U N I V E R SI T E D ’ O R L E A N S

MASTER II ECONOMETRIE ET STATISTIQUE

APPLIQUEE

E C O N O M E T R I E F I N A N C I E R E

VALUE-AT-RISK D’UN
PORTEFEUILLE AVEC LES MODELES

A VARIANCE CONDITIONNELLE
HETEROSCEDASTIQUE

MODELES ARCH /GARCH LINEAIRES ET NON SYMETRIQUES

DIEUDONNE SONDJO
gbetonde@yahoo.fr

JANVIER 2005
 VALUE-AT-RISK D’UN PORTEFEUILLE AVEC LES
MODELES A VARIANCE CONDITIONNELLE
HETEROSCEDASTIQUE
MODELES ARCH/GARCH LINEAIRES ET NON SYMETRIQUES

RESUME

Au cours de ces 10 dernières années, La value-at-risque est devenue la mesure de référence

en matière de risque financier. De nouvelles directives en matière de réglementation ont
permis une large diffusion de cette technique. Dans ce document, la value-at-risque a été
évaluée sur un portefeuille d’indices constitué de 40% de CAC40 de 30% de DAX30 et 30%
de SBF120. Nous l’avons évaluée sous plusieurs approches. Dans un premier temps nous avons
estimé un modèle semi-paramétrque où nous ne postulons aucune relation particulière entre
la variance conditionnelle et ses valeurs passées. Cette fonction de lien a été estimée par
LOESS régression et a permis le calcul de la VaR. Le backtesting effectué sur la série de
1000 VaR est validée par une série de tests de Christoffersen. Nous avons ensuite effectué
des estimations paramétriques sur les modèles ARCH/GARCH. Les différents modèles linéaires
testés ont donné des résultats acceptables où le test de validation donne des taux d’échec
largement inférieur à 1% (modèle GARCH(1 ,1) , GARCH-M(1,1) et IGARCH(1,2)). Ce qui préjuge
que ces modèles sont conservateurs. Par contre les modèles non symétriques donnent de
meilleurs résultats où les tests de validation sont presque tous acceptés. Mais il faut
signaler que ces modèles sont estimés sous hypothèse gaussiennes alors que les modèles
linéaires sont estimés sous la student. Dans la dernière partie nous avons estimé un modèle
DCC-GARCH (Dynamic Conditional Correlation GARCH) multivarié sur un portefeuille composé du
CAC40 et du DAX30. Des résultats de l’estimation, il apparaît que l’hypothèse de
corrélation constante entres les marchés n’est par réaliste (cas du modèle CCC-GARCH de
Bollerslev 1987). De plus lorsque la volatilité sur l’un ou sur les deux marchés devient
importante, la corrélation conditionnelle entre les deux indices devient forte et persiste
aussi longtemps que la volatilité reste forte. La Value-at-risk a été calculée en tenant
compte des risques sur chacun des marchés et de leur degré de liaison.

2
 INTRODUCTION

La finance en tant que discipline est fondée sur trois piliers à savoir la valeur de
l’argent au fil du temps, l’évaluation des actifs et la gestion du risque. C’est ce dernier
pilier qui nous intéresse ici. Le risque est défini comme l’incertitude qui a un impact sur
notre richesse. En finance on distingue traditionnellement quatre grands risques : Le risque
de marché, le risque de crédit, le risque de liquidité et le risque opérationnel. Dans ce
document nous nous intéresserons uniquement au risque de marché à travers la gestion de risque
d’un portefeuille. Jusqu’a la fin des années 80 les méthodes utilisées pour gérer les
risques de marché étaient peu satisfaisantes et ne permettaient pas d’effectuer des
comparaisons entre différentes évaluations. L’accroissement de la volatilité des marchés
financiers, le développement spectaculaire des produits dérivés et, surtout, une série de
désastres (les plus connus étant ceux de la banque Baring, de Metallgesellschaft, de la banque
Daiwa et du Comté d’Orange aux Etats-Unis) ont poussé les instituts financiers à rechercher
un indicateur global et synthétique des risques financiers.

En juillet 1993, le Groupe des 30 (constitué de représentants de l’industrie financière et

des autorités de surveillance) recommandait de quantifier les risques par une mesure uniforme
appelée Value-at-Risk ( VaR ). Cette recommandation a été très largement suivie puisque la VaR
est devenue, en quelques années, un standard pour l’évaluation des risques financiers. Ainsi
en octobre 1994 la banque américaine JP Morgan a développé sa méthodologie RiskMetrics™ de
calcul de la VaR et en janvier 1996 le comité de Bâle adopte un amendement « Risques de
marché » aux accords de 1988 qui permet aux banques de choisir la méthode standardisée et
leur propre modèle pour calculer la consommation en fonds propres pour leurs activités de
négociation. Par définition, 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 ( worst case scénarios) ayant une faible probabilité de se
produire. A l’aide du concept VaR, on peut ainsi exprimer en un seul chiffre le montant à
risque d’un portefeuille, même si celui-ci est composé de plusieurs classes d’actifs
(actions, obligations, options, devises, etc.). On pourra alors dire si le portefeuille est
trop risqué ou non, en fonction du chiffre obtenu, de la valeur du portefeuille et de
l’aversion au risque de l’investisseur.

Dans ce document nous avons créé un portefeuille composé des indices CAC40, SBF120 et DAX30.
L’objectif est de mesurer la VaR sur ce portefeuille. Cette mesure se fera à travers deux
approches. Dans un premier temps nous évaluerons le risque avec des modèles GARCH univariés.

3
Dans cette approche nous étudierons en premier lieu les caractéristiques statistiques du
portefeuille en effectuant quelques tests usuels par rapport aux propriétés habituelles des
marchés financiers. Ensuite nous ferons une estimation semi paramétrique de la VaR en estimant
une fonction de lien entre la variance en t et les rendements au carré en t-1. Nous
utiliserons la technique de la régression locale (LOESS Cleveland 1979) pour réaliser cette
estimation. Ceci nous permettra de faire des comparaisons avec les modèles paramétriques en
confrontant les résultats de backtesting. Dans le second chapitre nous estimerons la VaR avec
différents modèles GARCH linéaires et non linéaires où nous effectuerons une comparaison des
meilleurs modèles. Dans la seconde approche, nous évaluerons la VaR avec un modèle GARCH
multivarié à corrélation non constante (DCC-GARCH) afin de tenir compte des interactions entre
les différents éléments du portefeuille sur le risque.

I- CARACTERISTIQUES DU PORTEFEUILLE ET ESTIMATION SEMI-PARAMETRIQUE

1.1-
1.1 - PRESENTATION
PRESENTA TION DU PORTEFEUILLE ET TESTS PRELIMINAIRES
PRELIMINAI RES

Le portefeuille que nous avons constitué est un portefeuille trois indices boursiers. Il est
composé de 40% de CAC40, de 30% de SBF120 et de 30% de DAX30. Les cours de ces indices ont été
extraits à partir de l’historique du portail www.yahoo.fr . La période d’étude va du 2
janvier 1991 au 23 décembre 2004 sur valeur quotidienne d’indices soit 3465 observations.
Dans ce paragraphe nous étudierons essentiellement les statistiques descriptives et les
propriétés traditionnelles des marchés financiers à travers les tests de normalité de
distribution des rendements, les tests d’autocorrélation et de racine unitaire. Dans le
tableau 1.1 sont résumées les statistiques élémentaires du portefeuille. En moyenne le
rendement des indices et du portefeuille est très faible. Les kurtosis sur les rendements des
indices boursiers et celui du portefeuille excèdent largement 3. Ceci dénote que les queues de
distributions empiriques de ces rendements sont plus épaisses que celle de la loi normale.
Tous les skewness sont négatifs prouvant ainsi que la distribution des cours est généralement
asymétrique dû au fait qu’il y a plus de mouvements à la baisse qu’à la hausse. Les tests
non paramétriques de Kolmogorov-smirrnov et de Cramer –Von-Mises rejette l’hypothèse de
normalité des distributions empiriques des rendements des indices et du portefeuille.

Les distributions empiriques sont donc asymétriques et leptokurtique. Il est également

nécessaire d’effectuer des tests de stationnarité et d’autocorrélation. Il apparaît que
toutes les autocorrélations sont nulles jusqu’à l’ordre 40 au niveau des rendements.

4
Tableau 1.1 : Statistiques descriptives du portefeuille

Statistiques CAC40 SBF120 DAX30 Portefeuille

Portefeuille

Moyenne 0,00027 0,00029 0,00033 0,00029

Ecart-
Ecart-type 0,01386 0,12665 0,01474 0,01306

Kurtosis 5,82653 8,54497 8,75908 8,66501

Skewness -0,08939 -0,17467 -0,20006 -0,18863

Ce qui semble appuyer l’hypothèse d’efficience sur les trois marchés. Cela suppose donc que
les rendements anticipés d’équilibre corrigés du risque ne sont pas prévisibles. Par contre
on détecte la présence d’autocorrélation dans le carré des rendements (Voir corrélogramme en
annexe). Ce résultat peut être expliqué par les clusters de volatilité constatée dans
l’évolution des rendements des différents indices et du portefeuille. De fortes variations
des rendements sont suivies de fortes variations . Nous avons effectué des tests de
stationnarité sur les rendements de chaque indice et sur celui du portefeuille. Sur toutes les
séries, l’hypothèse de non stationnarité a été largement rejetée à 5%. Les résultats obtenus
de ces tests confirment certaines propriétés observées généralement sur les marchés
financiers.

Nous avons constitué le portefeuille dans le but de mesurer sa value-at-risk. Pour y

parvenir, nous avons besoin de connaître la distribution des pertes et profits et le niveau de

confiance. La VaR n’est rien d’autre que le fractile tel que : Pr ob( Rdt < VaR ) = α où α
correspond à la probabilité des événements défavorables. Or nous ne pouvons dériver la
distribution des rendements aussi simplement compte tenu de certains faits stylisés observés
sur les marchés financiers, faits mise en évidence ci dessus. L’hypothèse de variance non
conditionnelle à pour conséquence que la VaR change en fonction de la volatilité (donc en
fonction du temps) mesurée ici par la variance conditionnelle. Dans les modèles ARCH/GARCH
linéaire la variance conditionnelle à une période t est fonction linéaire des variances
passées. Mais dans la section suivante nous procèderons à une estimation semi paramétrique où
nous ne postulerons aucune forme de relation entre la variance conditionnelle et ses valeurs
passées. L’intérêt d’une telle modélisation réside dans la nécessité de procéder à une
comparaison des résultats de l’évaluation de la VaR et ceux obtenus avec les différents
modèles paramétriques que nous estimerons plus tard. Cette modélisation pourra également nous

5
aider à anticiper la forme qu’il faille donner à la relation de variance pour commettre le
moins d’erreur possible dans l’évaluation du risque.

1.1-
1.1 - ESTIMATION SEMI-
SEMI - PARAMETRIQUE ET CALCUL
CALC UL DE LA VALUE-
VALUE - AT-
AT - RISK DU PORTEFEUILLE

Le modèle que nous utiliserons dans cette section est identique au modèle GARCH à la
différence que nous ne postulons pas de lien entre la variance conditionnelle et ses valeurs
passées. Le modèle à estimer est le suivant :

Rt = c + ε t
ε t = z t ht Avec h t = f ( ε t − 1 , h t − 1 ) où ht = E (ε t2 / ε t −1 ) et z t désigne un bruit blanc

faible tel que E ( z t ) = 0 et E ( z t2 ) = σ z2 . On ne postule pas une forme particulière pour la

fonction de lien f. La fonction f qui ici est une surface sera estimé par LOESS Régression

ou régression locale (Cleveland 1978). Il suffit de disposer des séries ε t −1 , ht −1 et ht pour

estimer aisément la surface f. Le gros problème est qu’on ne dispose pas des observations de

la série ht . Cependant Peter Buhlmann et Alexander McNeil propose une méthode pour calculer
∧
les estimations f de la surface f . Ils proposent l’algorithme suivant :

1 : Dans une première étape on estime l’ensemble des volatilités de

l’ensemble {h t ,0 ;1 ≤ t ≤ T } par une estimation paramétrique du type GARCH (1,1). C’est

l’étape m=1

2 : A une étape quelconque m, on estime par LOESS régression l’ensemble

∧
{ht ,m = f m (ε t −1 , ht −1,m −1 );2 ≤ t ≤ T } pour avoir une estimation f m de la fonction f.

3 : Continuer jusqu’à ce que les valeurs ht , m et ht , m −1 ne sois plus très différentes. Il

s’agit en fait de rechercher un point fixe qui laisse la surface invariante.

Cet algorithme appliqué aux données du portefeuille nous a permis d’estimer la surface f au
bout de 21 itérations. Les graphiques des surfaces sont représentés en annexe du document.
L’estimation a été faite sur 2465 observations. Nous avons laissé 1000 observations dans le
but de réaliser un backtesting après évaluation de la VaR.

6
Tableau 1.2 : Paramètres de la dernière LOESS Régression

Paramètres de l’estimation
Fit Method kd Tree
Blending Linear
Nombre d’Observations
d’Observations 2443
Fitting Points 514
kd Tree Bucket Size 16
Degré du Polynôme local 1
Paramètre de lissage 0.03377
Points du voisinage local 82
Somme des carrés des résidus 3.66955E-10
Trace[L] 96.79226
GCV 6.66623E-17
AICC -28.44333

1.2-
1.2 - CALCUL DE LA
L A VALUE-
VALUE - AT-
AT - RISK DU PORTEFEUILLE ET BACKTESTING

La VaR sur le rendement du portefeuille est définit telle que Pr ob( Rdt < VaR) = α . Avec

le modèle posé ci-dessus on obtient :

Rt − c VaR − c
Pr ob ( ≤ )=α c'est-à-dire
∧ ∧
f (ε t −1 , ht −1 ) f (ε t −1 , ht −1 )
VaR − c z t ≈ N (0,1) . Soit f α le fractile d’ordre de la loi
Pr ob (z t ≤ )= α avec
∧
f ( ε t − 1 , h t −1 )

normale centrée réduite. On a alors : VaR = c + fα × fˆ (ε t −1 , ht −1 ) . Nous avons calculé cette

value-at-risk sur les 2465 observations aux seuils de 5% et 1%. Sur le graphique 1.1 sont
représenté les VaR à 1% et à 5% sur l’échantillon d’apprentissage.

Pour valider le modèle il est primordial de réaliser un backtesting « out-of-sample » hors

échantillon d’apprentissage. Il est très important de s’assurer de l’adéquation de cette
méthode semi paramétrique. Le backtesting consiste à confronter la VaR calculée avec les
pertes et profits effectivement réalisés. Ainsi, pour un niveau de confiance de 99%, les
pertes effectives ne devraient dépasser les prévisions VaR que dans 1% des cas environ. Sinon,
nous serons obligés de remettre en question la validité de cette méthode.

7
L’exercice consiste à ajouter chaque fois une observation supplémentaire à l’échantillon
d’apprentissage et à re-estimer la VaR puis ensuite la confronter à la perte éventuelle du
jour.

Figure
Figure 1.1 : Backtesting de la VaR à 1% sur 1000 observations

Ainsi après l’ajout des 1000 observations supplémentaires une à une (donc 1000 estimations),
on calcul la proportion du nombre de fois où les pertes sont allez en dessous de la VaR Le
nombre d’exceptions (c'est-à-dire nombre de fois où les pertes ont dépassé la VaR) durant
toute la période du test, révèle le degré de pertinence du modèle utilisé. Le nombre
d’exceptions acceptable doit être en adéquation avec le niveau de confiance auquel la VaR a
été calculer. Ainsi pour une VaR5% la proportion du nombre de fois où le modèle a échouer ne
doit pas être loin de 5% et donc 1% pour une VaR1%. Cette analyse est d’ailleurs très
intuitive puisque par définition, la VaRp% signifie que la perte réelle ne dépasse la VaR que
dans p% des cas. Christoffersen propose une série de trois tests dans le but de faire valider
un modèle servant à calculer un VaR :

- Le test de couverture inconditionnelle

- Le test d’indépendance des exceptions

- Et le test de couverture conditionnelle.

Pour cela il définit une variable dichotomique It telle que :

8
 
1 si Rt ≤ VaRt ( p )
It = 
0 sin on

Le premier test consiste à faire un test de proportion (appelé aussi test de Kupiec) sous
l’hypothèse nulle on a :

I t ≈ iid − Bernoulli( p ) et sous l’hypothèse alternative I t ≈ iid − Bernoulli(π 1 ) où p est

la proportion théorique et π1 la proportion réelle d’exception observée sur l’échantillon
test. Ce test est appelé test de Couverture inconditionnelle, unconditionnal coverage (uc).
On a :

Ho, uc : π1 = p contre l’alternative H1,uc : π1 ≠ p

La log-vraissemblance de l’échantillon des T i.i.d réalisations de la variable It de

Bernoulli sous Ho est :

L ( I , p ) = p T1 (1 − p ) T − T1
où T1 est le nombre d’exceptons sur l’échantillon test. Sous l’hypothèse alternative la log-
vraissemblance est :

T
L ( I , π 1 ) = π 1 1 (1 − π 1 ) T −T1 et l’estimateur du maximum de vraisemblance de π1 est

T1
πˆ1 =
T

Le Likelihood Ratio Test du test de couverture inconditionnelle donne :

LRT uc = 2 (ln L ( I , πˆ 1 ) − (ln L ( I , p )) ≈ χ 12 . Si le l’hypothèse nulle est

acceptée on passe au test d’indépendance sinon le modèle est rejeté.

Pour le test d’indépendance on pose : Ho , ind : indépendance des exceptions contre H1,ind : non
indépendance.

La log vraisemblance sous l’hypothèse de non indépendance (hypothèse alternative) est :

L ( I , π 01 , π 11 ) = (1 − π 01 ) T0 −T01 π 01
T01
(1 − π 11 ) T1 −T11 π 11T11

où Tij est le nombre de fois où j suit un i c'est-à-dire

π ij = P ( I t = j / I t −1 = i ) Ainsi :

9
T01 : Nombre de jour sans exceptions suivi d’une exception.

T00 : Nombre de jour successifs sans exceptions.

T11 : Nombre de jour successifs avec exceptions.

T10 : Nombre de jour sans exceptions précédé par une exception.

T01 T11
T0 = T00 + T01 , T1 = T10 + T11 , πˆ 01 = , πˆ11 = .
T0 T1

La statistique du test d’indépendance est donné par :

LRT ind = 2 (ln L ( I , πˆ 01 , πˆ11 ) − ln L ( I , πˆ1 )) ≈ χ (21)

Si l’hypothèse nulle est acceptée on passe au test de couverture conditionnelle. Il s’agit e

tester si le modèle utilisé a l’habileté de capturer la distribution conditionnelle des
rendements et ses propriétés dynamiques tel que sa volatilité dans le temps. La statistique de
test est :

LRT cc = 2 (ln L ( I , πˆ 01 , πˆ11 ) − ln L ( I , p )) ≈ χ (22 )

Tableau 1.3 : backtesting et validation du modèle semi paramétrique

Résultat ( au seuil de
Résultats LRT
5%)

Test UC 0,098 validé

Test ind 0,246 validé

Test CC 0,344 validé

En appliquant les tests de Chritoffersen sur le modèle semi paramétrique tous les tests ont
été validé. La proportion empirique d’exception est 1,10% pour une VaR à 1%. Le test UC
confirme donc que cette proportion est statistiquement égale à 1%. Le test CC nous informe que
le modèle semi paramétrique capture assez bien les propriétés dynamiques de la distribution
conditionnelle des rendements.

10
 II- CALCUL DE LA VALUE-AT-RISK PAR L’APPROCHE PARAMETRIQUE

Nous testerons essentiellement dans cette partie ARCH/GARCH. Le principe proposé par Engle
(1982) consiste à supposer que la variance dépend de l’ensemble informationnel dont on
dispose. Il propose une spécification ARCH(q) où les le carré des perturbations suit un
processus autorégressif d’ordre q. Ces processus sont proposés dans le but de palier aux
insuffisance des représentations ARMA, notamment en ce qui concerne les séries financières qui
présentent une volatilité en fonction du temps et par des ajustements asymétriques. La famille
des modèles ARCH se décomposent en deux sous ensembles : Les modèles ARCH linéaires et les
modèles ARCH non linéaires. Les premiers reposent sur des spécifications quadratique de la
variance conditionnelle des perturbations : ARCH(q) GARCH(p,q) IGARCH, GARCH-M. Les modèles
ARCH non linéaires sont caractérisés par des spécifications asymétriques des perturbations. Ce
sont les modèles EGARCH(p,q), TARCH(q), TGARCH(p,q) , GJR-GARCH. Tous ces modèles se
généralisent avec les formes APARCH et VSGARCH ainsi que les formes LSTGARCH et ANSTGARCH.
L’objectif de cette partie est de faire une application value-at-risk en utilisant les
modèles à volatilité conditionnelle cité ci-dessus. Dans un premier temps nous étudierons les
modèles ARCH linéaires dans le but de sélectionner le meilleur qui donne une bonne évaluation
du risk. Dans la seconde section, nous utiliserons les modèles ARCH non symétriques.

2.1-
2.1 - LA VALUE-
VALUE - AT-
AT - RISK DU PORTEFEUILLE ET LES MODELES ARCH LINEAIRES

Les modèles ARCH linéaires ont été estimés sous la distribution de student pour son caractère
leptokurtique. En premier lieu un modèle GARCH (1,1) a été estimé. La spécification du modèle
est la suivante :

Rt = c + ε t où ε t = z t ht
q p
Et ht = E (ε t2 / ε t −1 ) = α 0 + ∑ α i ε t2−i + ∑ β i ht −i z t suit une loi de student à ν degré de
i =1 i =1

Tableau
Tableau 2.1 : Résultat
Résultat d’estimation du GARCH ( 1 , 1 )

Coefficients Estimations T - de student

Constante = c 0,00069* 3,61
Alpha0 1,45E-06* 2,72
Alpha1 0,0643* 6,24
Beta1 0,9275* 76,88
Nu 7,92* 9,23
AIC - 15098,03 -
SBC -15092,60 -

11
 q p
liberté. Pour la stationnarité asymptotique su processus on impose ∑α i + ∑ β i < 1
i =1 i =1

Tous les coefficients de l’estimation sont significatifs . De la même façon nous avons estimé
un GARCH-M et un IGARCH. Le modèle IGARCH(p,q) a été introduit par Engle et Bollerslev (1986)
et correspond au cas de racine unitaire dans le processus de variance conditionnelle. Ces
modèles sont caractérisés par un effet de persistance dans la variance. Un choc sur la
variance conditionnelle actuelle se répercute sur les variances futures prévues.

Sa spécification est identique à un GARCH(p,q) sauf qu’on contraint la somme des coefficients
q p
à 1 c'est-à-dire : ∑α + ∑ β
i =1
i
i =1
i = 1 .Nous avons estimé un IGARCH(1,2).

Graphique 2.1 : Représentation des VaR1% quotidiens

quotidiens pour le modèle GARCH-
GARCH-M sur 1000
jours

Les résultats sont en annexe. Quant aux modèles, GARCH-M, ils ont été proposés par Engle
Lilien et Robbins (1987) où la variance conditionnelle est une variable explicative du
rendement du portefeuille. Cette spécification rappelle le MEDAF où le rendement est
influencé par la volatilité. Il existe trois formes de modèle GARCH-M dans la littérature. Il

y a la forme linéaire ( Rt = c + δht + ε t ) , la forme log-linéaire ( Rt = c + δ log(ht ) + ε t ) et

la forme racine carrée ( Rt = c + δ ht + ε t ) . La forme linéaire semble plus adaptée aux

données que nous avons. Nous avons donc estimé un GARCH-M(1,1) linéaire.

12
Après l’estimation des trois modèles linéaires, il a été procédé une validation hors
échantillon c'est-à-dire un backtesting sur 1000 jours de cotation (du 22 décembre 2000 au 23
décembre 2004). Les résultats sont résumés dans le tableau 2.2

Tableau 2.2 : VaR à 1% pour un portefeuille d’une valeur de 10000 euros

Taux d’échec sur 1000

Modèles VaR à 1% (au 23/12/2004)
jours

GARCH(1,1)
GARCH(1,1) 194,1 euros 0,3%

IGARCH(1,2) 216,1 euros 0,2%

GARCH-
GARCH-M(1,1) 172,7 euros 2,9%

Tous les modèles linéaires estimés donnent de résultats acceptables. Les taux d’échec sont
tous inférieur à 1%, ce qui n’était pas le cas du modèle semi-paramétrique. Le test de
couverture non conditionnelle conclue au rejet de l’égalité du taux d’échec avec la
probabilité théorique d’échec des trois modèles. Les raisons du rejet de l’Hypothèse nulle
ne sont pas les même pour les trois modèles. Pour le GARCH et le IGARCH, ce résultat est dû au
très faible taux d’échec obtenu respectivement 0,3% et 0,2% qui sont des taux assez éloigné
de la valeur attendue de 1%. Ceci peut signifier que ces deux modèles sont trop conservateurs
c'est-à-dire « averse au risque ».

Tableau 2.3 : Backtesting et validation

Modèles Test UC Test ind

ind Test CC

rejeté validé rejeté

GARCH(1,1)
(6,826) (0,018) (6,844)
rejeté validé rejeté
IGARCH(1,2)
(9,626) (0,008) (9,635)
rejeté validé rejeté
GARCH-
GARCH-M(1,1)
(24,12) (0,04) (24,08)

(*) entre parenthèses, les statistiques LRT – rejet à 5%

Pour ce qui est du modèle GARCH-M, le rejet de l’hypothèse nulle est dû au contraire à un
taux d’exception trop élevé par rapport à la probabilité théorique. Ce taux est de 2,9%, ce
qui présage que ce modèle est moins conservateur que les deux autres. Tous les trois modèles
valide le test d’indépendance des exceptions mais le IGARCH et le GARCH-M échouent au test de
couverture conditionnelle, qui mesure la capacité d’un modèle à prendre en compte les

13
propriétés statistiques et dynamiques des distributions du rendement. Cet échec est sans doute
dû à l’hypothèse de normalité qui même dans un modèle de type GARCH ne permet pas de prendre
en compte le caractère leptokurtique des distributions des rendements.

2.2-
2.2 - LA VALUE-
VALUE - AT-
AT - RISK DU PORTEFEUILLE ET LES MODELES ARCH NON SYMETRIQUES
SYM ETRIQUES

Les modèles ARCH non linéaires partent de l’idée que l’effet hétéroscédastique n’est pas
le même suivant que l’erreur précédente soit négative ou positive. Deux grandes classes de
modèles sont proposés pour étudier le phénomène : on a les modèles EGARCH (Nelson 1990
Exponential Generalized Autorégressive Conditional Hétéroscédastique) et les modèles ARCH à
seuils (Engle et Bollerslev 1986) où la variance est une fonction linéaire définie par morceau
qui permet différentes fonctions de volatilité selon le signe et la valeur des chocs. Le
modèle. La spécification du modèle EGARCH (1,1) est telle que :

Rt = c + ε t où ε t = z t ht avec

log(ht ) = α 0 + a1 z t −1 + b1 ( z t −1 − E ( z t −1 ) + β1 log(ht −1 ) Ici la variance conditionnelle fait

apparaître une effet de signe correspondant à a1 z t −1 et un effet d’amplitude mesuré par

b1 ( z t −1 − E ( z t −1 ) . Les résultats de l’estimation sont dans le tableau 2.3

Tableau 2.3 : Estimations EGARCH(1,1)

Coefficients Estimations T de student

Constante 0,00* 2,32
EARCH0
EARCH0 -0,13* -2,68
EARCH1 0,08* 6,19
EGARCH1 0,99* 181,92
THETA -0,47* -4,10
AIC -15098,01 -
SBC -15092,3 -
*Significatif à 5%

Nous avons également estimé le GJR-GARCH , le TGARCH et le LSTGARCH. Le LSTGARCH ne donne pas
de résultats satisfaisants. Quant au GJR-GARCH(1,1) Il est défini de la façon suivante :

Rt = c + ε t où ε t = z t ht et z t ≈ N (0,1)
Avec ht = α 0 + α 1ε t2−1 + φII ε t −1< 0 ε t2−1 + β1 ht −1

14
 
II ε t −1<0 = 1 si ε t −1 < 0
 0 sin on

Le TGARCH est similaire au GJR-GARCH à la différence qu’il modélise l’asymétrie sur l’écart
type et non sur la variance. Après estimation de ces différents modèles linéaires il a été
réalisé une application VaR à 1% et le test de validation hors échantillon d’apprentissage.

Tableau 2.4 : VaR à 1% pour un portefeuille

portefeuille d’une valeur de 10000 euros et
backtesting

Taux d’échec sur 1000

Modèles VaR à 1% (au 23/12/2004)
jours

EGARCH(1,1) 192,32 euros 1,3%

GJR-
GJR-GARCH(1,1) 197,62 euros 1,3%

TGARCH(1,1) 221,28 euros 1,9%

D’après les résultats du tableau 2.4 il apparaît que les taux d’échec des modèles non
linéaires sont plus « raisonnables » par rapport aux résultats obtenus avec les modèles
linéaires. Mais le modèle TGARCH échoue au test UC d’égalité des proportions, à cause de ses
1,9% de taux d’exception. Les modèles EGARCH et GJR-GARCH valide assez bien le test CC et
prouvent donc qu’ils tiennent parfaitement compte des propriétés caractéristiques sur la
distribution du rendement.

Tableau 2.5 : Backtesting et validation

Modèles Test UC Test ind Test CC

validé validé validé

EGARCH(1,1)
(0,831) (0,342) (1,173)
validé validé validé
GJR-
GJR-GARCH(1,1)
(0,831) (0,342) (1,173)
rejeté validé rejeté
TGARCH(1,1)
(7,82) (0,007) (7,2)

(*) entre parenthèses, les statistiques LRT

15
Graphique 2.1 : Représentation des VaR1% quotidie
quotidiens
uotidiens pour le modèle TGARCH sur 1000
jours

2.3- MESURE DU DEGRE DE CONSERVATION

C ONSERVATION DES MODELES GARCH UTILISES
UTILISE S

Un modèle est dit conservateur lorsque les VaR qu’il permet de calculer sont trop élevées (en
valeur absolue) par rapport à la normale. En d’autres termes un modèle trop conservateur
surestime le risque, ce qui rend inopportun le recours à la Value at risk comme une mesure du
risque en vue de prendre des décisions. En effet un modèle qui prévoit souvent de très grandes
pertes est riskophobe et limite considérablement les possibilités de gain dans la gestion
active d’un portefeuille par exemple. Il est logique de soupçonner les modèles ayant de très
faibles taux d’échec dans le backtesting de conservateurs car, plus il est conservateur et
plus la VaR est élevée et donc moins il y a de chances que le rendement réel puisse la
dépasser et par suite moins d’échec. Il est donc important après l’opération du backtesting
de mesurer le degré de conservation du modèle. La statistique que nous allons utiliser pour
mesurer ce degré est la statistique du Biais Relatif Moyen (Mean relative Bias – MRB)
développée par Hendricks en 1996. Cette statistique mesure la relativité de la taille de
chaque VaR par rapport à la moyenne des VaR de tous les modèles.

Etant donné T le nombre de périodes et N le nombre de modèles VaR , le Biais Relatif d’un
modèle i est donné par ;

16
 1 T VaRit − VaRmt 1 N
MRBi = ∑ VaR
T t =1
avec VaRmt =
N
∑VaR
i =1
it
mt

où VaRit = VaR fournie par l’approche i le jour t

et VaRmt = Moyenne des VaR fournies par chacune des approches au jour t. la mesure du MRB est
exprimé en pourcentage. Pour un modèle i, MRB = 0,05 signifie que la VaR de ce modèle est en
moyenne 5% plus élevées que la moyenne des VaR obtenues par tous les modèles. Ainsi on peut
classer les modèles par degré de conservation. Il est évident qu’on ne peut comparer les

degrés de conservation de deux modèles que s’ils rentrent tous dans le calcul du VaRmt car
le MRB est une mesure relative.

Tableau 2.6 : Biais

Biais relatif moyen de chaque modèle

MODELE MRB ( en % ) Degré de conservation

IGARCH + 13,16 + + + +
GARCH + 6,88 + +
SEMI-
SEMI-PARAM + 1,26 +
EGARCH - 3,08 -
GJR-
GJR-GARCH - 4,78 - -
TGARCH -5,74 - -
GARCH-
GARCH-M -7,69 - - -

Dans le tableau 2.6 sont classé par degré de conservation tous les modèles utilisés. Il
ressort que l’IGARCH surestime le risque de 13,16% par rapport aux autres modèles. A l’autre
extrémité on retrouve le GARCH-M qui sous estime le risque de 7,69% par rapport à la moyenne
des VaR. Les meilleurs modèles sont sans doute les modèles qui ne sont pas loin de la
trajectoire de la VaR moyenne c'est-à-dire qui ne sont pas trop conservateurs et qui ne sous
estiment pas trop non plus le risque. Par exemple dans notre cas le modèle semi-paramétrique
(+1,26%), le modèle EGARCH (-3,08%) et dans une certaine limite le GJR-GARCH.

17
 III- CALCUL DE LA VALUE-AT-RISK AVEC UN MODELE DCC-GARCH MULTIVARIE

Tous les modèles que nous avons utilisés jusqu’à présent sont des modèles univariés. Pourtant
l’étude des risques liés à un portefeuille doit se faire dans une optique de risques
multiples. Il est donc intéressant de se mettre dans un contexte multivarié pour évaluer la
value-at-risque d’un portefeuille dont les résultats seront plus significatifs que dans les
cas univariés. Cependant en cherchant à analyser plusieurs variables de marchés, on est
confronté à un certains nombre de problème. Par exemple l’augmentation des paramètres
inconnus et des contraintes sur les signes et les valeurs des paramètres. Dans le cas des
modèles ARCH/GARCH multivariés, plusieurs travaux ont porté sur des spécifications judicieuses
permettant, à la fois, de réduire le nombre des paramètres et de limiter l’importance des
contraintes, tout en gardant une structure dynamique du modèle relativement riche. Diebold et
Nerlove (1989) ont proposé un modèle multivarié à facteur latent qui rend compte des
corrélations des variations des variances des différents actifs. L’identification d’un tel
modèle est étudié par Sentana (1990), mais la présence d’une variable latente inobservable
dans la matrice de variance covariance rend les procédures d’inférences exactes extrêmement
compliquées. En 1987 Bollerslev propose Le modèle ARCH à corrélations conditionnelles
constantes (CCC-ARCH) où les variances conditionnelles évoluent dans le temps mais les
corrélations restent constantes. Ce modèle réduit, de manière considérable, le nombre de
paramètres à estimer, mais l’hypothèse de constance des corrélations ne résiste pas à la
réalité des faits. Dès lors, tout en cherchant préserver les propriétés essentielles du modèle
de Bollerslev, Engle (2001, 2002), Engle et Sheppard (2001) ont proposé une spécification
dynamique originale des corrélations conditionnelles dans le cadre de modèles GARCH ou ARCH
multivariés, le DCC-GARCH. Par rapport à l’approche de Bollerslev, le DCC-GARCH introduit des
équations décrivant l’évolution des coefficients de corrélation, similaires dans leur
conception à celles des variances conditionnelles. Dans cette dernière section nous
constituons un portefeuille simple d’indices de marchés composé de 60% de CAC40 et 40% de
DAX30. A l’opposé de l’évaluation du risque dans les sections précédentes, le calcul de la
value-at-risque de ce portefeuille doit tenir compte de l’évolution temporel des interactions
entre les deux marchés. Le modèle DCC-GARCH à utiliser est spécifié de la façon suivante :

R1t = c1 + ξ1t ξ1t 

avec ξ  / I t a N (0, H t ) Les résidus conditionnellement à l’information
R2t = c1 + ξ1t  2t 
h h12t 
disponible suivent une normale multivariée (ici bivariée) où H t =  1t qui peut être
h12t h2t 

18
décomposée de la manière suivante : H t = Dt Rt Dt où Dt est une matrice diagonale dont les

éléments non nuls sont les racines carrés des variances conditionnelles et Rt est la matrices

des corrélations conditionnelles. On a en définitive pour Ht

 h 0  1 ρ12t  h1t 0 
H t =  1t     où ρ12t désigne la corrélation conditionnelle
 0
 h2t  ρ12t 1  0 h2t 
entre les deux marchés. On a la même relation entre les variances conditionnelles à savoir

pour un GARCH(1,1) : hit = α 0 + α ti ξ it2−1 + β ti hit −1 avec α 0 > 0 et α it , β it < 1 et non négatifs.
Les corrélations conditionnelles sont définies par un processus dont la structure est :

M N _ M N
Qt = (1 − ∑ θ 1m − ∑ θ 2 n ) Q + ∑ θ1m (ε t − m ε t' − m ) + ∑ θ 2 n Qt − n avec Rt = Qt*−1Qt Qt*−1 où
m =1 n =1 m =1 n =1

 q 0  _
Qt* =  11  et Q est la matrice des covariances non conditionnelle des résidus
 0 q 22 

ε 
standardisés ε t =  1t  = Dt−1ξ t . Pour m = n =1 on a
ε 2t 
_
Qt = (1 − θ1 − θ 2 ) Q + θ1ε t −1ε t' −1 + θ 2 Qt −1

1 T
La log-vraissemblance des estimateurs s’écrit : L = − ∑
2 t =1
( n log(2π ) + log H t + ξ t' H t−1ξ t )

Et après quelques transformations on obtient :

−1 T
L= ∑ (n log(2π ) + 2 log Dt + ξ t' Dt−1ξ t − ε t'ε t + log Rt + ε t' Rt−1ε t ) . Engle propose une
2 t =1
estimation à deux étapes et décompose la log-vraissemblance en deux parties. Une partie

1
∑ (n log(2π ) + log Dt
2
Lv (γ ) = − + ξ t' Dt−2ξ t ) qui dépend uniquement des paramètres de la
2 t

1
volatilité et une seconde partie Lc (γ ,θ ) = − ∑ (log Rt + ε t' Rt−1ε t − ε t'ε t ) qui dépend des
2 t
paramètres des corrélations conditionnelles connaissant les paramètres de la volatilité. Dans
une première étape, on estime les paramètres de la volatilité qui permet donc de construire

les εt et d’estimer dans une seconde étape les paramètres de la corrélation conditionnelles.

Les résultats de l’estimation sont résumés dans le tableau 3.1

19
Tableau 3.1 : Résultat de l’estimation du DCC(1,1)-
DCC(1,1)-GARCH(1,1)

Etapes Paramètres CAC40 DAX30

Alpha0 3,51E-06 3,42E-06
(6,71) (8,37)
Alpha1 0,0683 0,0888
Volatilité (9,26) (10,43)
Beta1 0,913 0,8963
(98,67) (92,06)
Log-Vrss 10231 10231
Theta1 0,085343
(25,73)
Corrélation
Theta2 0,914649
conditionnelle
(15,67)
Log-Vrss 9240

(.) t de student

La corrélation non conditionnelle entre les le DAX30et a CAC40 est de 0,72. Sur le graphique
3.1 , nous avons représenté l’évolution de la corrélation conditionnelles et de la volatilité
sur les deux marchés. Il apparaît clairement que l’hypothèse de constance de la corrélation
n’est pas tenable. Dans la première période la volatilité sur les deux marchés (courbes verte
et bleue) est relativement faible. On remarque une oscillation de la corrélation
conditionnelle autour de sa valeur non conditionnelle (0,72). Mais dans la seconde période la
volatilité la volatilité devient de plus en forte (crises russe et asiatique ).

Graphique 3.1 : Evolution comparée de la volatilité et de la corrélation

conditionnelle

ro
2

-1

0 1000 2000 3000 4000

t emps

PLOT ro vol a1 vol a2

20
Il apparaît clairement que la corrélation entre les deux marchés est nettement plus élevée qua
dans la seconde période. On note même une persistance de la corrélation à prendre des valeurs
proche de l’unité. Il y a une remarque importante qui se dégage de ce phénomène. Plus la
volatilité sur l’une ou les deux marchés est forte et plus la corrélation conditionnelle à
tendance à être plus forte. Sanvi Avouyi-Dovi et David Neto (in « Interdépendance des marchés
d’actions : Analyse de la relation entre les indices boursiers américains et européens »,
Banque de France, Revue de la stabilité financière juin 2004.) trouvent des résultats
similaires entre le DAX, le CAC et le DOW-JONES.

L’évaluation du risque dans un cadre multivarié ne se fait pas de la même façon que dans les
sections précédentes. Il faut tenir compte des risques multiples liés aux interactions entre
les éléments du portefeuille. Cette fois la value-at-risque n’est pas calculée en considérant
le portefeuille comme un actif unique, mais en évaluant les risques sur les différents
éléments qui la compose et en tenant compte de leur degré de liaison. On calcul la VaR avec la

formule : (
VaRt = c + f α ω 2 h11t + (1 − ω ) 2 h22t + 2ω (1 − ω ) ρ t (h11t h22t )1 / 2 )
1/ 2
où fα est le

fractile d’ordre α et ω la part de l’indice 1 dans le portefeuille. Nous avons calculé la

VaR à 1%sur les 3465 observations. La VaR a été dépassée dans 1,21% des cas. Mais cette
proportion a été testée et l’hypothèse nulle d’égalité de la proportion à 1% est acceptée.
Néanmoins cette moindre performance est sûrement due à l’hypothèse normalité non réaliste
des résidus sous laquelle nous avons estimé le modèle multivarié. En effet le fait de
postuler des bruits gaussiens simplifie sans doute les calculs mais ne rend pas vraiment
compte des faits stylisés observés sur les marchés financiers dont l’asymétrie et le
caractère leptokurtique de la distribution des rendements.

Graphique 3.2 : Value-

Value-at-
at-rique à 1%

yi el d
0. 08
0. 07
0. 06
0. 05
0. 04
0. 03
0. 02
0. 01
0. 00
- 0. 01
- 0. 02
- 0. 03
- 0. 04
- 0. 05
- 0. 06
- 0. 07
- 0. 08
- 0. 09
- 0. 10

0 1000 2000 3000 4000

t emps

PLOT yi el d Var 1

21
 CONCLUSION

L’introduction de la VaR a constitué un pas important dans la direction d’une gestion

cohérente et adéquate des risques financiers. Dans ce document nous avons utilisé plusieurs
modèles pour l’évaluer. Néanmoins la VaR ne demeure qu’un outil de décision de gestion
financière et dont une bonne maîtrise passe par une compréhension de ses limites. La VaR se
calcul sous l’hypothèse qu’un événement majeur ne vienne pas perturber considérablement le
cours des choses. Elle ne donne donc aucune indication sur les pertes éventuelles dans le cas
d’un affolement par exemple sur les marchés boursiers ou le cas des événements du type 11
septembre. Néanmoins des études de scénarios « catastrophes » possibles sont faites pour
compléter la VaR et donc l’évaluation des pertes dans ces cas (stress testing). Il est aussi
intéressant de se poser la question de l’utilité du backtesting sur certains models.
Généralement on l’utilise pour valider un modèle. Lorsque la VaR est dépassé dans moins d’
1% des cas on accepte la spécification. Or il est évident que les modèles qui surestiment le
risque seront forcément meilleur que les autres puisqu’ils donneront une VaR plus élevée et
donc ne pouvant pas être dépassée facilement. Dans ce cas un gestionnaire riscophobe n’osera
jamais investir s’il est en possession d’un tel modèle. Il est donc primordial que la VaR ne
sois pas trop éloignée des pertes enregistrées.

22
 ANNEXES

CAC40

Rendement CAC40

r endement du sbf 120

0. 07

0. 06

0. 05

0. 04

Corrélogramme sur les rendements au

0. 03

0. 02

0. 01

carré du CAC40
0. 00

- 0. 01

- 0. 02

- 0. 03

- 0. 04

- 0. 05

- 0. 06

- 0. 07

- 0. 08

- 0. 09

- 0. 10

0 1000 2000 3000 4000

Distribution empirique du rendement du

CAC40

22. 5

20. 0

17. 5

15. 0

P
e 12. 5
r
c
e
n 10. 0
t

7. 5

5. 0

2. 5

0
- 0. 087 - 0. 069 - 0. 051 - 0. 033 - 0. 015 0. 003 0. 021 0. 039 0. 057
r endement du cac40

Corrélogramme sur les rendements du

CAC40

Test de racine unitaire sur le

rendement du CAC40

Type Retards Rho Pr < Tau Pr < F Pr > F

Rho Tau
Zero Mean 2 - 0.0001 - <.0001
4012.86 35.63
5 - 0.0001 - <.0001
5699.02 25.74
Single 2 - 0.0001 - <.0001 635.78 0.0010
Mean 4025.71 35.66
5 - 0.0001 - <.0001 332.37 0.0010
5791.66 25.78
Trend 2 - 0.0001 - <.0001 636.22 0.0010
4032.06 35.67
5 - 0.0001 - <.0001 332.90 0.0010
5838.34 25.80

SBF120

Rendement SBF120

23
 r endement du sbf 120
0. 07
Corrélogramme sur les rendements au
carré du SBF120
0. 06

0. 05

0. 04

0. 03

0. 02

0. 01

0. 00

- 0. 01

- 0. 02

- 0. 03

- 0. 04

- 0. 05

- 0. 06

- 0. 07

- 0. 08

- 0. 09

- 0. 10

0 1000 2000 3000 4000

t emps

Distribution empirique du rendement du

SBF120

35

30

25

P
e 20
r
c
e
n
t 15

10

0
- 0. 096 - 0. 08 - 0. 064 - 0. 048 - 0. 032 - 0. 016 0 0. 016 0. 032 0. 048 0. 064
r endement du sbf 120

Corrélogramme sur les rendements du

SBF120

Test de racine unitaire sur le

rendement du CAC40

Augmented Dickey-
Dickey- Fuller Unit Root Tests

Type Retards Rho Pr < Rho Tau Pr < Tau F Pr > F

Zero Mean 2 -4012.86 0.0001 - <.0001

35.63
5 -5699.02 0.0001 - <.0001
25.74
Single Mean 2 -4025.71 0.0001 - <.0001 635.78 0.0010
35.66
5 -5791.66 0.0001 - <.0001 332.37 0.0010
25.78
Trend 2 -4032.06 0.0001 - <.0001 636.22 0.0010
35.67
5 -5838.34 0.0001 - <.0001 332.90 0.0010
25.80

DAX30

Rendement DAX30

24
 r endement du dax30
Corrélogramme sur les rendements au
0. 08

0. 07

0. 06
carré du DAX30
0. 05

0. 04

0. 03

0. 02

0. 01

0. 00

- 0. 01

- 0. 02

- 0. 03

- 0. 04

- 0. 05

- 0. 06

- 0. 07

- 0. 08

- 0. 09

- 0. 10

Distribution empirique du rendement du

DAX30

30

25

20

P
e
r
c 15
e
n
t

10

0
- 0. 096 - 0. 08 - 0. 064 - 0. 048 - 0. 032 - 0. 016 0 0. 016 0. 032 0. 048 0. 064
r endement du dax30

Corrélogramme sur les rendements du

SBF120

Test de racine unitaire sur le

rendement du DAX30

Augmented Dickey-
Dickey-Fuller Unit Root Tests

Type Retards Rho Pr < Rho Tau Pr < Tau F Pr > F

Zero Mean 2 -3956.23 0.0001 - <.0001

35.47
5 -5325.37 0.0001 - <.0001
25.53
Single Mean 2 -3968.81 0.0001 - <.0001 630.12 0.0010
35.50
5 -5403.79 0.0001 - <.0001 326.85 0.0010
25.57
Trend 2 -3978.30 0.0001 - <.0001 630.90 0.0010
35.52
5 -5463.58 0.0001 - <.0001 327.60 0.0010
25.60

PORTEFEUILLE

Rendement Portefeuille

25
 r endement du por t ef eui l l e
0. 07

0. 06

0. 05

Corrélogramme sur les rendements au

0. 04

0. 03

0. 02

0. 01

0. 00 carré du Portefeuille
- 0. 01

- 0. 02

- 0. 03

- 0. 04

- 0. 05

- 0. 06

- 0. 07

- 0. 08

- 0. 09

- 0. 10

0 1000 2000 3000 4000

Distribution empirique du rendement du

Portefeuille

30

25

20

P
e
r
c 15
e
n
t

10

0
- 0. 092 - 0. 076 - 0. 06 - 0. 044 - 0. 028 - 0. 012 0. 004 0. 02 0. 036 0. 052 0. 068
r endement du por t ef eui l l e

Corrélogramme sur les rendements du

Portefeuille

Test de racine unitaire sur le

rendement du Portefeuille

26
 Augmented Dickey-
Dickey-Fuller Unit Root Tests Itération 10
Type Retards Rho Pr < Tau Pr < F Pr > F
Rho Tau
Zero 2 - 0.0001 -35.82 <.0001
Mean 4081.71
5 - 0.0001 -25.93 <.0001
6095.12
Single 2 - 0.0001 -35.85 <.0001 642.68 0.0010
Mean 4094.42
5 - 0.0001 -25.97 <.0001 337.32 0.0010
6195.12
Trend 2 - 0.0001 -35.87 <.0001 643.25 0.0010
4102.09
5 - 0.0001 -26.00 <.0001 337.94 0.0010
6256.31

ESTIMATION DE LA SURFACE F
Itération 18

Itération 1

Itération 21 : Surface finale

Itération 5

27
 Résultat de l’estimation du
IGARCH(1,2)

Integrated GARCH Estimates

SSE 0,31 Observations 2464,00
MSE 0,00
Log 9183,29
Modèles GJR-
GJR-GARCH(1,1)
Likelihood
SBC -18335,34 AIC -18358,57 Estimations FIML Parameter non linéaires
Normality 7897,30 Pr > ChiSq <,0001 Parameter Estimation Erreur Valeur du test t
Test standard
appr.
intercept 0.000402 0.000204 1.97
Variable DF Estimation Erreur Valeur du test t
standard arch0 4.095E-6 1.291E-6 3.17
Intercept 1 0,000687 0,000189 3,64
arch1 0.088521 0.0199 4.44
ARCH0 1 7,46E-07 2,67E-07 2,79
garch1 0.903664 0.0245 36.82
phi -0.05248 0.0166 -3.17
ARCH1 1 0,0647 0,009723 6,65
GARCH1 1 0,9353 0,009723 96,2
GARCH2 1 1,05E-08 2,01E-09 5,25
Modèle TGARCH(1,1)
nu 1 7,5 0,0136 9,78

Résultat de l’estimation du GARCH-

GARCH-
M(1,1)

GARCH
GARCH-
CH-M
Estimates Estimations FIML Parameter non linéaires
SSE 0,3146587 Observations 2464 Parameter Estimation Erreur Valeur du test t
MSE 0,0001277 Uncond Var standard
Log 9190,0264 Total R-
R- 0,0022 appr.
Likelihood Square intercept 0.000578 0.000211 2.74
SBC - AIC -
arch0 0.00219 0.000196 11.15
18341,005 18370,053
arch1_pos 0.207173 0.0205 10.12
arch1_neg -0.11871 0.0200 -5.92
Variable Estimation Valeur du test t garch1 0.678863 0.0218 31.11

ARCH0 1.8289E-6 2.90

ARCH1 0.0647 6.11
GARCH1 0.9217 71.33
DELTA 7.7067 4.55
TDFI 0.1221 8.88

28
 TABLE DES MATIERES

RESUME ................................................................
....................................................................................
.................................................... 2

INTRODUCTION ................................................................
..............................................................................
.............................................. 3

I- CARACTERISTIQUES DU PORTEFEUILLE ET ESTIMATION

ESTIMATION SEMI-
SEMI-PARAMETRIQUE ........................ 4

1.1- PRESENTATION DU PORTEFEUILLE ET TESTS PRELIMINAIRES .............................................. 4

1.1- ESTIMATION SEMI-PARAMETRIQUE ET CALCUL DE LA VALUE-AT-RISK DU PORTEFEUILLE .......................... 6

1.2- CALCUL DE LA VALUE-AT-RISK DU PORTEFEUILLE ET BACKTESTING ....................................... 7

II-
II- CALCUL DE LA VALUE-
VALUE-AT-
AT-RISK PAR L’APPROCHE PARAMETRIQUE ............................... 11

2.1- LA VALUE-AT-RISK DU PORTEFEUILLE ET LES MODELES ARCH LINEAIRES .................................. 11

2.1- LA VALUE-AT-RISK DU PORTEFEUILLE ET LES MODELES ARCH NON SYMETRIQUES ............................. 14

III-
III- CALCUL
CALCUL DE LA VALUE-
VALUE-AT-
AT-RISK AVEC UN MODELE DCC-
DCC-GARCH MULTIVARIE ....................... 18

CONCLUSION ................................................................
...............................................................................
............................................... 22

ANNEXES ................................................................
..................................................................................
.................................................. 23

TABLE DES MATIERES ................................................................

.......................................................................
....................................... 29

BIBLIOGRAPHIE ................................................................
.............................................................................
............................................. 2

29
 BIBLIOGRAPHIE

- Akimou O. (2002) : « La Value-at-risk », les cahiers de la Finance.

- Anis Abdelhedi (2003),”Estimation de la Valua-at-Risk d’un
portefeuille d’action, étude comparative des approches
d’estimation », Mémoire master finance, Université de SFAX.
- Bollerslev T., Chou Y. Jayaraman , Kroner F(1991). « Les modèles
ARCH en finance: un point sur la théorie et les resultants
empiriques », Annales d’économie et de statistique n° 24.
- Buhlmann P. et McNeil J. (2000) : « Nonparametric GARCH models »,
depatement of mathematics ETH Zurich Switzerland.
- Christoffersen, P, J. Hahn, and A. Inoue (2001) “Testing and
Comparing Value-at-Risk Measure“, journal of empirical Finance.
- Engle R. (2002) : « Dynamique conditional correlation-A simple
class of multivariate GARCH models », Forthcoming Journal of
business and Economic Statistics .
- Engle R. et Kevin S. (2001) : « Theoretical and Empirical
properties of Dynamic Conditional Correlation Multivariate GARCH »,
University of California and NYU Stern School of business
- Hendricks, D.(1996). “ Evaluating of Value-at-Risk Models Using
Historical Data.” In Economic Policy Review, Federal Reserve Bank
of New York.
- Hurlin C.(2004) : « Econométrie pour la finance : Modèles
ARCH/GARCH » Polycopié de cours, Université d’Orléans.
- Roncalli T. (2001) : « Introduction à la gestion des risques »,
e
note de cours ENSAI 3 année
- Sanvi A. et Neto D. (2004) : « Interdépendances des marchés
d’action : Analyse de la relation entre les marchés boursiers
américain et européens », Banque de France –Revue de la stabilité
financière n°4.