanquesdeleure´chantillonutilisedesdonne´esconta-mine´espourtesterlavalidite´deleursmode`les.L’utilisationdedonne´escontamine´esentraineuneffetuniquementpositifpourlesbanquesename´liorantlesperformancesdeleursmode`lesinternes.Leurde´marches’appuiesurdesinformationsspe´cifiquesauriskmanagementcol-lecte´esa`partirdesrapportsannuelsdesdeuxcentsplusgrossesbanquescommerciales3ame´ricainesetinternationales,surlape´riode2005-2008.Alorsqu’elledevraiteˆtreproscrite,cettepratiqueestlargementre´panduea`traverslesecteurbancairemondial,pluschezlesbanquesame´ricainesqu’europe´ennes.Ilssoulignentquelaplupartdesbanquesaugmententletauxdevalidationdeleurmode`leenutilisantcetypededonne´escontamine´es.Leure´tudere´ve`lequecesdonne´espollue´esontdeseffetsmajeurssurlesre´sultatsdubacktesting,en-trainantunesur-validationdesmode`lesinternesd’e´valuationdurisque.Lesmontantsdecapitauxre´glementairesainsicalcule´ssetrouventre´duitsde17%enmoyenne.Cesauteursmontrentunrenforcementdecephe´nome`neavecladernie`recrisefinancie`rede2008etsi-gnalentenfin,a`traversdiversessimulationsdeMonte-Carlo,quelesme´thodesdebacktestingemploye´essonttre`ssensiblesa`lapollutiondesdonne´es.Maiscommente´valuerlade´formationdesproce´duresdebacktesting?Ancre´pre´cise´ment2LesrendementsdeP&La`comparerauxpre´visionsex-antedelaVaRdoiventeˆtrecalcule´senutilisantlesponde´rationsdesactifsdelaveille(donne´esre´trospectives)etnondujour(donne´eshistoriques).3Classementobtenua`partirdumontantdel’actiftotal(exprime´endollarsame´ricains)dechaquebanquea`lafindel’anne´efiscalede2006.4