Raoul FOKOU
Promotion 2006
Remerciements
Jadresse tous mes remerciements `a lEURo-Institut dActuariat Jean Dieu et `a Monsieur Herve Le Borgne pour nous avoir offert lopportunite dobtenir
donne
le titre dActuaire Euria, dadherer `a lInstitut des Actuaires et dachever un cycle
detudes commence depuis quelques annees.
R
esum
e
Cette etude sinteresse au risque de perte dun portefeuille dactifs financiers en calculant sa Value-at-Risk (VaR) et sa Value-at-Risk Conditionnelle (CVaR). Ces calculs
necessitent destimer la distribution des rendements dun portefeuille dactifs. La difficulte provient alors de la mani`ere de prendre en compte les dependances entre les
rendements des actifs et de modeliser les queues de distributions des rendements.
Nous proposons ici de resoudre ces deux obstacles en utilisant les deux techniques
suivantes :
lanalyse en composantes independantes, technique issue du traitement du signal, qui permet de transformer, sous certaines hypoth`eses, un vecteur multivarie en un autre vecteur multivarie dont les composantes sont statistiquement
independantes,
la modelisation par melanges de lois gaussiennes afin de modeliser les queues de
distributions empiriques plus epaisses que ne lautorise la loi normale.
Nous prenons lexemple dun portefeuille dactifs compose des trois indices boursiers
` partir de ces deux techniques, il est possible detablir
Bel20, Cac40 et Dax30. A
des formules analytiques pour le calcul de la VaR et de la CvaR, puis dobtenir des
resultats numeriques de VaR et CvaR `a un, cinq et dix jours. Enfin, nous procedons
`a une comparaison sommaire de differentes methodes destimation de VaR et CvaR
en realisant des simulations de rendements `a partir des donnees historiques.
Les premiers resultats obtenus montrent quen combinant ces deux techniques, les
valeurs estimees pour la VaR et la CvaR ont des taux dechecs inferieurs aux valeurs
calculees selon les approches historique et analytique. Il serait alors interessant de
pouvoir comparer cette methodologie avec la methode des copules qui sattache `a
modeliser les dependances entre les rendements.
Abstract
This survey aims at computing Value-at-Risk (VaR) and Conditional value-at-Risk
(CvaR) of a portfolio of stocks. This computation requires asset returns model but
difficulty comes with modeling dependencies and tail distribution of returns.
We propose to apply two methods :
the independent component analysis used in signal processing which allows us
to deal with dependencies by building asset returns time series which are statistically independent,
the finite gaussian mixture to model asset returns densities functions in order
to capture tail distributions observed on our data.
Applying this two techniques, we can obtain analytical expressions and numerical
values for the VaR and the CvaR over one, five and ten days.
Using historical data, we perform some back testing in order to roughly assess the
quality of our estimations. Then results are compared with estimations using classical
methods such historical or variance-covariance techniques. First simulations show that
our estimates have a probability of failure lower that previous two methods. Then we
could enhance this survey by comparing estimates obtained using other dependency
modeling such copula theory.
iii
ii
Abstract
iii
vii
ix
Introduction
1 Paradigme Rendement-Risque
1.1 Le rendement . . . . . . . . . . . . . .
1.1.1 Pour une action . . . . . . . . .
1.1.2 Pour un portefeuille dactions .
1.2 Le risque de marche . . . . . . . . . . .
1.2.1 La volatilite historique . . . . .
1.2.2 La semi-variance . . . . . . . .
1.2.3 Les mesures du risque de perte
.
.
.
.
.
.
.
3
3
3
5
5
6
7
9
.
.
.
.
.
.
.
.
10
10
11
12
12
12
13
14
15
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
iv
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
3.1.4 Evolution
des indices entre le 04/01/99 et le 15/05/06 .
3.2 Tests statistiques . . . . . . . . . . . . . . . . . . . . . . . . .
3.2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . .
3.2.2 Tests de stationnarite Philipps-Perron et KPSS . . . .
3.2.3 Tests dindependance et de distribution identique . . .
3.2.4 Tests de normalite . . . . . . . . . . . . . . . . . . . .
3.3 Correlations . . . . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
17
17
18
18
18
19
20
20
20
21
25
28
.
.
.
.
.
.
.
.
.
31
31
34
35
35
35
36
37
39
40
.
.
.
.
.
.
.
.
41
41
42
42
43
45
46
47
48
52
52
52
53
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
5 Mod
elisation par m
elange fini de lois gaussiennes
5.1 Modelisation . . . . . . . . . . . . . . . . . . . . . . .
5.1.1 Formalisation mathematique . . . . . . . . . .
5.1.2 Modelisation mathematique . . . . . . . . . .
5.1.3 Algorithme EM . . . . . . . . . . . . . . . . .
5.2 Applications . . . . . . . . . . . . . . . . . . . . . . .
5.2.1 Composantes sources `a 5 jours 5 S . . . . . . .
5.2.2 Composantes sources `a 1 et 10 jours 1 S et 10 S
5.3 Conclusion . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
vi
6.3
Applications numeriques . . . . . . . . .
6.2.1 Methode historique . . . . . . . .
6.2.2 Methode variance-covariance . . .
6.2.3 Methode ACI et melange gaussien
Tests historiques . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
56
56
57
58
59
Conclusion
60
Bibliographie
63
65
Annexe 2. S
eries des rendements `
a 1 et 10 jours
66
67
72
73
4
4
21
23
4.1
4.2
4.3
38
39
39
5.1
5.2
5.3
5.4
5.5
5.6
5.7
5.8
5.9
Param`etres
Param`etres
Param`etres
Param`etres
Param`etres
Param`etres
Param`etres
Param`etres
Param`etres
.
.
.
.
.
.
.
.
.
46
47
47
48
48
48
51
51
51
6.1
55
3.1
3.2
3.3
du
du
du
du
du
du
du
du
du
melange
melange
melange
melange
melange
melange
melange
melange
melange
gaussien
gaussien
gaussien
gaussien
gaussien
gaussien
gaussien
gaussien
gaussien
de
de
de
de
de
de
de
de
de
vii
la
la
la
la
la
la
la
la
la
composante
composante
composante
composante
composante
composante
composante
composante
composante
IC1
IC2
IC3
IC1
IC2
IC3
IC1
IC2
IC3
5J
5J
5J
1J
1J
1J
10J
10J
10J
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
25
26
27
28
28
29
29
29
viii
5J
5J
. .
. .
. .
. .
. .
. .
. .
55
55
57
57
58
58
58
58
59
11
3.1
3.2
3.3
3.4
3.5
3.6
Evolution
des indices boursiers du 04 janvier 1999 au 15 mai 2006
Series des rendements `a 5 jours des indices Bel20, Cac40 et Dax30
Test PP & KPSS des rendements `a 5 jours de lindice BEL20 . . .
Histogramme des rendements `a 5 jours de lindice BEL20 . . . . .
Histogramme des rendements `a 5 jours de lindice CAC40 . . . . .
Histogramme des rendements `a 5 jours de lindice DAX30 . . . . .
19
22
23
27
27
28
4.1
4.3
4.4
32
33
38
5.1
5.2
5.3
5.4
5.5
5.6
.
.
.
.
.
.
45
46
47
48
49
50
6.1
56
65
66
4.2
ix
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
32
Test
Test
Test
Test
Test
Test
Test
Test
Test
Test
Test
Test
Test
Test
Test
Test
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
67
67
67
68
68
68
68
69
69
69
70
70
70
70
71
71
20
72
21
73
Introduction
Lune des problematiques majeures en gestion financi`ere est la determination du
risque financier dun portefeuille dactifs. Depuis quelques annees, la Value at Risk
(VaR) sest imposee comme lune des mesures du risque de marche. Elle vise `a resumer
de mani`ere concise par un montant (2 500 000 euros par exemple) la perte probable
dun portefeuille dactifs sur un horizon de temps determine, par exemple 1 jour, 10
jours ou 1 mois, etant donne un indice de confiance choisi (par exemple 95 % ou 99
%). Si la periode de base est un jour de bourse, la VaR `a 95 % est le niveau de perte
qui sera depasse cinq jours sur 100.
Il existe plusieurs methodes de calcul de la Value at Risk classique et conditionnelle (simulation historique, simulation de Monte-Carlo, methode matrice variancecovariance . . . ) qui presentent toutes des avantages et inconvenients. Notre approche
tente dappliquer certaines techniques issues de la science du traitement du signal aux
series financi`eres utilisees pour le calcul de VaR. Pour calculer la VaR, il faut modeliser
la distribution des pertes et profits dun portefeuille dactifs. Toutefois, comme toute
somme de variables aleatoires, la prise en compte des correlations et dependances
entre actifs rend lestimation de cette distribution relativement delicate.
Nous prenons lexemple dun portefeuille dactifs de type actions. Pour modeliser la
distribution des rendements de ce portefeuille, nous proposons lutilisation de lAnalyse en Composantes Independantes (ACI), technique provenant de la science dite
traitement du signal. En considerant les series de rendements financiers comme des
signaux physiques, cette technique vise, par transformation lineaire, `a trouver un
` partir de ces signaux
autre ensemble de signaux independants au sens statistique. A
sources independants, nous modelisons leurs distributions par un melange de lois normales afin de prendre en compte les queues de distributions observees qui sont plus
epaisses que ne lautorise lhypoth`ese de normalite. Nous choisissons classiquement
des melanges gaussiens car les expressions analytiques sont plus faciles `a manipuler.
Lutilisation du produit de convolution, dans le cas de variables aleatoires ayant des
fonctions de densites independantes, nous permet ensuite dobtenir la fonction de densite du rendement de notre portefeuille compose de plusieurs actifs. Ceci nous permet
1
Introduction
Chapitre 1
Paradigme Rendement-Risque
Ce premier chapitre est un rappel du cadre theorique qui oriente la recherche et
la reflexion en finance, le couple rendement et risque.
1.1
Le rendement
1.1.1
Pour une periode donnee, on definit usuellement deux types de rendement1 dun
actif financier Ai de type action :
1. le rendement arithmetique comme la variation relative de son prix Pi (t) entre
les instants t et t 1 par :
Riarith (t) =
Pi (t) Pi (t 1)
Pi (t)
=
Pi (t 1)
Pi (t 1)
(1.1)
nous ne prenons pas en compte les eventuels dividendes ou autres flux financiers
1
2
3
100 102 100
P (T )
P (T ) P (T 1) P (T 2)
P (1)
= ln
= ln
...
P (0)
P (0) P (T 1) P (T 2)
P (1)
P (2)
P (1)
P (T )
+ . . . + ln
+ ln
= ln
P (T 1)
P (1)
P (0)
ln
ln
ln
= R[T
1,T ] + . . . + R[1,2] + R[0,1]
Rtln
t+t
Z
1
dP = ln
P
P (t + t )
P (t)
= ln
P (t) + P (t)
P (t)
do`
u, `a partir du developpement limite `a lordre 1 de la fonction ln :
Rtln
P (t)
= ln 1 +
P (t)
P (t)
P (t)
(1.3)
Lequation (1.3) montre ainsi que la rentabilite arithmetique et la rentabilite logarithmique sont egales en premi`ere approximation lorsque le pas de temps est faible.
Dans cette etude, nous utilisons des rendements logarithmiques `a 1 jour, 5 jours et
10 jours. Les rendements `a 5 et 10 jours sont obtenus en effectuant la somme des
rendements logarithmiques quotidiens sur la periode consideree. On considerera que
la sous-periode de 1 jour est suffisamment faible pour appliquer lapproximation de
lequation (1.3).
1.1.2
3
X
i Ri
(1.4)
i=1
1.2
Le risque de march
e
Le risque de marche dun portefeuille provient des variations des prix des actifs
financiers et de leur effet negatif sur la valeur financi`ere totale du portefeuille. Traduit en terme de rendement, les rentabilites des actifs deviennent alors des variables
aleatoires dont levolution future nest pas, `a priori, connue et quantifiable. Dans le cas
dune obligation2 , les fluctuations des taux dinterets modifient leur valeur de marche.
Ainsi le rendement Ri de lactif i est considere comme une variable aleatoire pouvant
prendre, `a linstant t, des valeurs aleatoires ri (t) dans un intervalle plus ou moins
determine.
Une action3 , comme tout autre produit financier, comporte des risques dont les plus
connus sont les risques lies `a lentreprise (liquidation judiciaire, baisse du chiffre daffaire, risques juridiques . . . ). On distingue habituellement deux grandes categories de
risques, le risque systemique et le risque specifique.
2
titre negociable representant tout ou partie dun pret octroyee `a une societe lors de lemission
dun emprunt
3
titre de propriete representant une part dune societe
Risque syst
emique
Le risque systemique, egalement appele systematique, correspond au risque qua
chaque investisseur quand il decide dacheter une action et ce quelque soit la societe
`a laquelle se rattache cette action. Il sagit en fait du risque de marche dans son
ensemble que nous avons lhabitude de mesurer par des indices boursiers (Cac40,
Dow-jones, Nikkei . . . ) censes refletes lactivite dun marche. Ce risque systemique est
considere comme un risque irreductible, intrins`eque au marche des actions.
Risque sp
ecifique
Contrairement au risque systemique, le risque specifique est lie `a une action en
particulier. Supposez que vous achetiez une valeur dite valeur Internet, outre le
risque systematique lie `a ce type dactions, la societe peut tr`es bien ne pas atteindre
les objectifs de croissance quelle setait fixee. Ceci aura un impact, le plus souvent
negatif, sur le cours de bourse de cette societe.
Ce risque specifique peut etre reduit au minimum en detenant un portefeuille identique
`a la composition dun indice de marche comme le Cac40. Ainsi seul subsistera le risque
systematique. Cest typiquement le cas de la gestion dite par benchmark4 qui g`ere des
portefeuilles repliquant des indices boursiers.
La gestion du risque est une composante tr`es importante de la gestion de portefeuille.
Elle intervient de plus en plus dans les processus de selection de portefeuille des gerants
de portefeuille et les differentes methodes de prevision du risque vont de lutilisation
des simples volatilites et correlations historiques entre actions aux mod`eles `a plusieurs
facteurs.
1.2.1
La volatilit
e historique
La volatilite a ete introduite par Markowitz ( [33]) dans son mod`ele fondateur
dallocation dactifs dit mod`ele Moyenne-Variance. Dans ce cadre, le risque dun
investissement provient du fait que les esperances de rendement ne sont pas toujours
realisees. La dispersion des rentabilites autour de leur moyenne estimee traduit alors
lincertitude du placement. Lecart-type , appele egalement volatilite5 , constitue une
mesure de cette incertitude.
4
5
indice de reference
lorsque les donnees financi`eres sont annualisees
Z+
=
(r r)2 fr (r)dr
(1.5)
T
1X
=
(r r(t))2
T t=1
(1.6)
Markowitz a utilise la variance en raison de ses proprietes statistiques qui permettent dexpliciter la variance P dun portefeuille `a partir des variances individuelles
i des N actifs le composant :
P2
N
X
i=1
i2 i2
+2
N
X
i j i j i,j
(1.7)
j=1 j 6=i
o`
u i,j 6 est le coefficient de correlation entre les rendements des actifs Ai et Aj .
Ce mod`ele a fait lobjet de deux principales critiques, du fait de deux hypoth`eses
fortes :
les rendements des actifs boursiers sont des variables aleatoires independantes
et identiquement distribuees suivant une loi normale (hypoth`ese utilisee pour
exprimer la variance dun portefeuille) ;
la prise en compte de mani`ere identique des variations positives autant que
negatives des rendements autour de leur moyenne.
1.2.2
La semi-variance
i,j =
1
T
T
P
t=1
1
i j
(ri ri ) (rj rj )
T
1X
(min (ri (t) ri ; 0))2
T t=1
(1.8)
Elle traduit lidee que leventualite dobtenir un rendement inferieur `a celui espere
doit etre consideree comme risquee. Par contre, la possibilite dobtenir un rendement
superieur au rendement attendu est un evenement favorable et non un risque.
La semi-variance est un cas particulier dune classe de mesure asymetrique du
risque appelee les moments partiels inferieurs7 , concept introduit par Bawa et Fishburn( [9], [23]).
Le moment partiel inferieur dordre et de rendement cible rcible dun actif A, se
defini dans le cas continu par :
LP M (, rcible ) =
rZcible
(r rcible ) fr (r)dr
(1.9)
(1.10)
1.2.3
Chapitre 2
Value-at-Risk VaR et Value-at-risk
Conditionnelle CvaR
Historiquement, la mesure du risque la plus utilisee a toujours ete la variance
ou une de ses derivees directes (ecart-type, semi-variance. . . ). Puis, les progr`es et
les recherches effectuees dans le domaine ont permis dutiliser des indicateurs plus
aboutis comme la Value-at-Risk (VaR) ou la Value-at-Risk conditionnelle (CvaR).
Nous presentons le concept de VaR qui correspond `a la notion statistique de quantile.
2.1
Introduction
10
11
2.2
D
efinition
La VaR est une mesure des risques correspondant, pour un horizon de gestion
donne, `a un montant de perte probable dun portefeuille ou dun ensemble de portefeuilles dinstruments financiers. La VaR exprime la perte liee `a des variations
defavorables attendues sur les differents marches financiers. Sa definition admise par
lensemble des investisseurs financiers est la suivante :
La VaR est la perte potentielle maximale quun portefeuille peut subir,
pour un horizon de temps donne et un niveau de probabilite donne, en
supposant que ce portefeuille reste inchange durant lhorizon specifie.
Par exemple, dire que la VaR dun portefeuille est de 25 millions deuros sur 1 jour
avec une probabilite de 5 % signifie quon estime quil y a seulement 5 % de chance
pour que la valeur de marche du portefeuille diminue de plus de 25 millions deuros
entre aujourdhui et demain. La traduction francaise Valeur `a Risque est souvent
trompeuse. En realite, il sagit dun niveau de perte atteint avec un certain niveau
de confiance de 95 % par exemple. Il ne sagit donc pas dune perte maximale, mais
dune perte maximale dans 95 % des cas.
Ce concept a initialement ete mis en place par les grandes banques dinvestissement americaines (JP Morgan, Chase Manhattan . . . ) et son utilisation sest particuli`erement developpee au cours des annees 90.
2.3
2.3.1
12
Les m
ethodes de calcul
Analyse historique (ou simulation historique)
2.3.2
La simulation de Monte-Carlo
13
2.3.3
La m
ethode des variances-covariances
Cette methode, mise en place par la banque JP Morgan, sest repandue `a travers
le monde sous limpulsion de sa filiale RiskmetricsTM . La methode des variancescovariances, aussi connue sous le nom de methode analytique, sest vite imposee
comme le standard de calcul de la VaR du fait des facilites de developpement disponibles dans tous les progiciels financiers. Mais, petit `a petit, les hypoth`eses de calcul
retenues par cette methode ont ete vivement critiquees et sa notoriete a diminue.
En effet, la methode analytique suppose que les variations des facteurs de risque
suivent une loi normale et utilise les proprietes statistiques de ce type de loi pour estimer la VaR. Or, cette hypoth`ese ne se verifie pas pour tous les instruments financiers
et notamment les produits derives complexes, comme les options.
Lobjectif de la methode analytique est destimer la variance du portefeuille `a partir de variances et de correlations standardisees pour certaines echeances et certains
produits. Cette etape supplementaire de decomposition du portefeuille en facteurs de
risques standards sappelle le mapping. Par exemple, une position en obligation de
maturite 2 ans sera decomposee en une position en zero-coupon 1 an, V 1, et une position en zero-coupon 2 ans, V 2. Les positions standards en produits de taux dinterets
sont les positions en zero-coupon.
Pour determiner la VaR, il faut alors prendre en compte les correlations entre les facteurs de risque standards, cest la matrice des variances-covariances. Les hypoth`eses
de cette methode sont :
1. la stationnarite des rendements des actifs,
2. lhypoth`ese de normalite des rendements, et
3. une decomposition lineaire des prix des actifs en facteurs de risques (mapping 1 ).
Appliquee `a un portefeuille dactifs, la matrice des variances-covariances peut devenir incalculable car de dimension trop elevee. Pour traiter le cas des actions, on
evalue plutot les actions par rapport `a des indices de references. Ainsi, la matrice des
1
Dans le cas dun portefeuille dactions, cela correspond simplement `a lecriture de la valeur du
portefeuille en la moyenne ponderee des prix de chaque actif
14
variances-covariances sexprime par rapport aux variations des indices et non plus par
rapport aux variations du prix des actions.
2.4
La methode proposee tout au long de ce travail est basee sur la modelisation des
distributions statistiques des rendements. On exprimera alors la VaR de notre portefeuille comme etant le rendement negatif potentiel maximal (en valeur absolue) 2
quun portefeuille peut subir, pour un horizon de temps donne et un niveau de probabilite donne, en supposant que ce portefeuille reste inchange durant lhorizon specifie.
Nous nous proposons de calculer une VaR `a 1, 5 et 10 jours pour un portefeuille
compose de trois actions.
Par definition, pour un seuil de confiance donne (95 % par exemple), la Value at
Risk correspond au montant de la perte potentielle sur une periode de temps fixee qui
ne sera depasse que dans (1 ) % des cas (5 %).
Considerons un portefeuille Pptf dont la valeur de marche est P et R la rentabilite
` lissue de cette periode de temps
(logarithmique) de ce portefeuille sur un horizon h. A
h, la valeur du portefeuille Pptf est P (1 + R). Si le rendement obtenu R est negatif,
nous constatons une perte egale `a RP . Pour un portefeuille fixe sur la periode h, le
calcul de la perte maximale probable depend alors essentiellement de la distribution de
la variable aleatoire R. Il faut donc etre capable dobtenir le quantile qui correspond
au niveau de confiance voulu pour la VaR.
En notant ce niveau de confiance choisi, ce montant verifie la probabilite (2.1) :
P R < RV aR = 1
(2.1)
Ainsi, la VaR peut etre definie comme etant le rendement negatif maximal (en valeur
absolue) sur un horizon de h jours avec une probabilite pV ar = 1 . En supposant
que nous ayons modelise la fonction de densite du rendement dun portefeuille, la VaR
se determine alors en integrant cette fonction de densite sur lintervalle , rV aR
selon lequation (2.2) :
rZV aR
pV aR =
fr (r) dr = 1
(2.2)
15
par :
V aR = rV aR P
2.5
(2.3)
Value-at-risk conditionnelle
La principale critique faite `a lencontre de la VaR est quelle nest pas une mesure
de risque additive. Atzner ( [5]) enonce un ensemble daxiomes quune mesure de
risque dite coherente doit verifier. Il montre ainsi que la VaR ne respecte pas laxiome
dadditivite. Prenons lexemple dun investisseur qui g`ere deux portefeuilles distincts.
Sous certaines conditions, on montre que la VaR de la somme des deux portefeuilles
est superieur `a la somme des VaR de chaque portefeuille. Cette caracteristique est
contraire au principe de diversification en finance.
Une seconde critique de la VaR est due `a sa definition meme. Cest la mesure dune
perte maximale potentielle avec un certain niveau de confiance. Une VaR `a 95 %
ne donne aucune idee de lampleur de la perte si cette perte potentielle depasse le
quantile fixe `a 5 %. On a donc defini une mesure complementaire du risque de perte,
la VaR conditionnelle CvaR3 . Pour une variable aleatoire X, elle est definie par :
CvaR = E [X |X < V aR (X)]
(2.4)
Conditional Value at Risk appelee egalement Expected Shortfall ou Conditional Tail Expectation
16
rV aR , soit
rCvaR = E r|r < rV aR
Z rV aR
rfrV aR (r)dr
=
=
Z rV aR
En posant
c=
dr
(2.7)
rfr (r)dr
(2.8)
fr (r)dr
r V aR
fr (r)dr
1
r VRaR
(2.6)
rfr (r) R rV aR
= R rV aR
(2.5)
fr (r) dr
1
pV aR
(2.9)
on obtient alors :
r
CvaR
1
pV aR
r V aR
rfr (r)dr
(2.10)
Chapitre 3
Donn
ees financi`
eres
Ce chapitre est consacre `a la presentation et `a letude statistique des donnees financi`eres que nous allons utiliser tout au long de cette etude. Dans un premier temps,
nous presentons les trois indices de marche retenus. Ensuite, nous effectuons une analyse statistique de leurs series de rendements calcules pour des periodes de detention
de 1, 5 et 10 jours.
Les tests statistiques utilises visent `a determiner si ces series ont les proprietes suivantes :
stationnarite,
les observations forment un echantillon independant et identiquement distribues,
hypoth`ese dite iid,
de distributions gaussiennes.
En effet, nous rappelons que nous travaillons sur des series temporelles. Lestimation
des grandeurs statistiques `a laide des grandeurs temporelles necessitent la verification
dune part de la stationnarite et dautre part que lechantillon est iid. Enfin, le dernier
test de stationnarite nous conduire `a proposer des modelisations non gaussiennes des
rendements des actifs.
3.1
17
18
3.1.1
Lindice CAC40
Lindice Cac401 est le principal indicateur boursier des actions francaises sur la
place parisienne. Cree par la Compagnie des Agents de Change, il est determine `a
partir des cours de quarante actions cotees en continu2 sur le Premier Marche parmi
les 100 societes les plus capitalisees. Il a ete lance officiellement en 1988 avec pour base
une valeur de 1 000 points le 31 decembre 1987. Il a atteint son maximum en lan 2000
(plus de 6 900 points) avant de seffondrer apr`es leclatement de la bulle speculative
relative internet. Suite `a cet effondrement, il a atteint son plus bas niveau, historique
sur la decennie 1996 - 2006, en mars 2003 `a 2 400 points. Courant janvier 2006, il
a franchi la barre des 4 800 points avant damorcer un leger repli, puis de depasser
enfin la barre des 5 000 points, revenant ainsi `a un son niveau historique du debut de
lannee 2000.
3.1.2
Lindice DAX30
Lindice allemand Dax303 , indicateur de la bourse de Francfort, inclut trente valeurs representant environ 70 % de la capitalisation totale et 80 % des transactions
sur les actions. Les crit`eres determinant lentree dune action dans le Dax30 sont
le poids boursier de la valeur, limportance du volume des transactions et le chiffre
daffaire de la societe. Il a ete lance le 1er janvier 1989 et a egalement pour base 1
` la difference de lindice CAC40, il est ajuste pour
000 points au 31 decembre 1987. A
tenir compte des dividendes verses par les societes qui le composent.
3.1.3
Lindice BEL20
Lindice Bel20 est lindice des actions des vingt entreprises belges les plus importantes admises `a la cote de la bourse des valeurs mobili`eres de Bruxelles. Les vingt
societes sont selectionnees sur la base de leur volume de transaction et de leur capitalisation boursi`ere totale (capital flottant).Il porte egalement le nom dindice Euronext
1
Compagnie des Agents de Change ou egalement Cotation Assistee par Ordinateur des quarante
valeurs
2
lindice est mis `
a jour toutes les 30 secondes pendant la journee de 9h00 `a 17h30
3
Deutsche Aktienindex
19
8000
8000
Indice BEL20
Indice CAC40
Indice DAX30
7000
7000
6000
6000
5000
5000
4000
4000
3000
3000
2000
2000
2000
2001
2002
2003
2004
2005
2006
3.1.4
Evolution
des indices entre le 04/01/99 et le 15/05/06
Le graphique (3.1) trace levolution des indices sur la periode consideree. On peut
constater la chute des indices Cac40 et Dax30 `a partir du second trimestre 2000 suite `a
leclatement de la bulle Internet. Nos trois indices ont egalement atteint leur plus bas
` loppose,
niveau, historique entre 1996 et 2006, `a des dates proches de mars 2003. A
on note la relative robustesse de lindice Bel20 qui ne perd que 2 200 points sur cette
periode de baisse continue que lon peut expliquer par sa faible exposition aux secteurs
de la communication et de linternet avant leclatement de la bulle speculative.
Afin detablir nos series temporelles de rendement des indices, la fenetre dobservation choisie correspond `a un historique denviron 2,5 annees de cotations quotidiennes
et setend du 2 janvier 2004 au 12 mai 2006. Ceci correspond `a un echantillon de 618
observations 4 quotidiennes pour chaque indice de marche5 .
Par la suite, nous consid
erons un portefeuille fictif P compos
e de trois
actifs financiers de m
eme poids dans le portefeuille. Ces trois actifs de type
4
le choix de cette periode est enti`erement subjectif et resulte dun compromis entre statistique
significative et stationnarite des observations
5
ceci afin de nous permettre dobtenir 608 rendements dhorizon 1 jour, 5 jours et 10 jours
20
egaux `
a leur indice.
3.2
3.2.1
Tests statistiques
Introduction
` partir des indices precedents, sur la periode allant du 2 janvier 2004 au 12 mai
A
2006, nous avons calcule les rendements logarithmiques `a 1 jour, 5 jours et 10 jours
en utilisant la formule (3.1).
h Ri
(t) = ln
Pi (t)
Pi (t h)
, h6 = 1,5,10 ; i7 = 1,2,3
(3.1)
Les tests statistiques ont ete realises `a laide du logiciel deconometrie EViews. Nous
prendrons en general un niveau de confiance de 95 %. Dans la suite de ce chapitre,
nous presentons les test statistiques en utilisant la notation generique (Rt )t=1..T .
3.2.2
Tests de stationnarit
e Philipps-Perron et KPSS
Pour pouvoir travailler avec des donnees temporelles, celles-ci doivent conserver
une distribution constante dans le temps8 . De facon generale, on dit quune serie
temporelle est stationnaire lorsque les valeurs prises par cette serie sont issues dun
processus dont les proprietes en terme de moments (ou de loi) sont invariantes dans
le temps. Ceci signifie que la loi du couple (Rt , Rt+ ) depend de mais pas de t.
Un exemple de serie stationnaire est la serie R9 definie par Rt = + t qui poss`ede
` loppose la serie definie par
une valeur moyenne autour de laquelle elle fluctue. A
Rt = Rt1 + + t , o`
u t est une suite de variables aleatoires centrees de meme
variance et independantes10 , nest pas stationnaire.
En econometrie, on montre que si une serie de donnees poss`ede une racine unitaire
(i.e. est non-stationnaire), cela implique quun choc sur cette serie a un effet persistent
` loppose, si la serie est stationnaire, les chocs ne peuvent quavoir
dans le temps. A
un effet temporaire.
La presentation des tests sera succincte car leur explication compl`ete necessite lin6
21
PP
KPSS
1 % -3,973 0.216
5 % -3,417 0,146
10 % -3,131 0,119
Tableau 3.1 Seuils critiques - Statistiques PP et KPSS
troduction de concepts econometriques11 sortant du cadre de cette etude.
Nous etudions les series temporelles des rendements `a 1 jour, 5 jours et 10 jours
(figures 3.2 et 3-annexe 2).
Les tests PP et KPSS
Pour valider la stationnarite des donnees, nous avons utilise deux tests classiques
couramment utilises en econometrie, le test PP12 et le test KPSS13 :
Le test PP consid`ere lhypoth`ese nulle H0 la serie presente des racines unitaires (cest-`a-dire est non-stationnaire) contre lhypoth`ese alternative. Cest
un test unilateral `a gauche qui rejettera lhypoth`ese nulle pour de faibles valeurs de la statistique de test,
Le test KPSS teste lhypoth`ese nulle H0 la serie est stationnaire contre lhypoth`ese alternative. Cest un test unilateral `a droite qui rejettera lhypoth`ese
nulle pour de grandes valeurs de la statistique de test.
Pour chacun de ces tests, les valeurs critiques pour les differents seuils significatifs
sont indiquees dans le tableau (3.1). En utilisant ces valeurs critiques ainsi que les
r`egles de rejet precedentes, nous obtenons les resultats indiques dans le tableau (3.2).
La figure (3.3) montre les calculs realises sous EViews pour les series de rendements `a
5 jours de lindice Bel20. On trouvera en annexe 3 les tests de stationnarite des series
`a 1 et 10 jours. Au seuil = 5%, nous concluons donc que les series de rendements `a
1, 5 et 10 jours sont toutes stationnaires.
3.2.3
Tests dind
ependance et de distribution identique
Nous avons utilise les tests classiques nommes test de la Mediane et test des Up
and Down. Nous exposons ces deux tests pour une serie de rendements R (t)t=1...T .
Lhypoth`ese nulle H0 commune au deux tests est : les (Rt )t=1...T forment un echantillon
` partir de cette suite, on
de rendements independants et identiquement distribues. A
11
22
.02
Signal Rendement Indice BEL20 5 jours
.01
.00
-.01
-.02
-.03
100
200
300
400
500
600
.02
Signal Rendement Indice CAC40 5 jours
.01
.00
-.01
-.02
-.03
100
200
300
400
500
600
.03
Signal Rendement Indice DAX30 5 jours
.02
.01
.00
-.01
-.02
-.03
-.04
100
200
300
400
500
600
Figure 3.2 Series des rendements `a 5 jours des indices Bel20, Cac40 et Dax30
Indice
Bel20
Bel20
Bel20
Cac40
Cac40
Cac40
Dax30
Dax30
Dax30
h
1j
5j
10j
1j
5j
10j
1j
5j
10j
23
Tableau 3.2 Tests de stationnarite sur les rendements des indices boursiers
Figure 3.3 Test PP & KPSS des rendements `a 5 jours de lindice BEL20
24
(esperance
suit une loi normale centree reduite (0; 1) avec E(RZ ) = T +1
2
V (RZ )
o`
u q1 2 est le quantile dordre (1 ) dune loi normale (0; 1)14 .
Test des Up and Down
Dans ce test, on calcule la quantite RW qui est le nombre total de sequences
de 1 et de 0 dans la suite Z (t)t=1...T 1 . Sous lhypoth`ese H0 , la statistique de test
W E(RW )
W = R
suit une loi normale centree reduite (0; 1) avec E(RW ) = 2T31
V (RW )
1
2
o`
uq
1
2
R
esultats
Le tableau (3.3) indique les valeurs prises par les statistiques de test Z et W pour
nos 9 series de rendements. Bien que le test des Up and Down conduise `a rejeter
lhypoth`ese nulle pour les rendements `a 10 jours des indices Cac40 et Dax30, nous
decidons daccepter lhypoth`ese nulle dindependance et de distribution identique pour
nos rendements `a 1, 5 et 10 jours, ceci avec un niveau de confiance de 95 %.
14
25
h
1j
5j
10j
1j
5j
10j
1j
5j
10j
Z
0,041
0,446
0,746
1,339
1,015
1,203
1,496
1,664
1,784
W
Test Mediane Z
0,482
Acceptation
1,021
Acceptation
1,925
Acceptation
0,674
Acceptation
0,809
Acceptation
2,028
Acceptation
0,693
Acceptation
0,925
Acceptation
2,325
Acceptation
Test Up-Down W
Acceptation
Acceptation
Acceptation
Acceptation
Acceptation
Rejet
Acceptation
Acceptation
Rejet
Tableau 3.3 Tests de la mediane et des Up and Down observes sur les rendements
des indices boursiers
3.2.4
Tests de normalit
e
Le test le plus classique, dit test Jarque-Bera est un test de normalite fonde sur
les proprietes dasymetrie skewness 15 et daplatissement kurtosis 16 . Soit (Rt )t=1..T une
T
P
k le moment centre dordre k.
serie temporelle et k = T1
Rt R
t=1
1/
Le coefficient dasymetrie est 1 2 = 33 et le coefficient daplatissement est 2 = 24 .
2
/
2 2
Si la distribution est gaussienne et le nombre dobservations T grand, nous avons les
convergences en loi suivantes :
1/
1 2 0;
et
2 3;
r !
6
T
24
T
T 1/2 2 T
L
(2 3)2 22
1
+
T
6
24
Plus la valeur du 2 est importante, moins lhypoth`ese nulle de normalite des donnees
` laide de ce test et pour un degre de signification , lhypoth`ese
est vraisemblable. A
H0 sera rejetee si la valeur de la statistique TJB calculee sur les echantillons Ri (t) est
15
16
moment dordre 3
moment dordre 4
26
h
1j
5j
10j
1j
5j
10j
1j
5j
10j
-
Kurtosis21
5,0841
4,4752
4,6036
3,8459
3,4832
3,5850
3,8736
4,019
4,1639
3
TJB
153,55
101,73
120,86
30,97
22,46
61,93
36,94
51,85
97,15
Tableau 3.4 Statistiques observees sur les rendements des indices boursiers
superieure au quantile dordre dune distribution suivant un 2 `a deux degres de
liberte. Pour un seuil de confiance de 95 % ( = 5%), la valeur de la statistique de test
TJB ne doit pas depasser 5,99117 . Pour un seuil de 99 % ( = 1% ), elle ne doit pas
depasser 9,2118 . Les histogrammes nous indiquent les differents moments (moyenne,
ecart-type, . . . ) des series etudiees ainsi que la probabilite que les statistiques TJB
soient egales aux valeurs observees19 . Nous rappelons que pour une distribution normale, le coefficient dasymetrie (skewness) est egal `a 0 et le coefficient daplatissement
(kurtosis) est egal `a 3.
Les distributions empiriques sont indiquees par les figures (3.4, 3.5, 3.6 et 2-annexe
1), et resumees dans le tableau (3.4).
Rendements Indice BEL20
Dans le cas de lindice Bel20, lhistogramme des rendements nous indique la
presence dune queue de distribution importante pour des rendements negatifs. Les
tests de normalite de Jarque-Bera du tableau 3.522 indiquent des valeurs largement
superieures `a la valeur critique du 2 . Ceci nous conforte dans lidee de rejeter lhypoth`ese de normalite des rendements `a 1, 5 et 10 jours de lindice Bel20.
Rendements Indice CAC40
Dans le cas de lindice Cac40, le skewness et le kurtosis sont plus faibles et
voisins dune loi gaussienne. Toutefois, ils restent statistiquement eleves et on note la
17
27
140
Series: RDT_BEL20_05J
Sample 1 608
Observations 608
120
100
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
80
60
40
20
Jarque-Bera
Probability
0
-0.03
-0.02
-0.01
0.00
0.002045
0.002693
0.017262
-0.027977
0.006148
-0.678108
4.475219
101.7284
0.000000
0.01
JB
h ti=1
Resultat
153,55
Rejet
101,73
Rejet
120,86
Rejet
100
80
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
60
40
20
Jarque-Bera
Probability
0
-0.02
-0.01
0.00
0.01
0.001429
0.001911
0.018491
-0.024515
0.006711
-0.404076
3.483154
22.45923
0.000013
0.02
28
JB
h ti=2
Resultat
30,97
Rejet
22,46
Rejet
61,93
Rejet
80
70
60
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
50
40
30
20
Jarque-Bera
Probability
10
0
-0.025
0.000
0.001563
0.002280
0.026823
-0.036617
0.008455
-0.502296
4.018600
51.85097
0.000000
0.025
3.3
Corr
elations
Nous terminons cette analyse statistique en etablissant les matrices des correlations
empiriques (figures 3.8, 3.9 et 3.10) qui nous indiquent la presence de liens forts de
dependances de nos rendements boursiers, ceci quelque soit la periode de 1, 5 ou 10
jours. Les tests statistiques precedents nous conduisent `a conclure que :
h (en jour)
1
5
10
JB
h ti=3
Resultat
36,94
Rejet
51,85
Rejet
97,15
Rejet
29
- Bel20
- Cac40
- Dax30
- Bel20
100 %
80,39 %
54,26 %
1 Ri=2
- Cac40
100 %
61,59 %
1 Ri=3
- Dax30
100 %
30
Nous avons choisi dexplorer une autre voie en utilisant une technique utilisee en
traitement du signal. En considerant nos series de rendements comme des signaux physiques (voir les figures 3.2) dont les ingenieurs en traitement du signal sont familiers,
nous allons faire usage de la technique dite danalyse en composantes independantes.
Le chapitre suivant est consacre `a lexposition de cette technique et son application `a
nos series de rendements.
Chapitre 4
LAnalyse en Composantes
Ind
ependantes
LAnalyse en Composantes Independantes1 ACI est une technique issue du traitement des signaux. Elle consiste en lobtention, par operation lineaire, de variables
independantes au sens statistique, ceci `a partir dun ensemble de signaux physiques.
Il sagit donc de rechercher une transformation lineaire qui minimise la dependance
statistique entre les composantes dun vecteur aleatoire.
Dans ce chapitre, nous allons utiliser lACI afin de trouver une combinaison lineaire
des trois series de rendements qui les rendent independants au sens statistiques. Par
abus de langage, nous appellerons ces series independantes les rendements sources.
Pour une presentation compl`ete de lanalyse en composantes independantes, nous
invitons le lecteur `a consulter [18], [25], [26], [28] ou [29].
Cette methode est couramment utilisee en traitement du signal et a ete appliquee
pour la premi`ere fois sur des donnees financi`eres par Back et Weigend dans [7] et [8].
4.1
Description
31
32
Figure 4.1 Probl`eme de la separation de sources vu par Gotlib dans les Dingodossiers ( [1])
independamment les unes des autres, nous placons aussi trois microphones. Sur les
enregistrements sonores, nous allons pouvoir entendre les voix des trois personnes superposees les unes sur les autres. Lobjectif de la separation aveugle est de retrouver
(ou separer) les voix `a partir des enregistrements sonores. Il sagit alors de reproduire
la capacite de loue humaine `a discriminer des sources sonores dans des environnements plus ou moins bruites.
Figure 4.2 Schema de lACI. Des signaux sources s sont melanges aux travers
dune matrice A pour former des signaux observes x. La matrice de separation W
transforme les signaux observes x en composantes independantes formant le signal y
De mani`ere plus formelle, on consid`ere quun ensemble de signaux observes3 (ou vec3
on supposera dans notre cas que les signaux ne sont pas bruites
33
teur observation) notes x(t) est issu dun melange lineaire de sources originales notees
s(t) independantes statistiquement. Le melange lineaire est represente par une matrice de melange notee A et illustre par la figure (4.2).
La figure (4.3) presente ce probl`eme dans le cas de la separation de sources sonores :
les signaux percus par chaque microphone xi (t) sont supposes etre, `a tout instant, la superposition lineaire4 des trois signaux sonores si (t). Les voix captees
sont des signaux melanges pour lesquels on souhaite obtenir les voix originelles
dans le but par exemple de ne suivre quune conversion entre deux personnes.
On essaye alors de realiser une separation du son.
apr`es determination de la matrice de melange A et obtention de la matrice
inverse W = A1 , on peut reconstituer les signaux sources si (t).
n
X
aij sj (t)
(4.1)
j=1
on suppose dans ce cas quil ny a pas de retard dans la propagation des ondes sonores
34
ce probl`eme par :
min I(A1 X)
AGL(n)
o`
u I(Y ) est une mesure de la dependance des coordonnees dun vecteur aleatoire Y , A
est une matrice carree inversible de taille n et n est le nombre de sources. Les methodes
de resolution aboutissent `a trouver une matrice W dite matrice de separation qui est
linverse de la matrice A.
Avant daborder les principes mathematiques de lACI, et pour rendre le principe plus claire, nous pouvons faire une comparaison avec lanalyse en composantes
principales ACP.
4.2
35
doivent etre nuls. Dun point de vue technique, lACP se limite alors `a la minimisation des co-moments de second ordre, appeles covariances. Par contre, lACI minimise
tous les co-moments dordre superieur pour obtenir des axes independants meme si
en pratique on se limite `a calculer les co-moments dordre 4.
4.3
4.3.1
Mesure de lind
ependance statistique
D
efinition
(4.2)
La loi marginale de chaque composante j est telle que Fj (xj ) = P (Xj 6 xj ). On dit
alors que les X1 , . . . , Xd sont statistiquement independants si et seulement si
F (x1 , . . . , xd ) = F1 (x1 ) F2 (x2 ) . . . Fd (xd )
(4.3)
Ainsi lindependance se traduit par le fait que la distribution conjointe est egale au
produit des distributions marginales.
4.3.2
Les Cumulants
x (u) = E e
Z+
=
ejux px dx
(4.4)
36
(4.5)
4.4
Applications
Afin de faciliter les calculs formels que nous verrons au chapitre six, nous raisonnons sur des donnees centrees et reduites. Nous avons donc applique lalgorithme
6
37
jadeR sur les series des rendements, apr`es centrage et reduction, notees
CR
h Ri
avec i = 1 pour lindice Bel20, i = 2 pour lindice Cac40 et i = 3 pour lindice Dax30.
4.4.1
S
erie des rendements `
a 5 jours
Matrice de s
eparation
Pour les observations des rendements `a 5 jours, les matrices estimees de separation
elange h A, h=5 obtenues sont les suivantes :
h W et de m
1, 2911 0, 23566
5 W = 1, 4073
0, 4411 2, 0174 1, 7227
et
0, 9246 0, 0179
0, 3782
0, 4124
5 A = 0, 7948 0, 6228
1, 1675 0, 7247 0, 0007
(4.6)
(4.7)
Sources obtenues
Nous supposons alors quil existe trois series temporelles sources 5 S1 , 5 S2 et 5 S3 qui,
apr`es loperation lineaire 5 A5 S(t) nous donnent les rendements observes 5 R1 , 5 R2 et
5 R3 .
Ces series sources peuvent alors se reconstruire par loperation inverse :
5S
Ces series que nous appellerons signaux sources sont representees par les figures (4.4
et 20-annexe 5).
Mesure de lind
ependance
Afin de verifier lindependance des sources, nous avons calcule les cumulants croises
`a lordre 4 et avons obtenus :
pour les rendements sources -4 000,7 (1 jour), -3 161 (5 jours) et -2 106 (10
jours)
38
.03
.01
.02
.00
.01
-.01
.00
-.02
-.01
-.03
IC2_05J
IC1_05J
-.04
-.02
100
200
300
400
500
600
100
200
300
400
500
600
.03
.02
.01
.00
-.01
IC3_05J
-.02
100
200
300
400
500
600
- IC1 5J
- IC2 5J
- IC3 5J
- IC1 5J
100 %
0.0007 %
0.0003 %
5 Si=2
- IC2 5J
100 %
-0,0005 %
5 Si=3
- IC3 5J
100 %
39
- IC1 1J
- IC2 1J
- IC3 1J
- IC1 1J
100 %
-0.0000 %
-0.0001 %
1 Si=2
- IC2 1J
1 Si=3
100 %
-0,0002 %
- IC3 1J
100 %
- IC1 10J
S
10 i=2 - IC2 10J
10 Si=3 - IC3 10J
- IC1 10J
100 %
-0.0001 %
-0.0004 %
10 Si=2
- IC2 10J
10 Si=3
100 %
0,0003 %
- IC3 10J
100 %
4.4.2
S
erie des rendements `
a 1 et 10 jours
(4.8)
0, 91134 0, 83163
1 W = 0, 0053327
1, 466
1, 1384 0, 26845
et
0, 94919 0, 28153
0, 13466
0, 5131 0, 56041
1 A = 0, 97022
1, 0693 0, 63837 0, 61326
(4.9)
2, 5499 1, 0234
10 W = 0, 85788
1, 2831
0, 6905 1, 5199
et
0, 92816 0, 21761
0, 2992
(4.10)
(4.11)
Les matrices des correlations sont indiquees aux tableaux (4.2) et (4.3). La figure (20annexe 4) montre les signaux sources obtenus `a partir des matrices (4.8) et (4.10) et
des rendements centres reduits 1 RCR et 10 RCR .
4.5
40
Conclusion
Chapitre 5
Mod
elisation par m
elange fini de
lois gaussiennes
Apr`es avoir obtenu des series temporelles h S jugees independantes, se pose la
question de la modelisation de leurs distributions statistiques. Nous proposons ici
dutiliser la modelisation par melange gaussien pour les raisons suivantes :
1. dune part, tenter de modeliser les queues de distribution observees (voir les
histogrammes empiriques (5.1),
2. dautre part, conserver une ecriture mathematique pratique des densites des
rendements.
Dans un premier temps, nous presentons le mod`ele dit des melanges gaussiens finis,
puis nous exposons lalgorithme EM1 utilise pour resoudre ce type de probl`eme statistique. Cet expose sera succinct car les theories sous-jacentes depassent le cadre de
ce memoire. Enfin, nous presentons les modelisations obtenues `a partir des donnees
initiales.
5.1
Mod
elisation
Expectation-Maximization
41
5.1.1
42
Formalisation math
ematique
Le mod`ele de melange consiste `a supposer que les observations S(t) sont des
realisations de variables aleatoires mutuellement independantes et distribuees selon la
meme famille de loi. Ainsi, la densite dun melange correspond `a la superposition de
densites dun meme type de loi. En notant f la densite de S, nous avons :
f (s) =
K
X
k fk (s)
(5.1)
k=1
o`
u K est le nombre de densites et k le poids de chaque densite dans la densite finale.
Nous souhaitons modeliser la densite s dune composante independante S par un
melange de lois gaussiennes. Ceci revient `a ecrire lequation (5.1) sous la forme :
s=
K
X
k=1
k (k , k )
(5.2)
Bien entendu, sagissant dune densite de probabilite, nous posons la contrainte ( 5.3) :
K
X
k = 1
(5.3)
k=1
Il est utile de remarquer quil ne sagit pas de modeliser S par une somme de variables
aleatoires gaussiennes mais plutot de modeliser sa densite s par une somme de densites
gaussiennes. Ainsi, il sagit de determiner le nombre de densites K et les K triplets
(k , k , k )
5.1.2
Mod
elisation math
ematique
43
K
X
g (S |u ) =
(5.4)
k=1
K
X
k=1
K
X
k I{U =k}
k=1
K
X
k fk (s).I (5.5)
k=1
K
X
k fk (s)
(5.6)
k=1
Cette equation (5.6) correspond `a lequation (5.1) qui definit le mod`ele de melange. Il
est donc equivalent `a un mod`ele dans lequel on suppose que les donnees sont reparties
aleatoirement et independamment les unes des autres en K classes. Chaque classe est
caracterisee par une distribution differente fs . Ainsi la variable indicatrice U est une
donnee constitutive du probl`eme qui presente linconvenient majeur detre manquante.
On observe donc des realisations du vecteur aleatoire S sans connatre quelle est la
classe du melange associee `a chaque observation. Au sens de lalgorithme EM, la
variable aleatoire U constitue une donnee manquante (ou cachee).
5.1.3
Algorithme EM
Fonction de vraisemblance
Lutilisation de la methode statistique du maximum de vraisemblance conduit `a
ecrire la fonction de vraisemblance sous la forme (voir [12]) :
F (S; ) =
T X
K
Y
k fk (s (t))
(5.7)
t=1 k=1
o`
u S = (s1 , . . . sT ) est lensemble des T valeurs dont on dispose pour estimer les
param`etres du mod`ele et regroupe les param`etres du mod`ele `a estimer, cest-`a-dire
` ce stade, les difficultes destimation du mod`ele sont les
les K triplets (k , k , k ). A
2
44
suivantes :
1. la determination du nombre de densite K `a prendre en compte
2. maximiser une fonction ayant lexpression (5.7) est delicat car elle nest pas de
forme convexe et nadmet donc pas, `a priori, de maximum unique.
Principe
Lalgorithme EM3 ou algorithme Esperance - Maximisation est lune des methodes
de maximisation de la vraisemblance de la fonction F (S; ). Toutefois, il nexiste pas
de methode automatique permettant de determiner le nombre de densite K `a utiliser.
Nous avons utilise differents param`etres initiaux et avons conserver ceux pour lesquels
lalgorithme EM converge.
Sans entrer dans les details, lalgorithme EM est de type iteratif o`
u chaque iteration
comporte les deux etapes suivantes :
Etape
E-Expectation : lors de cette etape, on formule la quantite Qn ()
definie par Qn () = E [log H (S, U, ) |S; n ] qui est lesperance de la logvraisemblance,
Etape
M-Maximization : lors de cette etape, on recherche la valeur n+1 qui
maximize la quantite Qn ()
n+1 = arg max Qn ()
o`
u n designe la valeur estimee des param`etres du mod`ele `a la ne iteration. S designe
lensemble des donnees observees, U lensemble des donnees latentes associees et H
la fonction de vraisemblance conjointe des donnees observees et latentes.
La propriete la plus importante de lalgorithme EM est que la suite des valeurs
estimees n est construite de mani`ere `a ce que la vraisemblance des donnees observees
augmente `a chaque iteration.
Une seconde propriete de lalgorithme EM est quil permet de calculer le gradient
de la fonction de vraisemblance aux points n . Cette propriete permet dassurer la
convergence de lalgorithme puisquelle implique que les points stables de lalgorithme
soient des points stationnaires de la vraisemblance. Toutefois, comme tout processus
de recherche dextrema, le comportement de lalgorithme EM depend fortement de la
valeur initiale 1 de lalgorithme.
3
45
100
Series: IC1_05J
Sample 1 608
Observations 608
100
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
80
60
40
Series: IC2_05J
Sample 1 608
Observations 608
80
0.001752
0.002257
0.017319
-0.030799
0.006153
-0.793219
5.194172
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
60
40
0.000665
0.000580
0.026827
-0.016422
0.006153
0.185538
3.290789
20
20
Jarque-Bera
Probability
0
-0.0250
-0.0125
0.0000
185.7232
0.000000
Jarque-Bera
Probability
0.0125
-0.01
0.00
0.01
5.630491
0.059890
0.02
50
Series: IC3_05J
Sample 1 608
Observations 608
40
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
30
20
0.001092
0.001299
0.021069
-0.017535
0.006153
-0.043226
3.188721
10
Jarque-Bera
Probability
0
-0.01
0.00
0.01
1.091607
0.579376
0.02
5.2
Applications
Les histogrammes empiriques des series sources S(t) pour une periode de 5 jours
sont indiquees par les figures (5.1) et (21-annexe 5).
Selon le test de normalite de Jarque-Bera, lhypoth`ese de normalite de la deuxi`eme
(IC3 05J) et troisi`eme composante independante (IC3 05J) peut etre acceptee. Les
p-values obtenues de 5,98 % et 57,94 % nous indiquent que cette hypoth`ese nest pas
rejetee avec un niveau de confiance confortable.
Les modelisations par melange gaussien ont ete realisees `a laide de la biblioth`eque
de fonction mixdist4 disponible sous le logiciel statistique libre R5 . Comme tout
probl`eme doptimisation, lalgorithme EM necessite un bon parametrage des conditions initiales. Pour chacune des modelisation par melange gaussien, il existe peut-etre
dautres representations equivalentes ou meilleur. Le crit`ere darret a ete lobtention
dune statistique du test dadequation `a une loi (test du 2 ) satisfaisante.
En r`egle generale, les meilleurs ajustements ont ete obtenus avec des melanges `a
deux densites gaussiennes.
4
5
http ://www.math.mcmaster.ca/peter/mix/mix.html
http ://www.r-project.org
46
5.2.1
Composantes sources `
a 5 jours 5 S
Composante n1 - IC1 05
Le meilleur ajustement a ete obtenu avec un melange de deux densites gaussiennes.
En notant ( i, j, h)(i,j,h , i,j,h , i,j,h ) la densite gaussienne nj, relative `a la composante independante ni pour un rendement `a h jour(s), le tableau (5.1) indique les
param`etres obtenus pour le melange.
IC1 05J
1,1,5
1,2,5
0,057017
0,94298
-0,007984 0,002341
0,0097468 0,0052915
50
40
Density
10
20
30
50
40
30
0
10
20
Density
Densit Mlange
Gaussienne 1
Gaussienne 2
60
70
Densit mlange
Densit gaussienne
60
70
0.03
0.02
0.01
0.00
IC1_05J
0.01
0.02
0.03
0.02
0.01
0.00
0.01
0.02
IC1_05J
47
2,1,5
2,2,5
0,77038
0,22962
-0,000001 0,002893
0,0056569 0,0071414
70
70
60
Density
30
40
50
Densit Mlange
Gaussienne 1
Gaussienne 2
10
20
30
0
10
20
Density
40
50
60
Densit mlange
Densit gaussienne
0.01
0.00
0.01
0.02
IC2_05J
0.01
0.00
0.01
0.02
IC2_05J
Composante n3 - IC3 05
Une modelisation basee sur deux densites gaussiennes semble etre la meilleure et,
comme pour la composante IC2 05, la modelisation par melange gaussien ne semble
pas, `a premi`ere vue, apporter de valeur ajoutee par rapport `a la densite gaussienne
empirique.
IC3 05J
3,1,5
3,2,5
0,63656
0,36344
-0,002454 -0,001293
0,0056569 0,006245
5.2.2
Composantes sources `
a 1 et 10 jours 1 S et
10 S
48
50
40
Density
10
20
30
50
40
30
0
10
20
Density
Densit Mlange
Gaussienne 1
Gaussienne 2
60
70
Densit mlange
Densit gaussienne
60
70
0.01
0.00
0.01
IC3_05J
0.02
0.01
0.00
0.01
0.02
IC3_05J
1,1,1
1,2,1
0,1124
0,8876
-0,002084 0,000696
0,0045826 0,0022361
0,52821
0,47179
-0,000049
0,001
-0,00044 0,003873
Tableau 5.5 Param`etres du
IC3 01J
5.3
Conclusion
Nous avons modeliser les densites des rendements sources par des melanges de
densites gaussiennes. Toutefois, certains melanges gaussiens napportent pas beaucoup
plus dinformation que la densite gaussienne empirique. Cest la cas des modelisations
des composantes sources IC3 01J, IC3 05J.
Nous allons maintenant exploiter lhypoth`ese dindependance afin dobtenir des
expressions analytiques de la VaR et de la CvaR. Cest lobjectif du chapitre suivant.
49
100
150
Densit Mlange
Gaussienne 1
Gaussienne 2
50
Density
100
0
50
Density
150
Densit mlange
Densit gaussienne
0.010
0.005
0.000
0.005
0.010
IC1_01J
0.005
Densit Mlange
Gaussienne 1
Gaussienne 2
150
Density
50
100
100
150
200
Densit mlange
Densit gaussienne
200
0.000
IC1_01J
50
Density
0.005
0.015
0.010
0.005
0.000
0.005
0.010
0.015
0.010
0.005
0.000
0.005
0.010
IC2_01J
150
150
IC2_01J
50
Density
100
Densit Mlange
Gaussienne 1
Gaussienne 2
50
Density
100
Densit mlange
Densit gaussienne
0.010
0.005
0.000
IC3_01J
0.005
0.010
0.010
0.005
0.000
0.005
0.010
IC3_01J
50
60
40
0
10
20
30
Density
40
30
0
10
20
Density
Densit Mlange
Gaussienne 1
Gaussienne 2
50
Densit mlange
Densit gaussienne
50
60
0.04
0.03
0.02
0.01
0.00
0.01
0.02
0.04
0.03
0.02
IC1_10J
0.01
0.02
40
30
Density
10
20
30
20
0
10
Density
0.00
Densit Mlange
Gaussienne 1
Gaussienne 2
40
Densit mlange
Densit gaussienne
0.02
0.01
0.00
0.01
0.02
0.02
0.01
0.00
0.01
0.02
IC2_10J
50
IC2_10J
Densit Mlange
Gaussienne 1
Gaussienne 2
30
Density
20
10
0
10
20
Density
30
40
Densit mlange
Densit gaussienne
40
50
0.01
IC1_10J
0.02
0.01
0.00
0.01
IC3_10J
0.02
0.03
0.02
0.01
0.00
0.01
0.02
0.03
IC3_10J
IC1 10J
1,1,10
1,2,10
0,95125
0,04875
0,004432 -0,13886
0,0074833 0,013266
0,32316
0,67684
0,005005 0,001315
-0,010247 0,00776
Tableau 5.8 Param`etres du melange gaussien de la composante IC2 10J
3,1,10
3,2,10
IC3 10J
0,33017
0,66983
0,007833 -0,004646
0,006
0,0068557
Tableau 5.9 Param`etres du melange gaussien de la composante IC3 10J
51
Chapitre 6
VaR, CVaR et Test historique
Nous avons utilise lanalyse en composantes independantes sur les series des rendements centres reduits. Ensuite, nous avons modelise les fonctions de densites de chaque
composante independante obtenue. Lobjectif de ce dernier chapitre est detablir une
formule analytique nous permettant dexprimer la fonction de densite de notre portefeuille dactifs.
Il sagira donc de determiner lexpression du rendement du portefeuille Rp et le
quantile rV aR verifiant lequation (2.2). La CvaR sobtiendra en utilisant lequation
(2.10).
Pour cela, nous avons utilise loutil doptimisation Solver inclus dans le tableur Microsoft ExcelTM .
6.1
Densit
e de rendement du portefeuille
Nous rappelons que notre portefeuille est compose des trois indices Bel20, Dax30
et Cac40. Chaque indice a un poids de 1/3.
6.1.1
Exploitation de lACI
3
X
i=1
i Ri avec i = 1/3 i
52
(6.1)
53
Puisque nous avons modelise les rendements centres reduits RiCR par une combinaison
lineaire de 3 sources independantes S1 , S2 et S3 , nous recrivons (6.1) sous la forme :
RP =
3
X
3
X
i Ri =
i=1
i + i i RiCR
i R
i=1
3
X
i + i i RiCR
i R
i=1
3
X
i +
i R
i=1
3
X
i i RiCR
i=1
i i RiCR =
i=1
3
X
i i
3
X
aij Sj
j=1
i=1
i i RiCR
i=1
do`
u finalement
RP =
Sj
3
X
i +
i R
3
X
j=1
3
X
i i aij
i=1
j=1
i=1
6.1.2
3
X
Sj
3
X
i=1
i i aij
(6.2)
Exploitation des m
elanges gaussiens
54
fx (x) fy (z x) dx =
fy (y) fx (z y) dy
(6.3)
fz (z) =
Z X
K1
k1 N (s1 ; k1 , k1 )
k1
k2
k1
K2
K1 X
X
K2
X
k1 k 2
k2
k2 N (z s1 ; k2 , k2 ) ds1
N (s1 ; k1 , k1 )N (z s1 ; k2 , k2 ) ds1
o`
u K1 et K2 sont les nombres de densites gaussiennes intervenants dans la modelisation
des densites des sources S1 et S2 .
Or
Z
N (s1 ; k1 , k1 )N (z s1 ; k2 , k2 ) ds1
K2
K1 X
X
k1 =1 k2 =2
k1 k2 N
k1 + k2 ,
k21
k22
1/
2
(6.4)
55
3
X
i +
i R
i=1
RP =
3
X
i=1
i+
i R
2
2 X
2 X
X
k1 =1 k2 =1 k3 =1
j=1
3
X
j=1
i=1
vj sj (t) avec vj =
3
X
i aij
i=1
(6.5)
Nous rappelons que dans le cas des rendements `a 5 jours, nous avons obtenu les
melanges gaussiens suivants :
IC1 05J
1,1,5
1,2,5
0,057017
0,94298
-0,007984 0,002341
0,0097468 0,0052915
2,1,5
2,2,5
0,77038
0,22962
-0,000001 0,002893
0,0056569 0,0071414
3,1,5
3,2,5
0,63656
0,36344
-0,002454 -0,001293
0,0056569 0,006245
56
6.2
Applications num
eriques
Nous rappelons que notre portefeuille est compose des trois indices Bel20, Dax30
et Cac40. Chaque indice a un poids de 1/3.
6.2.1
M
ethode historique
VaR
60
40
Frequency
60
20
20
40
Frequency
80
100
80
` partir des rendements de chaque indice, calcules sur la periode allant du 4 janA
vier 2004 au 12 mai 2006, nous avons trace lhistogramme des rendements observes
pour des horizons de 1, 5 et 10 jours (figure 6.1).
0.010
0.005
0.000
0.005
0.03
0.02
0.01
0.00
0.01
0.02
40
30
0
10
20
Frequency
50
60
0.04
0.03
0.02
0.01
0.00
0.01
0.02
0.03
Niveau de probabilite
95 %
5%
99 %
1%
99,9 %
0,1 %
57
1 jour
5 jours 10 jours
-0,451 % -0,928 % -1,273 %
-0,889 % -1,813 % -2,544 %
-1,294 % -2,541 % -3,364 %
95 %
5%
99 %
1%
0,1 %
99,9 %
1 jour
5 jours 10 jours
-0,662 % -1,442 % -2,030 %
-1,100 % -2,327 % -3,301 %
-1,505 % -3,055 % -4,121 %
6.2.2
M
ethode variance-covariance
Rappel de la densit
e multinormale
On rappelle que cette methode suppose implicitement que le rendement de chaque
actif est distribue suivant une loi normale. Selon cette hypoth`ese, la fonction de
densite du rendement du portefeuille suit une distribution multinormale qui est une
generalisation `a plusieurs dimensions dune densite gaussienne. On note X le vecteur
multivarie `a d dimensions, X = (X1 , . . . , Xd )
(, ) et sa fonction de densite f
secrit :
1
1
1
f (x) = q
(6.6)
exp (x ) (x )
2
d
(2) ||
` partir de moyennes et variances empiriques, nous avons utilise les matrices des
A
correlations vues au chapitre trois (figures 3.8, 3.9 et 3.10), nous avons calcule les
valeurs de VaR et CvaR indiquees aux tableaux (6.6, 6.7).
Niveau de probabilite
95 %
5%
99 %
1%
99,9 %
0,1 %
58
1 jour
5 jours 10 jours
-0,647 % -1,224 % -1,648 %
-1,546 % -2,423 % -2,978 %
-1,853 % -3,451 % -4,016 %
Niveau de probabilite
95 %
5%
99 %
1%
99,9 %
0,1 %
1 jour
5 jours 10 jours
-0,941 % -1,842 % -2,214 %
-1,854 % -2,751 % -3,754 %
-2,121 % -3,711 % -4,213 %
6.2.3
M
ethode ACI et m
elange gaussien
Nous avons repris lexpression (6.5) pour nos rendements `a 1, 5 et 10 jours. Nous
avons ensuite utiliser le solveur de Microsoft ExcelTM afin de determiner les seuils
de VaR et la CvaR selon les differents niveaux de probabilite. Nous avons obtenu les
valeurs de VaR et CvaR des tableaux (6.8, 6.9).
Niveau de probabilite
95 %
5%
99 %
1%
99,9 %
0,1 %
1 jour
5 jours 10 jours
-1,225 % -1,386 % -3,767 %
-2,748 % -2,673 % -4,684 %
-3,251 % -3,561 % -4,756 %
95 %
5%
1%
99 %
99,9 %
0,1 %
1 jour
5 jours 10 jours
-1,355 % -1,767 % -4,045 %
-2,998 % -2,861 % -4,921 %
-3,846 % -3,516 % -5,210 %
59
6.3
Tests historiques
Il est naturel de se demander quelle est la performance des methodes utilisees. Nous
nous sommes alors livres `a lexercice suivant. Sur la periode allant du 2 janvier 2004
au 15 mai 2006. Nous rappelons que les estimations des param`etres des mod`eles se
basent egalement sur cette meme periode. Nous avons tire au hasard des echantillons
de 1, 5 et 10 rendements quotidiens. Ceci nous a permis de calculer des rendements
` partir de ces rendements aleatoires,
simules pour des horizons de 1, 5 et 10 jours. A
nous avons calcule les rendements `a 1, 5 et 10 jours. Puis nous avons denombre les cas
o`
u les rendements simules etaient inferieurs aux rendements VaR et CvaR indiques
dans les tableaux (6.4, 6.5, 6.6, 6.7, 6.8 et 6.9). Ces tests ont ete realises en effectuant
10 000 tirages aleatoires et semblent montrer que la methode basee sur lACI et les
melanges gaussiens soit un peu plus robuste que les methodes historique et analytique.
Taux dechec
VaR - Methode Historique
CvaR - Methode Historique
VaR - Methode multinormale
CvaR - Methode Multinormale
VaR - Methode ICA-Melange
CvaR - Methode ICA-Melange
1 jour
26,51 %
34,45 %
17,01 %
16,21 %
9,045 %
11,921 %
5 jours 10 jours
31,44 % 33,45 %
37,21 % 28,21 %
24,45 % 29,45 %
19,21 % 26,21 %
23,38 % 22,45 %
20,92 % 20,91 %
Conclusion
Notre travail a consiste `a nous interesser aux mesures du risque de perte que
sont la Value at Risk et la Value at Risk conditionnelle. Pour cela, nous avons pris
lexemple dun portefeuille dactifs compose des indices boursiers Bel20, Cac40 et
Dax30. La problematique de ce type de mesure provient de la nature non-gaussienne
des distributions de rendement et des dependances entre ces rentabilites. Nous avons
alors utilise une technique issue de la science du traitement du signal qui permet,
sous certaines hypoth`eses de trouver une transformation lineaire permettant dobtenir
des variables aleatoires statistiquement independantes, appelees signaux sources. Ceci
nous a permis de contourner le probl`eme delicat de la modelisation des dependances.
Nous avons ensuite modelise les distributions empiriques par des melanges de
densite afin de modeliser les queues de distributions observees.
Puis, `a laide de lhypoth`ese dindependance et des melanges gaussiens, nous avons
pu expliciter des formules analytiques dexpression de la VaR et de la CVaR dun
portefeuille.
Enfin, sur la base dun historique de 608 observations, nous avons calcule les valeurs
numeriques de la VaR et de la CvaR pour des horizons `a 1, 5 et 10 jours. Les premi`eres
analyses indiquent que selon la modelisation des densites melanges, la methode ICA
et melanges gaussiens soit plus robuste en presence de queues de distribution epaisses.
Il serait alors interessant de pouvoir la comparer avec une modelisation basee sur la
theorie des copules qui sattache `a modeliser les liens de dependances entre variables
aleatoires.
60
Bibliographie
[1] Achard S., Mesures de dependance pour la separation aveugle de sources, application aux melanges post non-lineaires, Th`ese de doctorat, Universite Joseph
Fourier Grenoble II, decembre 2003
[2] Acerbi C., Tasche D., Expected Shortfall : a natural coherent alternative to
Value at Risk, mai 2001
[3] Aftalion F., Statistiques & econometrie, Banque & Marches, 25, novembredecembre 1996
[4] Aftalion F., Les rentabilites des actifs financiers, Banque & Marches, 46, maijuin 2000
[5] Artzner P., Delbaen F., Eber J.M., Heath D., Coherent Measures of Risk,
Mathematical Finance, 9, 1999
din A., Nadal J.-P., Analyse de series temporelles dynamiques
[6] Aires F., Che
et theorie de linformation : lanalyse en composantes independantes, Revue
Academie des Sciences, 9, 1999
[7] Back A., Weigend A.S., Discovering structure in finance using independent
component analysis, Computational Finance, 1997
[8] Back A., Weigend A.S., A first application of independent component analysis
to extract structure from stock returns, International Journal of Neural Systems,
8, 1997
[9] Bawa V.S., Optimal rules for ordering uncertain prospects, Journal of Financial
Economics, 2, 1975
[10] Biojout M., Lehmann E., Application de la VaR pour le calcul de fonds
propres en Assurance Vie, Memoire dactuariat, ENSAE, 2000
[11] Boulier J.-F., Brabant A., Dalaud R., Dieu A.-L., Risque de marche :
vue de profil, Direction de la Recherche et de lInnovation, Credit Commercial de
France, 28, decembre 1997
61
Bibliographie
62
moderne, Edition
de Boeck Universite, 1997
[23] Fishburn P.C., Mean-risk analysis with risk associated with below-target returns, American Economic Review, 67, mars 1977
[24] Gordon A., CVaR as a Measure of Risk : Implications for Portfolio Selection,
fevrier 2003
[25] Hyvarinen, A., Oja E., Independent Component Analysis : a tutorial, Helsinki
University of Technology, 1999
[26] Hyvarinen, A., Oja E., Independent Component Analysis : algorithms and
applications, Neural Networks, 13, 1999
[27] Hyvarinen, A., Karhunen J., Oja E. Independent Component Analysis,
Wiley Edition, 2001
[28] Lacoume J.-L., Amblard P.-O., Comon P., Statistiques dordre superieur
Bibliographie
63
Annexes
64
120
Series: RDT_BEL20_01J
Sample 1 608
Observations 608
100
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
80
60
40
20
Jarque-Bera
Probability
0
-0.010
-0.005
0.000
Series: RDT_BEL20_10J
Sample 1 608
Observations 608
80
70
0.000392
0.000404
0.008379
-0.013028
0.002753
-0.655295
5.084119
60
153.5504
0.000000
10
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
50
40
30
20
Jarque-Bera
Probability
0
-0.025
0.005
90
0.000
0.004149
0.004756
0.024793
-0.036366
0.008801
-0.741506
4.603578
120.8599
0.000000
0.025
90
Series: RDT_CAC40_01J
Sample 1 608
Observations 608
80
70
60
50
40
30
20
10
0
-0.010
-0.005
0.000
0.005
Series: RDT_CAC40_10J
Sample 1 608
Observations 608
80
70
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
0.000264
0.000353
0.010878
-0.013099
0.003396
-0.355959
3.845897
60
Jarque-Bera
Probability
30.96672
0.000000
10
50
40
30
20
0.010
-0.0250
90
-0.0125
0.0000
0.0125
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
0.002869
0.004542
0.028722
-0.028743
0.008930
-0.724965
3.584958
Jarque-Bera
Probability
61.92672
0.000000
0.0250
70
Series: RDT_DAX30_01J
Sample 1 608
Observations 608
80
70
60
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
50
40
30
20
Jarque-Bera
Probability
10
0
-0.015
-0.010
-0.005
0.000
0.005
Series: RDT_DAX30_10J
Sample 1 608
Observations 608
60
50
0.000286
0.000518
0.011239
-0.015271
0.003825
-0.416826
3.873563
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
40
30
20
10
36.93820
0.000000
Jarque-Bera
Probability
0.010
-0.025
0.000
0.025
65
0.003156
0.005245
0.035686
-0.046009
0.011511
-0.787423
4.163933
97.15034
0.000000
Annexe 2. S
eries des rendements `
a
1 et 10 jours
.03
.012
.008
.02
.004
.01
.000
.00
-.004
-.01
-.008
-.02
-.012
-.03
-.04
-.016
100
200
300
400
500
100
600
200
300
400
500
600
.03
.015
.010
.02
.005
.01
.000
.00
-.005
-.01
-.010
-.02
-.03
-.015
100
200
300
400
500
100
600
200
300
400
500
600
.04
.012
.03
.008
.02
.004
.01
.000
.00
-.004
-.01
-.02
-.008
-.03
-.012
-.04
-.05
-.016
100
200
300
400
500
100
600
200
300
400
500
600
67
68
69
70
71
.008
.02
.004
.01
.000
.00
-.004
-.01
-.02
-.008
-.03
-.012
-.04
IC1_01J
IC1_10J
-.05
-.016
100
200
300
400
500
100
600
200
300
400
500
600
.03
.010
.02
.005
.01
.000
.00
-.005
-.01
-.010
-.02
IC2_01J
IC2_10J
-.03
-.015
100
200
300
400
500
100
600
200
300
400
500
600
.04
.012
.03
.008
.02
.004
.01
.000
.00
-.004
-.01
-.008
-.02
IC3_01J
IC3_10J
-.03
-.012
100
200
300
400
500
100
600
200
300
400
500
600
100
Series: IC1_01J
Sample 1 608
Observations 608
100
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
80
60
40
0.000384
0.000426
0.007662
-0.013918
0.002756
-0.730877
5.502371
Jarque-Bera
Probability
0
-0.010
40
-0.005
0.000
212.7642
0.000000
Jarque-Bera
Probability
0.005
-0.025
0.003539
0.004440
0.023949
-0.041454
0.008808
-0.852044
5.327486
0.000
210.8014
0.000000
0.025
70
140
Series: IC2_01J
Sample 1 608
Observations 608
120
Series: IC2_10J
Sample 1 608
Observations 608
60
50
100
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
80
60
40
20
Jarque-Bera
Probability
-0.010
-0.005
0.000
0.005
5.18E-06
2.22E-05
0.009391
-0.014585
0.002756
-0.220824
5.820784
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
40
30
20
10
206.5143
0.000000
Jarque-Bera
Probability
0
-0.02
0.010
90
-0.01
0.00
0.01
-0.000526
-0.000685
0.020474
-0.023405
0.008808
0.065727
2.486084
7.128546
0.028318
0.02
70
Series: IC3_01J
Sample 1 608
Observations 608
80
70
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
60
50
40
30
20
Jarque-Bera
Probability
10
0
-0.010
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
60
20
20
0
-0.015
Series: IC1_10J
Sample 1 608
Observations 608
80
-0.005
0.000
0.005
Series: IC3_10J
Sample 1 608
Observations 608
60
50
0.000198
0.000189
0.010105
-0.009566
0.002756
0.092870
3.332003
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
40
30
20
10
3.666388
0.159902
Jarque-Bera
Probability
0.010
-0.0125
0.0000
0.0125
0.0250
0.0375
73
0.002508
0.002438
0.035757
-0.022481
0.008808
0.237917
3.396354
9.715696
0.007767