Elai Dies Sadik

ROYAUME DU MAROC
*-*-*-*-*
HAUT COMMISSARIAT AU PLAN
*-*-*-*-*-*-*-*
INSTITUT NATIONAL
DE STATISTIQUE ET D’ECONOMIE APPLIQUEE
Projet de Fin d’Etudes

*****
Mise en place de modèle de calcul de VaR pour la

gestion de portefeuille
Préparé par : Melle ELAIDI Asmâa & M. ESSADIK Amine
Sous la direction de : M. EL ADLOUNI Salaheddine (INSEA)

M. BARAKAT Houssam (BMCE CAPITAL)
Soutenu publiquement comme exigence partielle en vue de l’obtention du
Diplôme d’Ingénieur d’Etat
Option : Actuariat-Finance
Devant le jury composé de :

 M. TOUHTOU Rachid (INSEA)
 M. EL ADLOUNI Salaheddine (INSEA)
 M. BARAKAT Houssam (BMCE CAPITAL-MARKETS)
Juillet 2010
« Understand risk first,
And then do business »
Viviane Boucher
« prédire est un art difficile….

Surtout s’il concerne le futur…. »
Niels BOHR
Résumé
Résumé
Dans le cadre de la gestion des risques financiers, il a été recommandé par le Comité
Bâle d‟allouer des fonds propres pour faire face aux pertes résultant des fluctuations des prix
des instruments financiers composant le portefeuille de négociation ou des positions.
Pour calculer cette consommation en fonds propres, il a été nécessaire de mesurer le
risque des marchés en recourant à l‟approche des modèles internes ou communément appelée
VaR (« Value at Risk » ou Valeur à Risque).
Nous allons présenter, à travers le présent rapport, les différentes méthodes de la dite
approche pour mesurer le risque d‟un portefeuille diversifié de la salle des marchés de BMCE
CAPITAL. En effet, nous allons commencer par décrire la démarche à utiliser après
vérification des différentes hypothèses. Il s‟en suit ainsi son application sur chaque type
d‟actifs avant de mesurer le risque du portefeuille global. Enfin, les résultats obtenus seront
soumis aux backtestings et critiques afin de performer la gestion du risque. Finalement, nous
avons mis en place un système informatique via l‟outil vba-Excel permettant de faire les
calculs afin de déterminer la VaR de portefeuilles d‟actions.
Mots clés : BALEII, risque des marchés, action, taux d’intérêt, contrat à terme, VaR, méthode
historique, méthode des variances-covariances, méthode Montre Carlo, Backtestings,
consommation en fonds propres.
Dédicaces
Dédicaces
A nos très chers parents pour leurs soutiens et sacrifices

A nos frères et sœurs pour leur amour et soutien
A nos familles
A nos amis
Et à nos très chers professeurs
Ainsi qu’à toute personne participant de près ou de loin
Nous dédions ce modeste travail
Asmâa & Amine

Remerciements
Remerciements
Nous tenons à remercier dans un premier temps, toute l’équipe

pédagogique de l‟INSEA et les intervenants professionnels responsables
de la formation, pour avoir assuré la partie théorique de celle-ci.
Nous remercions plus particulièrement Monsieur EL ADLOUNI pour

l’aide et les conseils concernant les missions évoquées dans ce rapport,
qu’il nous a apportés lors des différents suivis.
Nous tenons à remercier également et à témoigner toute notre

reconnaissance aux personnes suivantes, pour l’expérience enrichissante
et pleine d’intérêt qu’elles nous ont fait vivre durant ces trois mois au sein
de la BMCE CAPITAL.
Monsieur BARAKAT Houssam, « head » de la direction « Risk

Management, Middle Office, Quants and Market Data », pour son accueil
et la confiance qu’il nous a accordés dès notre arrivée dans l’entreprise
ainsi que pour ses enseignements qui témoignent d’une grande
expérience.
Melle IDRISSI AROUSSI Meryem pour le temps qu’elle nous a consacrés
tout au long de cette période, sachant répondre à toutes nos
interrogations.
Aussi, nos remerciements s’en vont également à Melle DAHMI Meryem
pour sa participation ainsi que l’ensemble du personnel pour leur
accueils sympathiques et leur coopération professionnelle tout au long de
ces trois mois en citant ainsi LAARAKI Zineb, SALIMA et SABER Asmâa.
Table des matières
Introduction ............................................................................................................................................................. 8
CHAPITRE1 :Contexte général .............................................................................................................................. 9
1. Règlementation bancaire pour consommation en fonds propres dans le cadre de la gestion du risque des
marchés ............................................................................................................................................................. 10
1.1. Nouvel accord de Bâle .................................................................................................................... 10
1.2. Risque de marché et exigences prudentielles .................................................................................. 13
2. Recommandation de l‟utilisation des modèles internes ........................................................................... 14
2.1. Aperçu sur l‟approche standard ....................................................................................................... 14
2.2. Avantages de l‟approche avancée ................................................................................................... 15
CHAPITRE2 : Démarche théorique pour le calcul de la Valeur à Risque (VaR) ................................................. 18
1. Approche paramétrique ............................................................................................................................ 19
1.1. Hypothèses : .................................................................................................................................... 19
1.2. Méthodologie .................................................................................................................................. 20
1.3. Avantages ........................................................................................................................................ 21
1.4. Expansion de la VaR paramétrique ................................................................................................. 21
2. Méthode non paramétrique ...................................................................................................................... 22
2.1. Méthode historique .......................................................................................................................... 22
2.2. Technique du bootstrapping ............................................................................................................ 24
2.3. Méthode de Monte Carlo................................................................................................................. 24
3. Méthode semi-paramétrique .................................................................................................................... 25
CHAPITRE3 : Application de la VaR à un portefeuille diversifié ....................................................................... 26
1. Calcul de la VaR du portefeuille « action » ............................................................................................. 27
1.1. Caractéristiques générales ............................................................................................................... 27
1.2. Présentation et analyse des données de la banque ........................................................................... 27
1.3. Méthode des variances/covariances ................................................................................................ 30
1.4. Application de la VAR historique ................................................................................................... 36
1.5. Application de la VaR Monte Carlo ................................................................................................ 37
2. Calcul de la VaR du portefeuille obligataire « bons de trésor » ............................................................... 41
2.1. Caractéristiques générales ............................................................................................................... 41
2.2. Présentation des données de la banque ............................................................................................ 43
2.3. Méthode paramétrique..................................................................................................................... 44
2.4. Application de la VaR historique .................................................................................................... 48
3. Calcul de la VaR du portefeuille « contrat à terme sur change » ............................................................. 54
3.1. Caractéristiques ............................................................................................................................... 54
3.2. Données de la banque ...................................................................................................................... 56
3.3. Analyse des données ....................................................................................................................... 58
3.4. Application de la VaR paramétrique ............................................................................................... 60
3.5. Application de la VaR historique .................................................................................................... 63
4. VaR agrégée du portefeuille .................................................................................................................... 67
4.1. Propriété de la sous-additivité de la VaR conditionnelle (TVaR) ................................................... 67
4.2. VaR approchée du portefeuille global ............................................................................................. 70
Table des matières
4.3. Backtestings sur le portefeuille global ............................................................................................ 71

4.4. Calcul de la consommation en fonds propres .................................................................................. 77
Conclusion : .......................................................................................................................................................... 79
Bibliographie......................................................................................................................................................... 81
Annexes ................................................................................................................................................................ 83
Liste des figures
Figure 1 : Architecture du ratio Mc Donough ...................................................................................................... 12

Figure 2 : Représentation graphique de la VaR sous distribution normale .......................................................... 16
Figure 3 : Evolution du cours du MASI ................................................................................................................. 28
Figure 4 : Evolution de l’action IAM .................................................................................................................... 29
Figure 5 : Evolution de l’action ADI ..................................................................................................................... 29
Figure 6 : Evolution de l’action ADH ................................................................................................................... 30
Figure 7 : Test sur la stationnarité du rendement d’IAM ...................................................................................... 31
Figure 8 : Test de Jarque Bera pour les rendements de IAM ................................................................................ 31
Figure 9 : Evolution et tendance du rendement de l’action ADH ......................................................................... 38
Figure 10 : Transformation d’une obligation à coupons en obligations zéro-coupon .......................................... 43
Figure 11 : Evolution du taux zc marocain ........................................................................................................... 44
Figure 12 : test de Dickey-Fuller appliqué au taux zc 13semaines ....................................................................... 45
Figure 13 : Test de Dickey-Fuller appliqué au taux zc 26 semaines ..................................................................... 45
Figure 14 : Test de Jarque-Bera pour les variations du taux Z-C 13semaines ..................................................... 46
Figure 15 : Test de Dickey-Fuller appliqué au taux zc 26semaines ...................................................................... 46
Figure 16 : Schéma des modèles de la structure par terme des taux d’intérêt ...................................................... 50
Figure 17 : Corrélogramme du TMP..................................................................................................................... 52
Figure 18 : Estimation des paramètres du Modèle de Vasicek.............................................................................. 53
Figure 19 : Schéma expliquant des mécanismes de fonctionnement du marché au comptant .............................. 55
Figure 20 : Evolution du taux EURO .................................................................................................................... 58
Figure 21 : Evolution du taux DKK ....................................................................................................................... 58
Figure 22 : Evolution du taux EURO/DKK ........................................................................................................... 59
Figure 23 : Evolution du taux EURO/MAD .......................................................................................................... 59
Figure 24 : Résultats du test sur la stationnarité des rendements de l’euro .......................................................... 60
Figure 25 : Test de Jarque Bera pour les rendements d’euro ............................................................................... 61
Figure 26 : Backtesting sur la VaR paramétrique ................................................................................................. 72
Figure 27 : Backtestings sur la VaR par l’approximation de Cornish-Fisher ...................................................... 73
Figure 28 : Backtestings sur la VaR historique ..................................................................................................... 74
Figure 29 : Backtestings sur la VaR Monte Carlo sous l’approximation normale ............................................... 75
Figure 30 : Backtestings sur la VaR Monte Carlo par l’approximation de Levy .................................................. 76
Liste des tableaux
Tableau 1 : Bilan simplifié d'une banque .............................................................................................................. 10

Tableau 2 : matrice de variance covariance des rendements des actions du portefeuille actions ........................ 32
Tableau 3 : matrice de corrélation des rendements des actions constituant le portefeuille .................................. 34
Tableau 4 : estimation des moyennes et variances pour les trois actions ............................................................. 39
Tableau 5 : matrice de variances/variances des taux zc de différentes maturités ................................................. 44
Tableau 6 : matrice variances/covariances des taux 13 et 26 semaines ................................................................ 47
Tableau 7 : modèles des taux d’intérêt .................................................................................................................. 51
Tableau 8 : matrice variance-covariance des principaux facteurs de risque pour le change ............................... 62
Tableau 9 : paramètres estimés des taux de change par MLE ............................................................................... 65
Tableau 10 : paramètres estimés des taux d‟intérêt par MLE ............................................................................... 66
Liste des abréviations
Liste des abréviations
VaR Valeur à Risque (« Value at Risk »)

CAPM “Capital Assets Pricing Model”
Vba “Visual Basic For Application”
MEDAF Modèle d‟Evalution des Actifs Financiers
EPC Encours Pondérés de Crédits
EFP Exigence en Fonds Propres
P&L Profits And Losses
CR Capitaux Réglementaires
ADF Augmented Dickey-Fuller
Var-Covar Variances – Covariances
EVT “Extreme Values Théory”
POT Peaks-Over-Threshold
IAM Ittisalat Al Maghrib
ADH Addoha
ADI Alliances
MASI “Moroccan All Shares Index”
TMP Taux Moyen Pondéré
ZC zero-coupons
Eur Euro
Dkk devise de la couronne danoise de Danemark
MAD Maroc Dirham
C-F Cornish-Fisher
MLE “Maximum of Likelihood Estimation”
TVaR “Tail Value at Risk”
GEV “Genral Extreme Value”
Introduction
Introduction
Les techniques du « Risk Management » sont apparues à partir de la moitié du XXe

siècle. Ces techniques visent à étudier les facteurs qui menacent le patrimoine d‟une
entreprise afin d‟apporter des solutions stratégiques pour réduire voir éliminer le risque.
Différentes classes de risque ont été dessinées ; on citera notamment le risque de crédit, le
risque opérationnel et le risque de marché. Chacun de ces risques est soumis à des directives
concernant son évaluation et les moyens de protection à mettre en oeuvre pour s‟en prévenir.
Supervisé par la Banque des Règlements Internationaux, le comité de Bâle a élaboré
ces directives. L‟accord de BâleII impose aux organismes financiers de mettre en place des
modèles internes pour évaluer leur quantité de fonds propres règlementaire. Au sein de ce
travail, nous nous intéresserons au risque de marché. Il existe de nombreuses méthodes
permettant de décrire de façon quantitative le risque lié à la détention d‟un instrument
financier. Parmi elles, on peut notamment citer l‟approche moyenne-variance de Markowitz
(1959) ainsi que l‟approche CAPM de Sharpe (1964). Mais ces méthodes ne permettent pas
d‟évaluer le risque d‟un portefeuille qui contiendrait à la fois des actions, des obligations et
des produits dérivés. L‟arrivée et le développement des produits dérivés, l‟accroissement de la
volatilité des marchés financiers ainsi que les faillites spectaculaires ayant eu lieu au cours des
années 90 ont poussé les instituts financiers à élaborer un indicateur de risque financier à la
fois global et synthétique. La Value at Risk (VaR), aussi appelée Valeur à Risque en français,
regroupe ces caractéristiques et a été adoptée par la plupart des organismes financiers depuis
1997.
Après une présentation de la « Value at Risk », de son utilité pour les investisseurs et
des méthodes actuelles de calcul, nous présenterons son application sur un portfeuille
diversifié. Pour le traitement et l‟analyse des données, nous avons utilisé Excel et des outils
statistiques comme xlstat, Eviews ainsi que le language de programmation vba-Excel.
8
Chapitre 1 : Contexte général
CHAPITRE1 :Contexte général
Dans ce chapitre, nous présentons la

réglementation bancaire BâleII pour ensuite
définir le risque des marchés et les approches
recommandées pour le mesurer
9
1. Règlementation bancaire pour consommation en fonds

propres dans le cadre de la gestion du risque des marchés
1.1. Nouvel accord de Bâle
Nous avons assisté ces dernières années à un engouement sans précédent des
banques de la place vis-à-vis des activités de marché. En effet, ces acticités se
distinguent du fait qu‟elles procurent des profits considérables attirant ainsi les
principaux acteurs du marché. Cependant, l‟ensemble de ces opérations expose les
banques à une série de risques financiers, susceptibles de menacer leur solvabilité. A
cette fin, le comité de Bâle a tenté d‟établir des normes de contrôle et de gestion des
différents risques inhérents aux activités de marché et ce dans un souci de régulation
de ces activités pour une meilleure maîtrise des risques.
1.1.1. Notion de fonds propres
Etant donné que le bilan simplifié d‟une banque est:
Actif Passif
Actifs Fonds propres
immobilisés Dettes
Crédits et Dépôts
prêts
Titres
Trésorerie
Tableau 1 : Bilan simplifié d'une banque
Les fonds propres sont un des éléments du passif d‟une banque. Ils regroupent :
 les actions ordinaires et certificats ;
 les réserves ;
 le résultat non distribué ;
 etc.
Les autres éléments du passif d'une banque sont les dépôts, l'épargne des ménages,
ainsi que les dettes. A l'actif, nous trouvons les crédits et les prêts aux ménages et aux
entreprises, les services, etc.
Ces fonds propres sont un des éléments de notation de la banque, note qui
conditionne le coût des ressources (de trésorerie ou de long terme).
Quelle est l'utilité des fonds propres ?

Ils servent à garantir l'activité de la banque. En particulier, ils doivent permettre
d'absorber les fortes pertes dues à des éléments exogènes et/ou inattendus.
Ainsi plus leur niveau est élevé, plus la banque présente des gages de solidité (à
activité bancaire constante).
Les fonds propres (qui correspondent au capital de la banque) permettent ainsi de
couvrir les risques (exceptionnels). C'est donc le moteur de l'activité bancaire.
10
La problématique de la banque est alors de prendre le moins de risque et en même

temps offrir la rentabilité la plus élevée à ses actionnaires. Il faut donc savoir mesurer
cette consommation en fonds propres.
1.1.2. Accord de Bâle I
En 1988, le Comité de Bâle propose un ratio international de solvabilité, dit
ratio Cooke, qui doit permettre :
 une meilleure adéquation des fonds propres par rapport aux risques,
 de renforcer la solidité et la stabilité du système bancaire,
 et d‟atténuer les inégalités concurrentielles entre les banques.
Instauré au Maroc le 15 janvier 2001 par la circulaire de BAM, le ratio minimum
de solvabilité des établissements de crédit correspond au rapport entre le montant des
fonds propres et celui des encours pondérés de crédit (EPC). Plusieurs niveaux de
fonds propres sont définis :
 Les fonds propres de base FP1 ou « noyau dur »; correspondant au capital et aux
réserves,
 Les fonds propres complémentaires FP2 ; constitués principalement par des emprunts
subordonnés à long terme,
 Les fonds propres sur-complémentaires FP3 consistant en la dette subordonnée à court
terme.
Les fonds propres complémentaires sont plus difficiles à définir, mais sont selon
l‟accord de Bâle, les établissements financiers doivent respecter les contraintes
suivantes :
(Ratio Cooke)
La réglementation a évolué progressivement pour prendre en compte les

risques de marché. Désormais, le calcul du ratio Cooke intègre aussi bien le risque de
crédit que le risque de marché. Il est défini alors comme suit :
1.1.3. Accord de Bâle II

Le nouvel accord de Bâle prend désormais en compte les trois grands types de
risques auxquels sont confrontés les établissements bancaires, à savoir le risque de
crédit, le risque de marché et le risque opérationnel. Ce dernier constituant ainsi l‟une
des principales novations du nouvel accord et correspondant au risque inhérent à un
11
défaut de procédure, de personne, de systèmes d‟informations ou dû à un élément

extérieur pouvant entraîner une perte ou un déficit d‟image.
Ainsi, la formule du nouveau ratio, dit ratio Mc Donough, devient :
La réforme du Comité de Bâle repose sur trois pilliers :

 Premier pilier : la charge minimale en fonds propres à savoir les règles qui régissent
le ratio minimal rapportant les fonds propres aux actifs pondérés par les risques ;
 Second pilier : Le processus de surveillance prudentielle individualisée, qui exige que
les autorités du contrôle procèdent, auprès des banques de leur juridiction, à un
examen qualitatif des techniques d‟allocation des capitaux et du respect des normes
applicables;
 Troisième pilier : L'exigence de communication financière qui favorise la discipline
de marché,
Qu‟on peut schématiser comme suit :
Architecture du ratio Mc Donough
Pilier 1: Pilier 2 : Pilier 3 :

Exigence minimale Processus de surveillance Discipline de marché
en F.P Prudentielle
I. Risque de II. Risques de III. Risques

crédit Marché opérationnels
Approche Approche
standard Modèles internes
Figure 1 : Architecture du ratio Mc Donough
12
1.2. Risque de marché et exigences prudentielles

1.2.1. Notion du risque
Le risque de pertes sur des positions à la suite de variations des prix du marché,
que ce soient des fluctuations du taux d‟intérêt, de change, de matières premières ou
d‟actions, a conduit à la réflexion à une mesure de risque de marché appropriée pour
une meilleure gestion de risque des salles des marchés en particulier.
Le risque de marché recouvre les risques suivants :
 Risque de taux d’intérêt : il représente le risque inhérent à la détention, dans le

portefeuille de négociation, de titres de créance et d'autres instruments liés aux taux
d‟intérêt ou à la prise de positions sur de tels titres et instruments.
 Risque de position sur titre de propriété(action) : c‟est le risque lié à la détention de

titres de propriété ou à la prise de positions sur de tels titres dans le portefeuille de
négociation. Il s‟applique aux positions longues et courtes sur tous les instruments
dont le comportement de marché est semblable à celui des actions.
 Risque de change : il s‟agit du risque de détention ou de prise de positions en devises.
 Risque sur produits de base : c‟est le risque inhérent à la détention ou à la prise de

positions sur produits de base, métaux précieux compris à l'exclusion de l‟or.
 Risque optionnel : ce risque est celui inhérent à la détention d‟options associées à

chacune des catégories de risques précédentes.
Ces risques sont mesurés pour pouvoir évaluer avec une précision satisfaisante le
niveau des fonds propres nécessaires à leur couverture.
1.2.2. Importance de son estimation

Le rôle essentiel des banques dans le processus d‟allocation de l‟épargne et
d‟évaluation des investissements est assuré dans une large mesure par une dispersion
des risques au sein de l‟économie en raison notamment de l'élargissement de leur
activité de gestion et de transfert des risques entre agents. De ce fait, elles sont en
partie responsables des désordres financiers. Dans ce contexte, la gestion du risque par
les banques passe par une mutualisation maximale aussi bien à l‟intérieur qu‟à
l‟extérieur des établissements. Ainsi, se sont développés des mécanismes permettant
de mettre sur le marché une partie des risques par le biais de la création de nouveaux
métiers (titrisations, gestion du risque de change et de produits dérivés). Dans ces
derniers cas, les banques sortent de leurs bilans une partie de leur exposition à certains
risques, ce qui leur permet de réaliser des économies de fonds propres et de proposer
des conditions plus attractives à leurs clients.
Il est clair que la mesure du risque du marché n‟est qu‟une estimation. On ne peut
prévoir exactement les pertes qu‟une banque peut subir. Il s‟agit alors de procéder par
des approches que le comité de Bâle s‟est mis d‟accord pour les appliquer.
13
2. Recommandation de l’utilisation des modèles internes

Le comité de Bâle a mis à la disposition des banques deux approches pour la mesure
de risque : La première approche est une méthode forfaitaire, alors que la seconde
approche autorise les banques à utiliser des modèles internes. L‟idée principale est
d‟inciter les banques à construire des modèles robustes pour calculer les risques de
marché et donc d‟obtenir des exigences en fonds propres beaucoup plus réalistes.
2.1. Aperçu sur l’approche standard
L‟approche standard est une approche forfaitaire destinée à évaluer les risques
de marché.
Le calcul des exigences en fonds propres moyennant l‟approche standard
consiste à imposer à tout établissement bancaire une grille de mesure de type :
Exigence de FP = Position* Pourcentage
Pour chaque instrument, la notion de position et de pourcentage est préalablement
définie.
Risque taux :
Le risque de taux d‟intérêt est le risque de pertes consécutif à la variation des taux
d‟intérêt. Il est la combinaison de deux risques :
Risque spécifique :
L‟exigence de fonds propres pour le risque spécifique servant de protection contre un
mouvement défavorable du prix d‟un titre donné pour des raisons liées à l‟émetteur.
Risque général :
L‟exigence de fonds propres pour le risque général de marché visant à saisir le risque
de perte résultant des variations des taux d‟intérêt du marché. Les détails de la
méthodologie sont mis en annexe3.
Risque action :
La méthodologie consiste à calculer, comme pour les instruments de taux, les
exigences en fonds propres au titre du risque spécifique et du risque général.
On commence d‟abord par déterminer les positions nettes acheteur (a) et vendeur (b).
Les exigences en fonds propres au titre du risque spécifique sont égales à 4% de la
Position Brute Globale (PBG = a +b). Pour ce qui est risque général, les exigences
sont égales à 8% de la Position Nette Globale (PNB = a – b).
Risque de change :
La démarche prescrite par le comité de Bâle pour le calcul des exigences en fonds
propres d‟un portefeuille de change est la suivante : On détermine les positions de
change en distinguant les positions longues (avoirs) et les positions courtes
(engagements). On calcule ensuite la somme des positions longues et la somme des
positions courtes. Enfin, les exigences en fonds propres (EFP) sont données par la
formule suivante :
EFP = 8 % × max (total positions longues, total positions courtes)
Chaque position étant convertie dans la monnaie de déclaration (nationale) sur la base
du cours de change au comptant. La contre-valeur de la position de change (somme
des contre-valeurs des positions longues ou des positions courtes à l'exclusion de l'or)
14
donne lieu à une exigence en capital égale à 8 % du montant de la position. La position

sur or donne également lieu à une exigence égale à 8 % de son montant.
Risque sur matière première :

Le calcul des positions sur produits de base est effectué selon la règle suivante :
Les positions comptant et à terme sont exprimées en unités de mesure standard (barils,
kilos, etc.) et sont converties au cours au comptant du produit puis dans la monnaie
nationale sur la base du cours de change au comptant.
Il existe deux méthodes de calcul des exigences en fonds propres : une approche basée
sur l‟échéancier1 et une approche simplifiée. Cette dernière est égale sur chaque
produit à 15 % de la position nette augmentée de 3 % de la position brute (somme des
positions longues ou courtes).
2.2. Avantages de l’approche avancée
Le Comité de Bâle (1997) a accepté que les banques développent elles-mêmes
des modèles d‟évaluation des risques vu que l‟approche standard ne prend pas en
considération les fluctuations du marché. Les modèles évaluant le risque potentiel de
pertes maximales : VaR (« Value at Risk ») se sont développés.
2.2.1. Signification de la VaR
Afin de mieux comprendre ce qu‟est la VaR, prenons un exemple. Un investisseur
ou un trader en fin de journée, est sur une position en devise Euro correspondant à un
million de dirhams. Il aimerait savoir jusqu‟à combien il peut perdre d‟ici demain.
Certains diront qu‟il peut tout perdre, d‟autres diront qu‟il ne va rien perdre. Mais ces
deux réponses sont des informations redondantes et sont connues d‟avance. Quelle est
alors sa perte potentielle d‟ici demain, pour un niveau de confiance donné ?
La VaR essaie ainsi de quantifier, dans un intervalle de confiance pré-spécifié
(typiquement 95% ou 99%), la perte potentielle que peut subir une position isolée
donnée, un portefeuille, ou la banque dans son ensemble, sur une courte période de
temps (typiquement un, deux, cinq ou dix jours ouvrés) dans des conditions de marché
dites « normales ».
2.2.2. Définition mathématique de la VaR
La valeur à risque (VaR) est une mesure de la variation maximale de la valeur d‟un
portefeuille d‟instruments financiers, avec un niveau de probabilité et un horizon de
temps fixés, dans des conditions normales de marché.
Statistiquement, la VaR peut être définie comme étant un quantile de la distribution
des P&L (profits et pertes) théoriques d‟un portefeuille résultant des mouvements
possibles des facteurs de risque de marché, sur un horizon de temps fixé. Notons qu‟un
facteur de risque est défini comme tout élément dont l‟existence et/ou l‟évolution
futures sont inconnues et imprévisibles d‟une manière exacte aujourd‟hui et qui sera
en mesure d‟influencer la valeur de marché d‟un portefeuille donné.
Le P&L d‟un portefeuille de valeur P t+h à l‟instant t+h, sur un horizon de h jours est
donné par :
P& L(t,h) = ∆hPt = Pt+h -Pt
Par définition, la VaR sur h jours avec un niveau de confiance de (1-α) est la valeur R
15
telle que la probabilité de perdre R au plus, au delà de h jours, est égale à (1- α) :
Pr(∆hPt < R) = 1-α , Avec R= VaR α, h
2.2.3. Représentation graphique de la VaR

Nous pouvons illustrer graphiquement la VaR de la manière suivante :
Figure 2 : Représentation graphique de la VaR sous distribution normale
La VaR fournit une bonne information sur le montant au-delà duquel il y a perte avec
la probabilité α .
2.2.4. Avantages de la VaR

Comme on peut le constater, la VaR présente plusieurs avantages qu‟on peut
résumer en les points suivants :
 Elle résume les différents risques de marché auxquels le portefeuille de négociation
est soumis en un seul nombre.
 Elle reconnaît l‟interdépendance entre les actifs composant le portefeuille via la prise
en compte des corrélations. La mesure de la Var reflète ainsi, de manière plus précise
que toute autre technique, le risque de portefeuille. Elle permet de sorte une meilleure
maîtrise des risques.
16
 La Var est la seule qui exprime la préoccupation majeure des institutions financières, à
savoir la perte potentielle de valeur totale, en termes monétaires. La Var peut donc être
facilement comparée avec le profit annuel de l‟institution financière et le montant de
ses fonds propres.
2.2.5. Calcul des fonds propres et VaR :

Une fois la VaR calculée, on en déduit les fonds propres exigibles suivant la formule
suivante :
Où CRt :capitaux réglementaires ; VaRt-i est la valeur à risque pour le portefeuille

global de marché au jour (t-i), calculée sur 1 jour avec un niveau de confiance de 99%.
Le facteur ε est fixé pour chaque banque selon la crédibilité et la maîtrise de ses
méthodes de gestion des risques. La méthodologie de calcul sera détaillée dans la
dernière partie de ce rapport.
17
Chapitre 2 : Démarche théorique pour le calcul de la VaR
CHAPITRE2 : Démarche théorique pour le

calcul de la Valeur à Risque (VaR)
Dans ce chapitre, nous présentons les

différentes méthodes de calcul de la VaR en
présentant les hypothèses et la méthodologie
pour ensuite citer les avantages de chacune
18
Le calcul de la VaR repose sur la connaissance de la distribution de la fonction

P&L du portefeuille objet de l‟étude. La détermination de cette distribution et les
hypothèses dont elle fait objet permettent de distinguer, d‟après Arnoult Benoit
(2007), trois classes de méthodes de calcul de la VaR .
�Méthodes Non-paramétriques (méthode historique, méthode Monte C arlo...).
�Méthodes Paramétriques (variances/covariances,..).
� Méthodes semi-paramétriques (théorie des valeurs extrêmes,..).
1. Approche paramétrique
La détermination de la VaR paramétrique se fait au moyen d‟un calcul analytique
relativement aisé en pratique mais sous des hypothèses théoriques assez
contraignantes, l‟exemple le plus connu d‟un tel modèle étant sans doute celui des
variances/covariances. Les principales hypothèses simplificatrices consistent à
supposer, d‟une part, que les lois de probabilité qui régissent les distributions des
variations des prix de marché sont normales et, d‟autre part, que les instruments
présentent un profil de risque linéaire. Sous ces hypothèses, la matrice des
variances/covariances peut être appliquée assez directement aux positions détenues
pour calculer la VaR. Les calculs utilisés dans la méthode des variances/covariances
sont rapides et simples, et requièrent uniquement la connaissance de la matrice des
variances/covariances des rendements du portefeuille. Néanmoins, cette méthode
s‟avère être inadaptée aux portefeuilles non linéaires (instruments optionnels), et
théoriquement peu adaptée aux queues de distribution épaisses et aux distributions non
normales des rendements.
1.1. Hypothèses :
 Stationnarité temporelle des facteurs de risque afin d‟estimer la moyenne et la
volatilité des rendements futurs du portefeuille à partir de données historiques. On
vérifie la stationnarité en faisant le test suivant :
Test de la racine unitaire :
Le test de la racine unitaire sert à tester l‟hypothèse de la stationnarité de la série ; ce
qui revient à tester l'hypothèse H0 :  =1, contre l'hypothèse alternative H1 :  <1.
 étant le coefficient de la régression sur les rendements de notre portefeuille, dont
voici l‟équation :
; où est un bruit blanc1
______________________________________
1
Un processus εt est qualifié de bruit blanc si : E(t) = 0 ; E(t2) = 2 et E(t) = 0  t
19
 Si  =1 alors la variable xt est une variable intégrée d'ordre 1. C'est le cas du

modèle de marche aléatoire sans dérive (sans terme constant), dans ce cas on
ne peut dire que la série est stationnaire.
 Si  <1 alors la série est stationnaire.
Notons que le test de la racine unitaire est un cas particulier du test de Dickey-Fuller
augmenté (ADF), et que nous allons effectuer ce test sur le logiciel statistique
d‟Eviews.
 Normalité des facteurs de risque qu‟on teste par le test suivant :

Test de Jarque Bera :
Nous allons tester l'hypothèse H0: la distribution est normale contre l‟hypothèse
alternative H1 : la distribution n‟est pas normale.
La statistique repose sur la formule: suivant la loi de 2 à
deux degrés de liberté. Ce test est fréquemment utilisé pour déterminer si les résidus
d‟une régression linéaire suivent une distribution normale, tel que
n : le nombre d‟observations
k : le nombre de variables explicatives si les données proviennent des résidus
d‟une régression linéaire. Sinon k=0.
S : le Skewnes ou coefficient d‟asymétrie (moment d‟ordre 3 d‟une variable
centrée réduite).
K : le Kurtosis ou coefficient d‟aplatissement (moment d‟ordre 4 d‟une
variable centrée réduite).
Une loi normale a un coefficient d'asymétrie égal à zéro et un kurtosis égal à trois. On
saisit alors que si les données suivent une loi normale, le test s'approche de 0 et on
accepte (ne rejette pas) H0 au seuil α .
 Linéarité de la relation entre les facteurs de risque et la valeur du portefeuille.
Puisque le p&l est fonction de facteurs de risque, l‟idée est alors d‟utiliser la propriété
qui énonce que toute combinaison linéaire de variables normales est normale.
1.2. Méthodologie
L‟application de la méthode paramétrique consiste à suivre les étapes suivantes :
 Identifier les facteurs de risque du portefeuille

 Calculer les rendements de ces facteurs de risque par l‟une des formules du rendement
suivantes :
-rendement logarithmique : )
-rendement arithmétique :
Tel que ft : valeur du portefeuille à l‟instant t .
20
L'avantage de l'utilisation des rentabilités logarithmiques est surtout mathématique. En

effet, la rentabilité logarithmique calculée sur plusieurs périodes consécutives est la
somme des rentabilités logarithmiques calculées sur chaque période
Pt
rt (k )  ln( )  rt  rt 1    rt k 1
Pt k
 Calculer la matrice de var-covar (variance-covariance) ∑ pour ces rendements

 Poser le vecteur des pondérations de tous les actifs constituant le portefeuille, sa
transposée
 Appliquer la formule :
Tel que :
le quantile correspondant à la loi normale pour le niveau de confiance
de 99%, égale alors à 2.33 d‟après la table de la loi normale centrée réduite,
la moyenne des rendements qui est généralement nulle,
est la valeur du portefeuille à la date t, jour du calcul de la VaR.
1.3. Avantages
L‟avantage fondamental de la méthode paramétrique par rapport aux autres
méthodes réside dans la simplicité de la mise en oeuvre de celle-ci surtout pour le cas
des actions. On peut résumer ses atouts dans ce qui suit :
 L‟hypothèse de normalité des variations des prix, sur laquelle se base cette méthode,
simplifie considérablement l‟estimation de la VaR. De plus, les données nécessaires
pour calculer la matrice des variances-covariances sont généralement facilement
disponibles bien qu‟assez volumineuses. Par conséquent, l‟estimation de la VaR
s‟effectue rapidement et requiert peu de ressources informatiques.
 En supposant que les changements des prix sont normalement distribués, la méthode
permet d‟exprimer la VaR pour toutes les combinaisons possibles du niveau de
confiance et de l‟horizon de calcul , contrairement à la méthode historique qui , en
augmentant l‟horizon de calcul, nous fait perdre une large partie des observations .
Cette possibilité d‟ajustement rend la VaR potentiellement riche en informations.
 Enfin, la méthode paramétrique jouit d‟une grande objectivité du fait que la procédure
d‟estimation est particulièrement intuitive.
1.4. Expansion de la VaR paramétrique

Lorque l‟hypothèse de la normalité n‟est pas vérifiée, une autre façon de faire
est de considérer une autre mesure de risque, une extension de la VaR qui est la
Cornish-Fisher. La VaR n‟est certes qu‟une approximation. C‟est pourquoi plusieurs
méthodes valent mieux qu‟une pour la calculer. L‟expansion de Cornish-Fisher est
l‟une de celles-là. Celle-ci est une relation approximative entre les percentiles d‟une
distribution et ses moments. Au dire de Stuart et al. (1999), un très grand nombre de
21
distributions que l‟on retrouve en Statistique tendent vers la normale quand n (le
nombre d‟observations) se dirige vers l‟infini, mais dans des échantillons de moindre
envergure, la distribution normale peut laisser beaucoup à désirer. C‟est pourquoi il
faut recourir à l‟expansion de Cornish-Fisher dans ce cas pour approximer les
percentiles d‟une distribution. Cette approximation, basée sur la série de Taylor,
recourt aux moments d‟une distribution qui dévie de la normale pour calculer ses
percentiles. A.stuart, K.Ord et S.Arnold (1999) ont fournit cette approximation
jusqu‟au quatrième moment d‟une distribution. L‟approximation de Cornish-Fisher
donne alors la formule du quantile comme suit:
L‟approche au calcul de la VaR basée sur l‟expansion de Cornish-Fisher vise à

modifier le multiple associé à la loi normale de manière à intégrer les troisième et
quatrième moments de la distribution des rendements. Disons que le multiple modifié
au seuil de α % est égal à w α . Si l‟investisseur détient une position en compte dans
un titre (long position), on peut alors calculer la VaR du titre à partir de la limite à
gauche de l‟intervalle de confiance du rendement de ce titre, c‟est-à-dire :
2. Méthode non paramétrique

Le principe général des méthodes non paramétriques d‟estimation / prévision de la
VaR est que l‟on impose a priori aucune distribution paramétrique de pertes et profits.
Au delà de ce point commun, il existe une grande variété de méthodes non
paramétriques de calcul de la VaR.
2.1. Méthode historique

Il s‟agit d‟une méthode très simple d‟estimation des mesures de risque fondée sur
la distribution empirique des données historiques de rendements. Formellement, la
VaR est estimée simplement par lecture directe des fractiles empiriques des
rendements passés. Si l‟on considère par exemple un niveau de confiance de 99% et
que l‟on dispose d‟un échantillon de 1000 observations historiques de rendements, la
VaR est donnée par la valeur du rendement qui correspond à la 10ème forte de perte.
2.1.1. Hypothèses
 Stationnarité des rendements des facteurs de risque: le passé doit refléter le futur. Ceci
dit, on prévoit que les flux futurs vont se reproduire de la même manière que ceux du
passé. L‟évolution est alors connue d‟avance.
2.1.2. Méthodologie
Plus concrètement, cette méthode consiste à reconstituer les N valeurs historiques
pour chaque actif constituant notre portefeuille, puis évaluer la variation de la valeur
22
du portefeuille à la date j par rapport celle du calcul de la VaR. On obtient ainsi N-1
pertes et profits (P&L) qu'on assimile à des pertes même si certaines d'entre elles sont
des gains. Ces valeurs vont permettre la construction implicite d'une distribution
empirique à partir de laquelle on peut extraire le quantile d'ordre α. Pour ce faire, il
suffit de ranger les N-1 pertes potentielles {L1,L2,….,LN-1} et de prendre la valeur
absolue du Nαème plus petite valeur si Nα est entier, sinon on procède par une
interpolation linéaire.
La VaR historique s'écrit donc de la façon suivante :
 Ln  ;si Nα est entier


VaR1,  
 n 

L   n  n  L   L 
( n 1) (n )
  ; sinon
Avec : n* = [N   ] la partie entière de N   .
Cette technique est généralement affaiblie par sa grande dépendance des données
qu'elle utilise. Ceci rend l'estimation du quantile locale et, par la suite sa vitesse de
convergence faible. Il faut stocker donc un très grand nombre d'observations
(vérification de la loi des grands nombres) afin d'améliorer cette estimation et pouvoir
tenir compte des événements extrêmes. L'utilisation des données historiques pose un
autre problème vu que la VaR historique est incapable de prendre en considération les
événements futurs plausibles si ceux-ci n'apparaissent pas dans le passé. De plus, cette
méthode affecte un même poids à toutes les données, qu‟elles soient anciennes ou
récentes. Or, on sait que les données récentes jouent un rôle plus important dans
l'estimation. Enfin, la longueur de l'historique, utilisée pour le calcul de la VaR s'avère
difficile à choisir. D'une part, l'observation des événements rares nécessite un grand
nombre de données, et d'autre part, la prise en compte des données trop anciennes peut
affaiblir la pertinence des estimations.
2.1.3. Avantages
L‟avantage majeur de la méthode historique réside dans le fait qu‟elle allie
simplicité et large application.
 Elle représente manifestement la plus intuitive des techniques de calcul de la VaR. La

procédure est en effet simple et fournit des résultats faciles à interpréter.
 Elle ne formule aucune hypothèse quant à la forme des distributions des rendements,
ni quant à la linéarité des relations entre le prix et les facteurs de risque. Elle parvient
ainsi à s‟adapter avec les spécificités des positions traitées et des marchés. Elle
convient donc pour gérer tout type de position dans toute condition de marché.
23
 Son caractère non paramétrique lui évite d‟estimer des paramètres. Ceux-ci étant
implicitement présents dans l‟historique des variations des facteurs de marché. La
méthode historique ne requiert donc pas de calculs préliminaires.
 Enfin, on peut dire qu‟elle échappe au risque de modèle puisque, du fait de son
caractère non paramétrique, elle n‟utilise aucun modèle d‟évaluation.
2.2. Technique du bootstrapping

Une amélioration simple de la méthode historique consiste à estimer la VaR à partir
de données simulées par Bootstrap. Le Bootstrap consiste à ré-échantillonner les
données historiques de rendements avec remise. Plus précisément, dans notre contexte,
la procédure consiste à créer un grand nombre d‟échantillons de rendements simulés,
où chaque observation est obtenue par tirage au hasard à partir de l‟échantillon original.
Chaque nouvel échantillon constitué de la sorte permet d‟obtenir une estimation de la
VaR par la méthode historique standard, et l‟on définit au final une estimation en
faisant la moyenne de ces estimations basées sur les ré-échantillonnages.
2.3. Méthode de Monte Carlo

La méthode Monte Carlo consiste à simuler un grand nombre de fois les
comportements futurs possibles des facteurs de risque selon un certain nombre
d‟hypothèses, et d‟en déduire une distribution des pertes et profits à partir de laquelle
on estime finalement un fractile. Si cette approche peut s‟appliquer, en théorie, quelles
que soient les lois de probabilité suivies par les facteurs de risque, elle est couramment
utilisée en pratique, pour des raisons techniques, en supposant que les variations
relatives des paramètres de marché suivent des lois normales.
2.3.1. Méthodologie
L‟avantage de la méthode est qu‟elle ne présente pas d‟hypothèses. Elle est donc
applicable à n‟importe quel portefeuille sauf qu‟elle présente des difficultés au niveau
de son implémentation et est caractérisée par sa lourdeur lors de sa mise en
application.
Le principe de la dite méthode consiste en la simulation des données nécessaires
pour l‟application. Plus précisément, il s‟agit de chercher les processus stochastiques
que peuvent suivre les facteurs de risque. Pour ce faire, il est crucial de détecter tous
les facteurs de risques puis de modéliser l‟évolution de leurs prix respectifs pour enfin
trouver le modèle adéquat. Une fois le processus stochastique trouvé, on en déduit une
distribution des pertes et profits à partir de laquelle on estime finalement le fractile du
niveau souhaité.
Il existe plusieurs processus stochastiques selon la nature du facteur de risque et dont
nous verrons les détails plus loin, lors de l‟application de cette méthode aux différents
types d‟actifs.
24
2.3.2. Avantages
La méthode Monte Carlo constitue une technique dont les possibilités théoriques
semblent illimitées. C‟est un outil de gestion du risque très puissant et flexible. En
effet, elle semble être capable de gérer tout type de position dans toutes les
circonstances possibles du marché. La méthode s‟accommode avec toutes les positions
et le problème de non stationnarité des facteurs de risque. Elle parvient aussi à gérer
des événements extrêmes.
3. Méthode semi-paramétrique
Parmi les méthodes semi-paramétriques figurent tout d‟abord l‟ensemble des
méthodes et approches qui relèvent de la théorie des valeurs extrêmes (EVT) qui
diffère de la théorie statistique habituelle fondée pour l‟essentiel sur des raisonnements
de type “tendance centrale”. Les extrêmes sont en effet gouvernés par des théorèmes
spécifiques qui permettent d‟établir sous différentes hypothèses la distribution suivie
par ces extrêmes. Il existe deux principales branches de la théorie des valeurs extrêmes
: la théorie des valeurs extrêmes généralisée et la loi de Pareto généralisée (ou
l‟approche POT - “peaks-over-threshold”). L‟approche POT permet l‟étude de la
distribution des pertes excessives au dessus d‟un seuil (élevé), tandis que la théorie
des valeurs extrêmes généralisée permet de modéliser le maximum ou le minimum
d‟un très grand échantillon. (D‟après Arnoult Benoit (2007)).
Pour faire le calcul adéquat de la VaR du portefeuille diversifié de la salle des

marchés, il fallait procéder par type d’actifs financiers constituant le portefeuille.
Nous allons présenter dans ce qui suit, la démarche à utiliser pour chaque type
d’actifs du portefeuille sur lequel nous avons travaillé. En effet, on constituera un
portefeuille d’obligations (bons de trésor), un portefeuille de contrats à terme sur le
change et un portefeuille d’actions.
Nous avions considéré une période d’un an allant du 29/03/2009 au 29/03/2010.
La VaR paramétrique et non paramétrique a été calculée le jour du 29/03/2010 afin de
prévoir la perte maximale à ne pas dépasser pour 99% de chances le lendemain
puisque l’horizon est d’un jour.
Hypothèse générale : On calcule la VaR correspondant à un horizon de temps de

1jour et pour un niveau de confiance de 99%.
25
Chapitre 3 : Application de la VaR à un portefeuille diversifié
CHAPITRE3 : Application de
la VaR à un portefeuille diversifié
Dans ce chapitre, nous assistons à la

méthodologie adoptée pour effectuer le calcul
de la VaR aux différents types d’actifs pour
ensuite voir comment trouver la VaR agrégée
du portefeuille global
26
1. Calcul de la VaR du portefeuille « action »
1.1. Caractéristiques générales

Cours de l’action : actions généralement échangés sur des marchés (titres
négociables).
Caractéristique temporelle : l‟action est un titre sans maturité.
Caractéristique du risque : l‟action est un titre aléatoire par excellence ; il n‟y a pas
de condition aux limites comme les obligations. C‟est un domaine par excellence des
modélisations stochastiques.
1.2. Présentation et analyse des données de la banque

Le portefeuille « action » est présenté sous forme du tableau suivant :
Il est composé comme nous venons de voir de trois actions. Les cours ont été
téléchargés du site de la bourse de Casablanca et en prenant les cours de clôture. La
principale source du risque pour ce portefeuille reste la fluctuation des prix de ces
actions. On peut supposer dans ce cas que la variation des cours est le seul facteur de
risque pour ce type d‟actifs. Avant de voir comment appliquer la VaR avec ses
différentes approches à ce portefeuille, nous allons procéder à une analyse technique
des trois actions de notre portefeuille.
Analyse technique du « portefeuille action » :
Utilité :
L‟analyse technique est très utilisée par les analystes financiers dans le but de
comprendre les marchés financiers et de prévoir leurs évolutions futures. Elle est ainsi
basée sur l‟hypothèse que l‟évolution passée d‟un actif financier fournit la meilleure
information sur sa propre évolution future.
On peut dire que l‟analyse technique se fonde ainsi sur trois principes :
- le marché donne par lui-même suffisamment d'informations pour en déduire ses
tendances,
- les prix évoluent suivant des tendances, des mouvements ou des règles déterminés,
- les événements passés se reproduiront dans l'avenir.
27
L‟analyse du cours d‟un actif financier s‟avère ainsi une chose primordiale pour
l‟analyse des fluctuations du marché financier. Elle permet d‟avoir un aperçu général
sur l‟évolution des transactions et du cours et de prévoir ainsi les tendances futures.
C‟est pourquoi nous allons effectuer une analyse graphique détaillée du cours des
sociétés ADDOHA (ADH), Alliance(ADI) et Ittisalat Al Maghreb (IAM).
Analyse du MASI :
La performance des actions est calculée à partir de l‟indice principal boursier de la
bourse de Casablanca MASI (« Moroccan All Shares Index ») ; composé de toutes les
valeurs cotées sur la place casablancaise.
Ainsi, afin de suivre l‟évolution globale du marché boursier durant la période de
notre étude, nous allons étudier de près l‟évolution du MASI sur une période qui
s‟étale sur 8ans allant du 01/01/2002 au 24//04/2010 soit un total de 2110 observations
journalières.
MASI
16000
15000
14000
13000
12000
11000
10000
9000
8000
7000
6000
5000 MASI
4000
3000
2000
1000
0
02/01/2002
02/07/2002
02/10/2002
02/01/2003
02/07/2003
02/10/2003
02/01/2004
02/04/2004
02/07/2004
02/10/2004
02/04/2005
02/07/2005
02/10/2005
02/01/2006
02/04/2006
02/07/2006
02/10/2006
02/01/2007
02/04/2007
02/07/2007
02/10/2007
02/01/2008
02/04/2008
02/10/2008
02/01/2009
02/04/2009
02/07/2009
02/10/2009
02/01/2010
02/04/2010
02/04/2002
02/04/2003
02/01/2005
02/07/2008
Figure 3 : Evolution du cours du MASI
D‟après ce graphe, on peut dire que, malgré les fluctuations apparentes à la hausse ou
à la baisse, la valeur de MASI a connu 3 phases :
 Phase de forte croissance du début juillet 2002 à la fin de juin 2008 : au cours
de cette période, la valeur de MASI est passée de 2.786,44 à 14.925,99.
 Phase de forte décroissance du début juillet 2008 à la fin de mars 2009 : on
remarque que cette valeur a connu une tendance baissière au cours de cette
période est cela est surement dû à la crise financière qu‟a connu le monde et en
particulier le Maroc.
 Phase d‟instabilité marquée par des hausses et des baisses du début avril 2009
à la fin de mars 2010 caractérisant l‟état d‟hésitation des investisseurs.
28
Analyse des actions du portefeuille :
Afin de compléter notre analyse, on doit ajouter les tendances du cours.

-On appelle ligne de résistance la ligne reliant les sommets successifs d'un
graphique.
-On appelle ligne de soutien ou support la ligne reliant les planchers
successifs de ce même graphique.
Ligne de
180,00 résistance
160,00
140,00
120,00
100,00 Ligne de support
80,00
60,00 IAM
40,00 MASI (100 pts)
20,00
0,00
27/03/2009
27/04/2009
27/05/2009
27/06/2009
27/07/2009
27/11/2009
27/12/2009
27/01/2010
27/02/2010
27/03/2010
27/08/2009
27/09/2009
27/10/2009
Figure 4 : Evolution de l’action IAM

Commentaire : on remarque que le cours d‟IAM suit l‟évolution du marché. Ceci est
bien évidement évident du fait que l‟action d‟IAM possède un poids assez important
sur le marché des actions.
1400,00
1200,00
Ligne de
1000,00 résistance
800,00
600,00
ADI
400,00 Ligne de support MASI (10 pts)
200,00
0,00
Figure 5 : Evolution de l’action ADI
29
Commentaire : de même que l‟action IAM, l‟ADI présente une évolution similaire
que le MASI.
160,00
Ligne de
140,00 résistance
120,00
100,00
80,00
60,00 Ligne de support ADH
40,00 MASI (100 pts)
20,00
0,00
Figure 6 : Evolution de l’action ADH
Commentaire : on remarque que l‟ADH suit l‟évolution du marché au début de la

période puis entre dans une tendance baissière à partir du mois de juin 2009, avant de
retrouver la tendance du MASI en novembre de la même année.
On peut dire ainsi que dans l‟analyse technique, on fait une analogie entre les
variations du cours et les vagues, le marché dans son ensemble varie en formant des
mouvements comparables à des vagues. Pour chaque vague, il y a une phase de
formation et puis il y a gonflement de la vague ensuite une phase de retrait de la
vague. Au cours d‟une période, qu‟elle soit baissière ou haussière, l‟évolution d‟un
titre n‟est pas uniforme. Il est toujours représenté par une ligne brisée.
1.3. Méthode des variances/covariances

Trois facteurs de risque correspondant à ce portefeuille, à savoir la variation du
cours d‟IAM, celle d‟ADH et enfin celle d‟ADI. Nous allons présenter les résultats sur
une seule action, l‟application est identique pour les deux autres actions. On choisit
l‟action IAM constituant 54% du portefeuille action.
1.3.1. Vérification des hypothèses

La linéarité des facteurs de risques parait intuitive puisque la principale source du
risque pour ce portefeuille reste la fluctuation des prix de ces actions.
30
Vérification de l’hypothèse de la stationnarité :
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -11.24910 0.0000

Test critical
values: 1% level -4.035648
5% level -3.447383
10% level -3.148761
Figure 7 : Test sur la stationnarité du rendement d‟IAM
La valeur absolue de la statistique (|-11,24910|) est supérieure à la valeur critique

correspondant à 1% (-4,03). On en déduit que la série est stationnaire.
Le test donne des résultats identiques concernant les autres actions; le lecteur
pourra ensuite se référer à l‟annexe5 pour mieux visualiser ce résultats.
Vérification de l’hypothèse de la normalité :
L‟hypothèse principale de la VaR paramétrique étant la normalité des rendements, il

est alors nécessaire, avant d‟entamer les calculs, de tester cette hypothèse.
Le test de Jarque-Bera par E-views pour les rendements de l'action IAM nous donne :
35
Series: RDMIAM
30 Sample 1 122
Observations 122
25
Mean -0.001126
20 Median 0.000000
Maximum 0.018450
Minimum -0.040867
15
Std. Dev. 0.009388
Skewness -1.413847
10
Kurtosis 7.824335
5 Jarque-Bera 158.9561
Probability 0.000000
0
-0.025 0.000
Figure 8 : Test de Jarque Bera pour les rendements de IAM
31
Ce test montre la non validité de l‟hypothèse de normalité pour cette action. Il

donne des résultats identiques concernant les autres actions, le lecteur pourra ensuite
se référer à l‟annexe5 pour mieux visualiser ce résultat.
D‟après la figure ci-dessus représentant l‟histogramme des rendements d‟IAM,
nous remarquons que le skewness est supérieur à zéro (1.413847), ce qui veut dire que
la densité de la distribution des rendements du portefeuille s‟étale vers la droite. Ce
constat est affirmé par l‟allure de l‟histogramme. Ainsi, on peut affirmer que la
distribution des rendements de notre portefeuille fait l‟objet d‟une asymétrie positive.
En ce qui concerne le kurtosis, on constate qu‟il est égal à 7.824335 ce qui est
largement supérieur à 3. Nous sommes donc confrontés au cas d‟une distribution
nettement leptokurtique, c‟est-à-dire qu‟elle présente des queues épaisses, en
comparaison avec la distribution normale.
On trouve aussi que la statistique de Jarque-Bera est égale à 158.9561, ce qui
est donc fortement supérieure à 5.9915. La statistique de Jarque-Bera nous incite à
penser alors à ce que la distribution des rendements de notre portefeuille dévie
fortement de la normale.
Pour corriger la non normalité, l‟alternative serait d‟utiliser les trois, voir
même les quatres premiers moments pour estimer la distribution du rendement à l‟aide
du développement de Cornish-Fisher. L‟approche du calcul de la VaR basée sur
l‟expansion de Cornish-Fisher vise à modifier le multiple associé à la loi normale de
manière à intégrer les troisième et quatrième moments de la distribution des
rendements, comme nous verrons dans ce qui suit.
1.3.2. Etapes du calcul de la VaR paramétrique
Estimation de la volatilité :
Il revient de calculer la matrice des variances-covariances des rendements des trois
actions. Elle est donnée par le tableau suivant :
Tableau 2 : matrice de variance covariance des rendements des actions du portefeuille actions
var-covar IAM ALL ADH

IAM 8,81378E-05 2,80997E-05 8,64523E-05
ALL 2,80997E-05 9,50117E-05 6,07347E-05
ADH 8,64523E-05 6,07347E-05 0,000401255
32
Composition du portefeuille
Avant d‟entamer les calculs, nous présentons le vecteur des poids associé à chaque
action :
Action Poids
IAM 0,53908356
ADH 0,24528302
ADI 0,21563342
1.3.3. Application au portefeuille

Une fois nous disposons de la matrice de la variance covariance ainsi que celle des
poids de chaque actif dans le portefeuille, la VaR paramétrique du portefeuille global
se calcule comme suit :
 Sous l‟hypothèse de normalité :
Avec :
µ le rendement espéré du portefeuille supposé nul,
∑ est la matrice de la variance-covariance des rendements des actions,
le vecteur des pondérations de tous les actifs constituant le portefeuille, sa

transposée,
est la valeur du portefeuille à la date t, jour du calcul de la VaR.

 Cependant, la normalité n‟étant pas vérifiée, on calcule la Cornish-Fisher VaR pour
chaque facteur de risque en tenant compte du troisième et quatrième moment de
chacun. On calcule ensuite la Cornish-Fisher VaR pour tout le portefeuille « action »
en appliquant la formule suivante :
tel que représente la corrélation entre l‟action i et l‟action j ; i et j {1,3} déduite

du tableau suivant :
33
Tableau 3 : matrice de corrélation des rendements des actions constituant le portefeuille
IAM ALL ADH

corrélation
IAM 1 0,30960349 0,46351029
ALL 0,30960349 1 0,31362625
ADH 0,46351029 0,31362625 1
La matrice de corrélation montre un niveau d‟indépendance très acceptable entre les

titres constituant le portefeuille avec des coefficients de corrélation dont le
maximum est 0,463 entre Addoha et IAM.
et pour calculer la Cornish-Fisher VaR pour chaque type d‟action en
considérant l‟écart-type des rendements de chacune appliqué au quantile d‟ordre 1%
de Cornish-Fisher dont on rappelle la formule :
Résultats de l’application:
Ainsi, nous obtenons que pour 1% de chances, la perte maximale à atteindre pour le
portefeuille des actions le 30/03/2010 est telle que :
 sous l‟hypothèse de normalité :
34
Qt 4000 4550 10000 18550 Calcul de la VaR paramétrique à 1 jour

Day SÉANCE ADH ADI IAM Rendement
0 27/03/2009 2060,00 1201,00 1065,00 ADH ADI IAM
1 30/03/2009 2071,00 1205,00 1065,00 0,0053 0,0033 0,00
2 31/03/2009 2091,00 1205,00 1065,00 0,0097 0,0000 0,00
3 01/04/2009 2082,00 1205,00 1076,00 -0,0043 0,0000 0,01
4 02/04/2009 2090,00 1205,00 1077,00 0,0038 0,0000 0,00
5 03/04/2009 2098,00 1220,00 1065,00 Rendement 0,0038 0,0124 -0,01
6 06/04/2009 206,60 1187,00 1090,00 -0,9015 -0,0270 0,02
7 07/04/2009 207,00 1160,00 1150,00 0,0019 -0,0227 0,06
8 08/04/2009 205,00 1136,00 1115,00 -0,0097 -0,0207 -0,03
9 09/04/2009 198,00 1080,00 1140,00 -0,0341 -0,0493 0,02
10 10/04/2009 197,20 1065,00 1110,00 -0,0040 -0,0139 -0,03
11 13/04/2009 195,00 1025,00 1100,00 -0,0112 -0,0376 -0,01
12 14/04/2009 197,00 990,00 1100,00 0,0103 -0,0341 0,00
13 15/04/2009 195,00 960,00 1090,00 -0,0102 -0,0303 -0,01
14 16/04/2009 183,30 903,00 1025,00 -0,0600 -0,0594 -0,06
15 17/04/2009 172,35 849,00 964,00 -0,0597 -0,0598 -0,06
16 20/04/2009 162,05 799,00 998,00 -0,0598 -0,0589 0,04
17 21/04/2009 161,00 800,00 1000,00 -0,0065 0,0013 0,00
18 19/09/2008 170,65 848,00 1000,00 0,0599 0,0600 0,00
19 22/09/2008 180,85 898,00 1019,00 0,0598 0,0590 0,02
20 23/09/2008 180,00 929,00 1000,00 -0,0047 0,0345 -0,02
Calcul de la VaR paramétrique à 1 jour
Rendement
ADH ADI IAM Var/Covar ADH ADI IAM
0,0053 0,0033 0,00 ADH 0,0025 0,0003 0,0001
0,0097 0,0000 0,00 ADI 0,0003 0,0004 0,0001
-0,0043 0,0000 0,01 IAM 0,0001 0,0001 0,0021
0,0038 0,0000 0,00
0,0038 0,0124 -0,01 Var/Covar
-0,9015 -0,0270 0,02 W
0,0019 -0,0227 0,06 vecteur de pondération ADH ADI IAM ADH 0,2156
-0,0097 -0,0207 -0,03 transposé W 0,2156 0,2453 0,5391 ADI 0,2453
-0,0341 -0,0493 0,02 IAM 0,5391
-0,0040 -0,0139 -0,03
-0,0112 -0,0376 -0,01
W t  Wt
T
0,0103 -0,0341 0,00 0,028592
-0,0102 -0,0303 -0,01
-0,0600 -0,0594 -0,06
-0,0597 -0,0598 -0,06
-0,0598 -0,0589 0,04
-0,0065 0,0013 0,00 la valeur du Portefeulle
0,0599 0,0600 0,00 29/03/2010 1959483,50
0,0598 0,0590 0,02
-0,0047 0,0345 -0,02
-0,0444 -0,0258 0,00 VaR 99% 130541,55
0,0116 -0,0166 0,00
Figure 9: Etapes de calcul de VaR dans le cas normal
SÉANCE VaR en DH
29/03/2010 130 541,552
 sous l‟approximation de Cornish-Fisher :
SÉANCE VaR en DH
29/03/2010 191 013,2062
35
On remarque bien que ce montant est supérieur à celui trouvé sous l‟hypothèse de la
normalité des rendements. Il est clair que c‟est un constat évident puisque la Cornish-
Fisher VaR tient compte des queues qui présentent généralement les phénomènes
extrêmes (crise financière par exemple).
1.4. Application de la VAR historique

Les rendements, déjà calculés lors de l‟application de la méthode de la variance-
covariance, seront alors soumis au test de Dickey-Fuller pour vérifier la stationnarité.
Celle-ci étant l‟hypothèse de validation de la méthode historique.
1.4.1. Vérification de l’hypothèse de stationnarité

La méthode historique, contrairement à l'approche paramétrique, ne pose pas
d'hypothèses sur la distribution des rendements du portefeuille. Cependant, elle repose
sur l'hypothèse de stationnarité des rendements ; autrement dit la distribution des
variations de la valeur de portefeuille pour l'horizon sur lequel on calcule la VaR est
bien estimée par les observations de ces variations à partir des données historiques.
Cette hypothèse est vérifiée d‟après ce qui précède. Nous pouvons alors appliquer
aisément la dite méthode.
1.4.2. VaR historique appliquée au portefeuille

En utilisant la procédure citée dans la démarche théorique, nous obtenons nos résultats
da la VaR historique toujours au seuil 99% pour l‟horizon d‟un jour comme suit :
Qt 4000 4550 10000
Day SÉANCE ADH ADI IAM
0 27/03/2009 2060,00 1201,00 1065,00 ADH ADI IAM
1 30/03/2009 2071,00 1205,00 1065,00 on calcule 11,0000 4,0000 0,0000
2 31/03/2009 2091,00 1205,00 1065,00 les variations 20,0000 0,0000 0,0000
3 01/04/2009 2082,00 1205,00 1076,00 -9,0000 0,0000 11,0000
4 02/04/2009 2090,00 1205,00 1077,00 8,0000 0,0000 1,0000
5 03/04/2009 2098,00 1220,00 1065,00 8,0000 15,0000 -12,0000
6 06/04/2009 206,60 1187,00 1090,00 -1891,4000 -33,0000 25,0000
7 07/04/2009 207,00 1160,00 1150,00 0,4000 -27,0000 60,0000
8 08/04/2009 205,00 1136,00 1115,00 -2,0000 -24,0000 -35,0000
9 09/04/2009 198,00 1080,00 1140,00 -7,0000 -56,0000 25,0000
10 10/04/2009 197,20 1065,00 1110,00 -0,8000 -15,0000 -30,0000
11 13/04/2009 195,00 1025,00 1100,00 -2,2000 -40,0000 -10,0000
12 14/04/2009 197,00 990,00 1100,00 2,0000 -35,0000 0,0000
L’idée est maintenant de calculer scénario 0 correspond à la La valeur du
les possibilités d’évolution du scénario ADH ADI IAM valeur des facteurs le Portefeulle
portefeuille pour demain en 29/03/2010
ADH ADI IAM 0 113,25 759,00 144,00 5346450,00
supposant que les facteurs vont
11,0000 4,0000 0,0000 évoluer entre aujourd’hui et 1 124,25 763,00 144,00 montre les valeurs des 5408650,00
demain de la même manière facteurs pour demain sur le
20,0000 0,0000 0,0000 2 133,25 759,00 144,00 5426450,00
qu’entre le jour i -1 et le jour i (i marché si leur taux de
-9,0000 0,0000 11,0000 3 104,25 759,00 155,00 variation entre aujourd’hui et 5420450,00
entre le 27/03/2009 et le
8,0000 0,0000 1,0000 29/03/2010 ) 4 121,25 759,00 145,00 demain et le même entre le 5388450,00
8,0000 15,0000 -12,0000 5 121,25 774,00 132,00 jour i-1 et le jour i avec i entre 5326700,00
1 et 200.
-1891,4000 -33,0000 25,0000 6 -1778,15 726,00 169,00 -2119300,00
0,4000 -27,0000 60,0000 7 113,65 732,00 204,00 5825200,00
-2,0000 -24,0000 -35,0000 8 111,25 735,00 109,00 4879250,00
-7,0000 -56,0000 25,0000 On a 250 jours entre le 27/03/2009 9 106,25 703,00 169,00 5313650,00
et le 29/03/2010 donc 250
-0,8000 -15,0000 -30,0000 possibilités d’évolution de notre 10 112,45 744,00 114,00 4975000,00
-2,2000 -40,0000 -10,0000 portefeuille pour demain 11 111,05 719,00 134,00 5055650,00
2,0000 -35,0000 0,0000 12 115,25 724,00 144,00 5195200,00
36
La valeur du
Portefeulle
5346450,00 P&L P&L trié
5408650,00 62200,00 -246575,00
5426450,00 80000,00 -229050,00
5420450,00 74000,00 -226150,00 on détermine le quantile
5388450,00 42000,00 -222500,00 d'ordre 1%
5326700,00 -19750,00 -221800,00
-2119300,00 -7465750,00 -219850,00
5825200,00 478750,00 -205100,00
4879250,00 -467200,00 -205350,00 VaR 99% 202250,00
5313650,00 -32800,00 -202720,00
4975000,00 -371450,00 -202700,00
on calcule les on trie ces P&L
5055650,00 variations : P&L -290800,00 -202650,00
5195200,00 -151250,00 -202550,00
Figure 10: Etapes de calcul de VaR historique
SÉANCE VaR en DH
29/03/2010 202 250,00
Le calcul donne que la perte maximale prévisible pour la journée du 29/03/2010 est
de 202 250 DH à 1% de chances. En le comparant à celui de la méthode paramétrique,
on constate qu‟il est plus élevé.
1.5. Application de la VaR Monte Carlo

1.5.1. Modélisation des facteurs de risque
Le principe de ladite méthode consiste en la simulation des données nécessaires
pour l‟application. Il s‟agit alors de la génération des facteurs de risque. Pour ce faire,
il est crucial de détecter tous les facteurs de risques puis modéliser l‟évolution de leur
prix respectifs pour enfin trouver le modèle adéquat. Une fois le processus
stochastique trouvé, il suffit d‟appliquer la méthode historique. Il existe plusieurs
processus stochastiques selon la nature du facteur de risque et dont les détails sont mis
en annexe.
Comme nous le savons, l‟action est en elle-même un facteur de risque. Ce qui nous
amène à travailler directement avec les actions.
La représentation graphique des trois actions déjà présentée dans l‟analyse technique
nous montre que l‟évolution de ces trois actions présente des sauts haussiers et
baissiers.
Le graphique des rendements de l‟action ADH sont présentés comme suit :
37
rdt ADH
0,08
0,06
0,04
0,02
rdt ADH
0
Linéaire (rdt ADH)
1
8
15
22
29
36
43
50
57
64
71
78
85
92
99
106
113
120
-0,02
-0,04
-0,06
-0,08
Figure 11 : évolution et tendance du rendement de l’action ADH
L‟évolution du taux de rendement de l‟action ADH présente une tendance avec un

bruit autour. Le même constat est déduit pour les deux autres actions.
Le rendement suit alors un mouvement brownien arithmétique:

= dt + σdz
où  est la dérive de la série,  son écart-type et dz = ε dt tel que  ~ N(0,1) et où dt

désigne un petit intervalle de temps, encore désigné par «pas».
En effet, si l‟équation différentielle stochastique du prix de l‟action se conforme à un
mouvement brownien géométrique (dS = αSdt + σSdz), alors le prix de l‟action suit
une loi lognormale. Et si tel est le cas, le logarithme de S suit une loi normale, en
d‟autres termes le rendement de l‟action suit une loi normale ce qui n‟est pas le cas
(puisqu‟on a rejeté l‟hypothèse de normalité des rendements selon le test de Jarque
Bera).
Par analogie à ce que nous avons appliqué dans la méthode paramétrique, nous allons
voir comment superposer aux processus stochastiques classiques, qui reposent sur la
distribution normale, un processus de Poisson de manière à prendre en compte les
troisième et quatrième moments de la distribution des rendements.
Suggestion de Levy(1999):
Pour expliquer la non normalité dans l‟équation du mouvement brownien
géométrique, Levy suggère l‟ajout du processus de Poisson de paramètre  (nombre
moyen de sauts sur la période d‟évaluation). En effet, ce processus permet de
superposer au mouvement brownien géométrique, qui repose sur la distribution
normale, un processus qui rend la distribution des rendements leptocurtique et
asymétrique. Ce dernier processus est associé aux événements rares qui occasionnent
des sauts.
L‟équation du mouvement brownien avec sauts devient :
38
dS = S ( dt + σ dz ) + (J - 1) S dq + (K – 1) S dw
tels que les variables dq et dw suivent chacun un processus de Poisson (λ). J entre 0 et
1 pour faire référence aux sauts négatifs, alors que K est supérieur à 1pour les sauts
positifs. Ces deux processus de sauts sont supposés indépendants l‟un de l‟autre.
1.5.2. La démarche du Calcul de la VaR
Estimation des paramètres :

Avant de procéder à la simulation des cours suivant le mouvement brownien
géométrique, il faut estimer les paramètres nécessaires pour pouvoir programmer cette
simulation sur vba excel.
Les moyennes et les variances des trois actions sont estimées par la méthode du
maximum de vraisemblance sur les rendements journaliers des cours, grâce à Eviews
(voir annexe9).
On trouve les valeurs suivantes :
Tableau 4 : estimation des moyennes et variances pour les trois actions
MOYENNE ECART-TYPE
IAM 0,001216367 0,009542598
ADI 0,000130298 0,009817988
ADH -0,0000721534 0,020201051
 est fixé au nombre de sauts qu‟on a depuis les données utilisées et on trouve, grâce à
un mode de calcul sur excel par solver, la valeur : 1.5, 1.33 et 1.41 qui représentent le
nombre moyen de sauts durant l‟année de calcul respectivement pour l‟IAM, l‟ADI et
l‟ADH. La méthode consiste à déterminer la valeur de  par la résolution du problème
de minimisation des écarts entre les valeurs réelles et celles simulées du taux de
change en considérant une valeur de départ pour .
Etapes de calcul :
La simulation des cours suivant le processus stochastique du brownien géométrique a
été implémentée sur excel via l‟outil vba (voir programme en annexe10).Il suffit
ensuite de suivre les étapes :
 j
 On calcule le vecteur des rendements R à la date j qui suit le processus stochastique
du brownien arithmétique
 On calcule par la suite la valeur du portefeuille pour chaque vecteur de rendement
simulé et ceci en utilisant la formule suivante :
L j   WtT  R  j   K t ; Avec WtT : le vecteur transposé des poids à t et Kt : la

valeur du Portefeuille à t (date de calcul de la VaR).
39
 On estime enfin le quantile d'ordre α de la même façon que la méthode de simulation

historique.
1.5.3. Application de la VaR Monte Carlo au portefeuille

Pour un seuil de 99%, la perte maximale à atteindre pour le portefeuille pour le
29/03/2010 est telle que :

Qt 4000 4550 10000 la valeur du
scénario ADH ADI IAM simuler Portefeulle
0 112,75 749,27 144,17 5301942,22
1 113,91 752,82 144,27 5323619,13
2 113,74 756,06 144,93 5344273,63
3 114,42 751,61 146,02 5337688,14
4 115,42 748,91 146,76 5336845,09
5 113,51 744,23 146,22 5302467,36
6 109,98 747,13 144,74 5286715,53
7 111,40 751,72 145,29 5318804,08
8 110,76 752,15 146,54 5330734,46
9 110,31 749,18 146,76 5317595,18
10 111,25 751,14 148,34 5346092,87
11 114,94 753,12 151,81 5404538,45
12 116,71 753,56 150,02 5395766,10
13 115,55 742,94 150,16 5344202,11
14 116,37 744,97 150,37 5358825,85
la valeur du Calcul de la VaR MC à 1 jour
Portefeulle trié
5301942,22 P&L P&L trié
5323619,13 -44507,78 -154942,78
5344273,63 -22830,87 -150635,50
5337688,14 -2176,37 -150467,36
5336845,09 -8761,86 -149673,55
5302467,36 -9604,91 -146967,20
5286715,53 -43982,64 -146615,52
5318804,08 -59734,47 -143650,26
5330734,46 -27645,92 -143262,73 VaR 99% 142 541 ,37
5317595,18 -15715,54 -142878,20
Figure 12: Etapes de calcul de la VaR Monte Carlo
SÉANCE VaR en DH
29/03/2010 142 541 ,37
 sous l‟approximation de Levy
SÉANCE VaR en DH
29/03/2010 251 947
40
De même que ce qu‟on a vu à la méthode paramétrique, la VaR de Levy est

supérieure à celle de la VaR Monte Carlo sous l‟hypothèse de normalité. En effet, la
première tient compte des queues des distributions.
2. Calcul de la VaR du portefeuille obligataire « bons de

trésor »
2.1. Caractéristiques générales

Il s‟agit d‟un type d‟obligations. Celles-ci sont des valeurs mobilières, plus
précisément des titres de créance représentatifs d‟emprunts. Les bons de trésor sont
des obligations à coupons annuels émises par l‟Etat.
 Obligation à coupons : actif financier correspondant à un prêt qui donne droit, en

retour, à la perception d‟intérêts qu‟on appelle « coupons » et au remboursement à
l‟échéance du prêt.Cet instrument possède les caractéristiques suivantes :
 Nominal : tous les titres obligataires, quels qu‟ils soient, représentent une créance sur
l‟émetteur. La valeur de cette créance est le montant nominal inscrit sur le titre. C‟est
ce montant, appelé encore « valeur faciale » ou « principal », que l‟emprunteur devra
rembourser au détenteur du titre.
 Le coupon : l‟intérêt payé par l‟émetteur rémunère périodiquement le service rendu

par le prêteur. Les sommes versées sont calculées en multipliant le nominal du titre par
le taux d‟intérêt nominal, encore appelé « taux nominal » ou « taux facial ».
 La périodicité : la périodicité du coupon est importante pour apprécier un titre. Deux

raisons justifient cette importance : Une périodicité courte accroît, toutes choses étant
égales par ailleurs, le rendement. En effet, une obligation qui verse des coupons
semestriels permet un réinvestissement plus rapide des sommes perçues. Une
périodicité annuelle du coupon accroît le montant des intérêts courus que l‟acheteur
doit rembourser au vendeur.
 La maturité : la maturité ou la durée de vie d‟un titre obligataire est la période de

temps qui sépare une date donnée (celle d‟émission), et l‟échéance finale.
 Obligation zéro-coupon :Une obligation zéro-coupon est une obligation qui donne
lieu à deux flux financiers seulement : un flux initial, et un flux final de
remboursement. En d‟autres termes, elle ne donne lieu à aucun détachement de coupon
intermédiaire. Les obligations à coupons peuvent être décomposées en un ensemble
d‟obligations zéro-coupon ; décomposition facilite la valorisation de ces instruments.
41
Un taux Zéro Coupon : c‟est le taux actuariel d‟une obligation zéro-coupon. . En

effet, le taux zéro-coupon constitue le taux de rendement actuariel d‟une obligation à
coupon zéro ; donné par l‟équation suivante :
Avec : C : le coupon de l‟obligation

N : le nominal de l‟obligation
: le taux in fine de l‟obligation zéro-coupon de maturité t
P : le prix ou la valeur actuelle de l‟obligation zéro-coupon
t : la durée restante de la date de la valorisation à l‟échéance.
 Taux de rendement actuariel : Le taux de rendement actuariel est le taux d'intérêt

composé utilisé pour calculer l'équivalent dans le futur de la valeur actuelle d'une
somme reçue ou payée.
 Taux in fine : Le taux in fine est le taux de rendement actuariel d‟une obligation à
coupons. En effet, cette dernière peut être valorisée à l‟aide de ce taux selon l‟équation
suivante :
Avec y i : le taux in fine de l‟obligation à coupons de maturités i.

P : le prix ou la valeur actuelle de l‟obligation à coupons.
N : le principal ou le nominal de l‟obligation à coupons.
C : le coupon.
 Taux court : Taux déterminé sur le marché monétaire à court terme (entre un
jour et 2 ans). Généralement, on prend le TMP (taux moyen pondéré) ou taux jj
(au jour le jour).
Pour valoriser les bons de trésor, on travaillera avec les taux zéro-coupons au
lieu des taux in fine pour faciliter les calculs et se fait de la manière suivante :
42
Figure 13 : Transformation d’une obligation à coupons en obligations zéro-coupon
2.2. Présentation des données de la banque
Le portefeuille fourni par la banque contient 1500 bons de trésor de valeur faciale
100 000 DH, au taux 3,40%, sur 52 semaines et émis au 24/08/2009.
Les données nécessaires à ce type d‟obligations correspondent au taux d‟intérêt
journalier, seul facteur de risque des obligations car la volatilité des taux influence le
prix de l‟obligation. Dans notre cas, vu que la durée restante est de 0,40 an, nous
allons considérer les variations des taux zéro-coupons 13 et 26 semaines comme les
deux facteurs de risque de ce type d‟actifs. Ceux-ci ne sont pas fournis par le site de
Bank Al Maghrib, nous avons été amenés à les calculer par interpolation linéaire des
taux de référence des Bons de Trésor (courbe des taux) présentes sur le site de la
banque centrale. (voir annexe11 )
Analyse du taux zéro-coupons marocain :

Le taux zc utilisé est le taux d‟intérêt de mâturités 13, 26, 52 semaines, 2, 3, 5, 10 et
15ans. Pour ce faire, nous avons considéré la période de 6ans allant du 02/01/2004 au
22/03/2010 .
43
0,0800
0,0700
0,0600
13S
0,0500 26S
0,0400 52S
0,0300 1an
0,0200 2ans
10ans
0,0100
15ans
0,0000
20ans
18/03/2005
15/06/2005
08/09/2005
08/12/2005
08/03/2006
06/06/2006
01/09/2006
30/11/2006
27/02/2007
29/05/2007
18/02/2009
01/07/2009
02/10/2009
31/12/2009
02/01/2004
30/03/2004
24/06/2004
22/09/2004
20/12/2004
28/08/2007
22/11/2007
21/02/2008
21/05/2008
18/08/2008
19/11/2008
Figure 14 : Evolution du taux ZC marocain
La structure des taux d‟intérêt est croissante avec la maturité : la courbe
d‟évolution du taux 20ans est au dessus de toutes les autres suivis de celle du taux
15ans, et ainsi de suite jusqu‟à la courbe d‟évolution du taux 13 semaines. Mais ceci
n‟empêche qu‟on remarque quelques exceptions.
On remarque aussi qu‟il y a une forte corrélation entre les différentes courbes.
En effet, la matrice des covariances/variances est donnée par Excel comme suit :
Tableau 5 : matrice de variances/variances des taux ZC de différentes maturités

matrice var-covar 13S 26S 52S 1an 2ans 10ans 15ans 20ans
13S 1,96424E-05 1,8336E-05 1,58662E-05 1,1726E-05 2,37388E-06 -6,72453E-06 -1,26523E-05 -2,13537E-05
26S 1,8336E-05 1,7525E-05 1,7525E-05 1,7525E-05 1,7525E-05 1,7525E-05 1,7525E-05 1,7525E-05
52S 1,58662E-05 1,7525E-05 1,37628E-05 1,37628E-05 1,37628E-05 1,37628E-05 1,37628E-05 1,37628E-05
1an 1,1726E-05 1,7525E-05 1,37628E-05 9,30407E-06 9,30407E-06 9,30407E-06 9,30407E-06 9,30407E-06
2ans 2,37388E-06 1,7525E-05 1,37628E-05 9,30407E-06 1,09134E-05 1,09134E-05 1,09134E-05 1,09134E-05
10ans -6,72453E-06 1,7525E-05 1,37628E-05 9,30407E-06 1,09134E-05 2,50355E-05 2,50355E-05 2,50355E-05
15ans -1,26523E-05 1,7525E-05 1,37628E-05 9,30407E-06 1,09134E-05 2,50355E-05 3,97229E-05 3,97229E-05
20ans -2,13537E-05 1,7525E-05 1,37628E-05 9,30407E-06 1,09134E-05 2,50355E-05 3,97229E-05 6,93745E-05
2.3. Méthode paramétrique

Là encore la linéarité parait intuitive du fait de la relation de valorisation du bon du
trésor ci-dessus.
44
Vérification de l’hypothèse de stationnarité
Toujours grâce au test de Dickey-Fuller sur E-views, nous obtenons les résultats
suivants :
t-Statistic Prob.*

Test critical
5% level -3.430572
10% level -3.138884
Figure 15 : test de Dickey-Fuller appliqué au taux zc 13semaines
La valeur absolue de la statistique (15.05534) est supérieure à la valeur critique pour

les trois niveaux de confiance, à savoir 99%, 95% et 90%. On en déduit qu‟on doit
rejeter l‟hypothèse nulle H0. Nous en déduisons alors que la série des variations du
taux d‟intérêt sur 13 semaines est stationnaire .
De même, obtient la même conclusion concernant le taux zc sur 26 semaines. Les
résultats étant les suivants :
t-Statistic Prob.*

Test critical
5% level -3.430572
10% level -3.138884
Figure 16 : test de Dickey-Fuller appliqué au taux zc 26 semaines
Vérification de l’hypothèse de normalité
Le test de Jarque Bera par E-views sur les variations des taux zc nous donne :
45
200
Series: RDT_13S
Sample 1 219
160 Observations 219
Mean 0.020977
120 Median 0.000000
Maximum 4.605170
Minimum -0.553598
80 Std. Dev. 0.315567
Skewness 14.08126
Kurtosis 205.2926
40
Jarque-Bera 380653.3
0
0 1 2 3 4
Figure 17 : Test de Jarque-Bera pour les variations du taux Z-C 13semaines
200
Series: RDT_26S
Sample 1 219
160 Observations 219
Mean 0.021164
120 Median 0.000000
Maximum 4.601527
Minimum -0.601580
80 Std. Dev. 0.315881
Skewness 13.99811
Kurtosis 203.8157
40
0
0 1 2 3 4
Figure 18 : test de Dickey-Fuller appliqué au taux zc 26semaines
La statistique de Jarque Bera est égale à 380653.3 pour le taux z-c 13 semaines
et à 375135.3 pour celui de 26semaines, ce qui est donc fortement supérieure à la
valeur critique égale 5,9915 (chi-deux à deux degrès de liberté) . La statistique de
Jarque-Bera nous incite à penser alors à ce que la distribution des rendements de notre
portefeuille dévie fortement de la normale.
46
Nous allons corriger, de la même manière vue pour les actions, la normalité de la
distribution par l‟expansion de Cornish-Fisher VaR.
2.3.2. Etapes de calcul de la VaR paramétrique
Estimation de la volatilité
La matrice de la variance covariance est donnée par Excel qu‟on présente sous la
forme du tableau suivant :
Tableau 6 : matrice variances/covariances des taux 13 et 26 semaines
var-covar Tx zc 13S Tx zc 26S

Tx zc 13S 7,58002E-07 9,21491E-07
Tx zc 26S 9,21491E-07 1,21335E-06
Ainsi que le vecteur des poids est fourni sous forme du tableau suivant :
Vecteur des poids poids
Tx zc 13S 0,4
Tx zc 26S 0,6
Au fait, on fait comme si on duplique l‟obligation de durée résiduelle tk en des

obligations zéro-coupons de maturités ti et tj, tel que ti<tk<tj. De ce fait, on obtient une
quantité d‟obligations zéro-coupons de 13semaines wi et une autre pour 26semaines
wj, par la formule : et .
 Dans notre cas, on obtient : w13s = 0,4 et w26s = 0,6 (avec : j=0.5, k = 0.4, i = 0,25)
Une fois ces éléments déterminés, on peut appliquer la formule de la VaR
paramétrique.
Cependant, là encore l‟hypothèse de la normalité n‟étant pas validée, on recourt à
l‟expansion de la Cornish-Fisher VaR. En tenant compte du troisième et quatrième
moment du rendement de chaque taux, on appliquera la formule comme ce qui a été
déjà fait pour le portefeuille « action ».
2.3.3. Application de la VaR paramétrique au portefeuille

Ainsi, la perte maximale à atteindre pour le portefeuille obligataire le 30/04/2010 est
telle que :
47
SÉANCE VaR en DH
29/04/2010 720 582,18
 sous l‟approximation de Cornish-Fisher :
SÉANCE VaR en DH
29/04/2010 996 750,32
Ceci veut dire que la perte maximale, sous l‟hypothèse de normalité, à atteindre le
30/04/2010 pour le dit portefeuille est de 720 582,18 DH pour 1% de chances. Par
contre, la perte de Cornish-Fisher est plus élevé puisqu‟on tient compte de la queue de
la distribution.
2.4. Application de la VaR historique

Comme ce qui a été déjà présenté et appliqué dans ce qui précède, nous allons
commencer par tester l‟hypothèse permettant d‟utiliser la méthode historique. Celle-ci
étant déjà vérifiée afin d‟appliquer la méthode analytique, nous allons passer
directement à l‟application de la méthode historique sur le portefeuille obligataire.
2.4.1. Taux zéro-coupons

Les données étant les taux zc 13 et 26 semaines pour la période allant du 29/03/2009
au 29/03/2010, nous allons calculer les possibilités d‟évolution du portefeuille pour
demain (le 30/03/2010) en supposant que les facteurs vont évoluer entre aujourd‟hui et
demain de la même manière qu‟entre le jour i -1 et le jour i (i allant du 29/03/2009 au
29/03/2010).
2.4.2. Calcul de la VaR historique

Une fois la valeur du « portefeuille bons du trésor » est obtenu pour chaque scénario,
nous utilisons la même procédure expliquée plus haut, et nous obtenons nos résultats
de la VaR historique au seuil de confiance 99% comme suit :
SÉANCE VaR en DH
29/03/2010 951 054,38
48
On obtient le montant 951 054,38 DH, ce qui correspond à la perte maximale que
la salle des marchés peut subir d‟ici le lendemain ( au 30/03/2010) à 1% de chances.
En d‟autres termes c‟est le montant maximal qu‟elle ne doit dépasser sinon la banque
risque de perdre beaucoup d‟argent.
Etant donné que le facteur de risque du portefeuille obligataire est la variation des
taux zéro-coupons, nous allons simuler les deux taux zéro-coupons 13 et 26 semaines.
De meilleurs résultats peuvent être obtenus en étudiant la structure par termes des taux
d‟intérêt pout trouver le processus stochastique adéquat. En effet, la génération de la
courbe des taux marocaine passe nécessairement par l‟étude de la structure par terme
des taux d‟intérêt.
2.5.1. Structure par termes des taux d’intérêt
La structure par termes des taux d‟intérêt décrit à un instant donné comment varient
les taux d‟intérêt en fonction de l‟échéance. Son objectif ultime est de comprendre la
relation entre la valeur présente d‟un paiement à recevoir et la date à laquelle ce
paiement sera reçu.
Par la suite, nous considérerons toujours des taux zéro coupon quitte à considérer tout
bon à coupons comme la somme de plusieurs bons zéro coupons d‟échéances
coïncidant avec les dates de paiement des coupons.
L‟objectif serait donc l‟estimation à un instant t de la fonction R(t,T) avec R(t,T) le
taux zéro-coupons de maturité T à l‟instant t.
Les modèles de structure par termes des taux d‟intérêt se divisent en deux grandes
familles : les modèles d’équilibre général ; c'est-à-dire l‟équilibre économique
traditionnel défini par l‟égalité de l‟offre et de la demande sur chacun des actifs
échangés. Il permet donc de prendre en compte les caractéristiques de l‟économie et,
en particulier, les préférences individuelles.
Et les modèles d’arbitrage qui se basent sur l‟hypothèse d‟absence d‟opportunité
d‟arbitrage1. Sous cette hypothèse, le seul critère pertinent pour déterminer la valeur
d‟un titre est la nature de l‟assurance qu‟il procure indépendamment des préférences
des agents. Les modèles d‟arbitrage se divisent en des modèles probabilistes qui
établissent un lien entre la notion d‟absence d‟opportunité d‟arbitrage et le concept
probabiliste de martingale2 substituant ainsi, pour la détermination de la courbe des
taux, la résolution d‟une équation différentielle à un calcul d‟espérance mathématique,
et en des modèl1es d’arbitrage classique qui se basent sur des équations différentielles.
1
On dit qu‟il y a absence d‟opportunité d‟arbitrage sur un marché financier lorsqu‟il est impossible de mettre en œuvre, sans
apport initial, une stratégie d‟investissement conduisant de façon certaine à un gain positif
Une variable aléatoire est une martingale pour une mesure de probabilité donnée si sa valeur à l‟instant t est égale à l‟espérance
2
mathématique de son flux terminal, conditionnellement à l‟information disponible en t
49
Figure 19 : Schéma des modèles de la structure par terme des taux d’intérêt
Le problème essentiel dans l‟étude de la structure par termes des taux d‟intérêt est la
détermination des sources de risque ou d‟incertitude. Ils existent donc des modèles à
plusieurs variables d‟état (taux à court terme, volatilité des taux,…) et des modèles à
une seule variable d‟état (taux à court terme).
Nous nous sommes limités à ajuster le modèle à une seule variable d‟état qui est le
taux court terme, qu‟on note rt .
2.5.2. Modélisation du taux court rt

Il s‟agit des taux moyens pondérés (TMP) ; c‟est-à-dire des taux au jour le jour
du marché monétaire (money market). Les données étant fournies par BAM, nous
passons directement à leur modélisation comme ce qui suit.
Contrairement aux taux de rendement des actions, les taux d‟intérêt ne prennent pas
des valeurs négatives. Une forme générale pour le processus stochastique suivi par un
taux d‟intérêt s‟énonce comme suit:
drt = (α + β rt ) dt + σ rtγ dWt
Les coefficients α et β caractérisent la dérive,  est le paramètre de volatilité

instantanée, alors que la constante γ mesure la sensibilité de la volatilité au niveau du
taux d‟intérêt instantané rt. En imposant des restrictions sur le groupe de paramètres
(α, β , σ , γ), on obtient une grande diversité de modèles de taux d‟intérêt, dont on a
présenté les plus connus sous forme du tableau suivant :
50
Tableau 7 : modèles des taux d’intérêt
Modèle Restrictions
Merton 0 0
Vasicek 0
Cox-Ingersoll-Ross 0,5
Dothan 0 0 1
Brennan Schwartz 1
Notre choix s‟est basé sur le modèle de Vasicek, et ce pour deux avantages majeurs :
 Le modèle est à un facteur simple à comprendre d‟un point de vue théorique.
 Le modèle admet une discrétisation exacte.
Ce dernier point facilite beaucoup l‟estimation des paramètres du processus des
taux.
Rappelons que le modèle de Vasicek est basé sur le processus d‟Ornstein-

Uhlenbeck et s‟écrit sous la forme suivante :
Nous utiliserons la version discrète du processus, initialement donnée par

Gourièroux et Monfort (1993):
Où :
est une variable aléatoire de loi normale centrée réduite.
est le pas de discrétisation retenu.
Le diagramme des autocorrélations partielles, indiquera un pas de

discrétisation de l‟ordre de 1.
51
Figure 20 : Corrélogramme du TMP
L‟estimation des paramètres du modèle s‟effectue en régressant la série des taux

sur la série décalée d‟une période. Ce qui donne l‟équation suivante :
; assimilable à
Avec comme liaison, les paramètres initiaux :
L‟estimation des paramètres du modèle par Eviews nous donne les résultats suivants :
52
Variable Coefficient Std. Error t-Statistic Prob.
TMP(-1) 0.961210 0.006063 158.5277 0.0000

C 0.001159 0.000185 6.260923 0.0000
R-squared 0.923289 Mean dependent var 0.029997

Adjusted R-
squared 0.923252 S.D. dependent var 0.005674
S.E. of
regression 0.001572 Akaike info criterion -10.07225
Sum
squared
resid 0.005158 Schwarz criterion -10.06685
Log
likelihood 10527.50 F-statistic 25131.02
Durbin-
Watson stat 1.797757 Prob(F-statistic) 0.000000
Figure 21 : Estimation des paramètres du Modèle de Vasicek
Les paramètres sont significatifs (p-value égale à 0 ce qui inférieur à 5%)

et R2 = 92,33% (ce qui signifie que le TMP(-1) explique 92,33% du TMP pour ce
modèle). on trouve :
= 0.00115908 ; =0,96232534 ; = 0,02086336
Le modèle est :
Le taux à court terme rt suivant le modèle de Vasicek nous permet de trouver toute la
structure des taux d‟intérêt (la courbe des taux) via la formule suivante :

Avec : ;
Et où λ désigne la prime unitaire de risque de taux d‟intérêt. C‟est la prime unitaire
offerte pour le risque engendré par les fluctuations imprévues du taux court. . La
53
méthode consiste à déterminer la valeur de  par la résolution du problème de

minimisation des écarts entre les valeurs réelles et celles simulées du taux en
considérant une valeur de départ pour . Nous supposons par la suite que cette prime
est nulle pour faciliter les calculs. La formule devient :
N.B : la démonstration de la formule de la structure par termes des taux est mise en
annexe.
En remplaçant maintenant les paramètres par leurs valeurs estimées
2.5.3. Calcul de VaR du portefeuille
Les taux étant simulés grâce à la formule présentée de la structure par termes des taux,
nous appliquons ce qu‟on a vu pour la méthode historique et nous obtenons que pour
un seuil de 99%, la perte maximale à atteindre pour le portefeuille pour le 29/03/2010
est 724 014,4909 DH.
SÉANCE VaR en DH
29/03/2010 724 014,49
3. Calcul de la VaR du portefeuille « contrat à terme sur

change »
3.1. Caractéristiques
Le marché de change est un marché virtuel où s‟échangent les différentes devises
internationales, à un prix (cours de change) qui résulte de la loi de l‟offre et de la
demande.
Organisation du marché des changes : Comme toute opération de vente ou d‟achat,
les opérations de change nécessitent un prix. Les cotations fournissent un cours
d‟achat et un cours de vente permettant la réalisation de deux types d‟opérations : la
vente (Ask) de devise, et l‟achat (Bid) de devises. Le Spread d‟une cotation est la
différence entre le Ask et le Bid qui ne doit pas dépasser 6%. Quand une banque cote
un prix à un client, ou à une autre banque elle a comme profit le Spread.
54
Le change au comptant (spot) : Le marché au comptant consiste en l‟achat ou la

vente d‟une devise contre une autre par un cambiste ou trader à un prix fixé
aujourd‟hui (j) et dont la livraison se fera dans deux jours (j+2).
Figure 22 : Schéma expliquant des mécanismes de fonctionnement du marché au

comptant
La livraison ne se fait pas physiquement mais simplement en débitant ou en

créditant les différents comptes de chaque partie. Les taux de change applicables par
les banques aux opérations en devises sont déterminés à l'intérieur des fourchettes de
BAM (0.6%) à un instant donné. Le cours de change au comptant négocié comprend la
commission de BAM de 2‰ sur les achats et les ventes de devises à la clientèle.
Pour se couvrir contre le risque de change dû aux fluctuations de la devise, les
agents économiques utilisant des devises étrangères (notamment importateurs et
exportateurs) ont souvent recours au change à terme ou « forward ».
Définition du contrat à terme sur change :Un contrat de change à terme, est un
accord d‟échange à une date future, d‟un montant dans une devise donnée contre un
autre libellé dans une autre devise, à un cours de change fixé d‟avance.
Dans le cas d‟un achat à terme d'une devise 1 contre une devise 2 est équivalent à :
 Un emprunt en devise 2;
 Un achat spot de la devise 1 contre la devise 2;
 Un placement de la devise 1.
Ceci dit, à l‟échéance, le cours à terme de la transaction capitalisé doit financer

l‟emprunt. On peut voir ceci depuis le tableau suivant, en faisant un raisonnement par
rapport à la banque :
Flux A l’instant t A l’échéance

Entrant CT CT * (1+Tdev* N/360)
sortant CC CC * (1+TMAD * N/360)
De ce fait, l‟équilibre du financement nous donne la formule suivante :
55
Dès lors, la formule générale pour le calcul du cours à terme se présente comme suit :
1  TMAD x N / 360
CT  CC 
1  Tdev x N / 360
Avec : Tdev : le taux de la devise échangée

TMAD : le taux d‟intérêt en dirham
N : le nombre de jours entre la date de négociation et la date d‟échéance
CC : le cours au comptant le jour de la négociation
CT : le cours à terme de la transaction
Au Maroc, L'échéance est définie dans le cadre de la circulaire de l'office des

changes pour un contrat « forward » : elle est d‟un an aussi bien pour les transactions
commerciales que les transactions financières. L'achat ou la vente à terme de devises
donne lieu à un contrat entre l'entreprise et la banque où sont précisés les points
suivants :
- le montant de l'opération.
- les devises échangées à terme.
- le cours à terme retenu pour l'échange.
- l'échéance du contrat.
3.2. Données de la banque

On traitera dans ce paragraphe le cas d‟un seul contrat de change à terme dont les
caractéristiques sont décrites comme ce qui suit :
Contrat de change à terme
un terme EUR/DKK à 7,442

Trade date Maturity date nominal
29/03/2010 31/03/2010 1 000 000,00
56
Dans cette partie, nous allons mettre en pratique les différentes méthodes de calcul
de la VaR au portefeuille des « contrats à terme change » qui permet d‟acheter 1
M$EU dans 3 mois contre livraison de 7,442 Million de DKK.
La valeur f de ce contrat se calcule comme suit:
Prix euro/dkk A l’échéance A l’instant t
Marché S S* = St

D’exercice K K* 
Le « pay-off » (différence entre le prix du marché et le prix d‟exercice) à l‟instant t

est : telque :

é
é ê é
é ê
Les données correspondantes sont présentées comme ci-dessous :
TIMESTAMP EUR DKK EURO/DKK DKK/MAD

27/03/2009 1,47 2,50 7,4511 1 ,5
30/03/2009 1,56 2,30 7,451 1,49
. . . .
.
. . . . .
.
. . . .
29/03/2010 0,47 0,77 7,441 1,5
Les facteurs de risque pour ce type d’actifs sont les deux taux d’intérêt DKK
(couronne dannoise de Danemerk), le taux d’intérêt (EUR) et le taux de change
(EUR/MAD) ainsi que le taux de change (DKK/MAD) pour la conversion en DH. En
effet, Pour garantir à l’acheteur de Danemark le versement de 1million d’euro au taux
de change EUR/DKK, la banque qui a proposé l’actif met en place le montage suivant.
Elle achète dès aujourd’hui sur le marché euro un zéro coupon de nominal 1 millions
et d’échéance T. En T elle recevra les 1 millions d’euro et pourra ainsi livrer la
quantité demandée à l’acheteur danemarkais. En contrepartie, elle recevra les 7,442
millions de DKK La valeur du contrat est ainsi en DKK, cependant la VaR se calcule
en DH dans notre cas et ceci nous amène à appliquer le taux de change DKK/MAD.
57
3.3. Analyse des données

Le portefeuille faisant l‟objet de l‟étude comprend deux devises, à savoir l‟EUR et le
DKK. Ainsi, nous avons travaillé sur les taux d‟intérêt de l‟EUR, du DKK et sur le
taux de change EUR/DKK. Notons que la VaR à calculer doit être en MAD. Il est
donc nécessaire de convertir en DH en multipliant la dite valeur par le taux de change
DKK/MAD.
Les graphiques ci-dessous représentent l‟évolution de ces taux.
euro
1,80
1,60
1,40
1,20
1,00
0,80
0,60
0,40 euro
0,20
0,00
Figure 23 : Evolution du taux EUR
Commentaire : on remarque que le taux euro présente une tendance baissière.
dkk
3,50
3,00
2,50
2,00
1,50
1,00 dkk
0,50
0,00
Figure 24 : Evolution du taux DKK
58
Commentaire : l‟évolution est aussi baissière pour le taux DKK Remarquons que les
fluctuations sont aigues; le DKK connait donc de fortes variations durant la période
allant du 27/03/2009 au 27/07/2009 avant de tendre vers un état de stabilité.
euro/dkk
7,452
7,45
7,448
7,446
7,444
7,442
7,44
7,438 euro/dkk
7,436
7,434
27/05/2009
27/06/2009
27/08/2009
27/09/2009
27/10/2009
27/11/2009
27/12/2009
27/01/2010
27/02/2010
27/03/2010
27/03/2009
27/04/2009
27/07/2009
Figure 25 : Evolution du taux EUR/DKK
Commentaire : le taux de change est en baisse, qu‟on peut expliquer cette baisse par
celle des deux taux EUR et DKK.
DKK/MAD
1,55
1,54
1,53
1,52
1,51
1,50
1,49
1,48 DKK/MAD
1,47
1,46
27/03/2009
27/04/2009
27/05/2009
27/06/2009
27/07/2009
27/08/2009
27/09/2009
27/10/2009
27/11/2009
27/12/2009
27/01/2010
27/02/2010
27/03/2010
Figure 26 : Evolution du taux DKK/MAD
59
Commentaire : Par contre, l‟évolution du taux de change de DKK/MAD est variable.

Il est haussier durant la période allant du 27/04/2009 jusqu‟au mois de novembre 2009
pour ensuite chuter, en ayant une forte baisse entre fin 2009 et début 2010.
3.4. Application de la VaR paramétrique
De même, on peut trouver la linéarité de la relation entre les facteurs de risque et la

valorisation du contrat de change à terme en considérant que tout modèle
multiplicatif est transformable en modèle additif (Jean-Yves Gerard). La relation de la
valorisation est la suivante :
Qu‟on peut écrire sous la forme suivante :
é
é ê
Nous allons nous restreindre, dans cette partie, à visualiser les résultats des tests du
EUR/DKK.
Vérification de l’hypothèse sur la stationnarité
Grâce au logiciel statistique d‟EVIEWS, nous avons pu tirer le résultat suivant :
t-Statistic Prob.*

Test critical
5% level -3.428198
10% level -3.137485
Figure 27 : Résultats du test sur la stationnarité des rendements du DKK/MAD
60
La valeur absolue de la statistique (13.66) est supérieure à la valeur critique pour les
trois niveaux de confiance, à savoir 99%, 95% et 90%. On en déduit qu‟on doit rejeter
l‟hypothèse nulle H0. Nous en déduisons alors que la série des rendements de
l‟EUR/DKK est stationnaire .
Le même résultat est obtenu pour le DKK, l‟euro et celui de DKK/MAD et, dont les
résultats tirés d‟Eviews ont été mis en annexe.
Vérification de l’hypothèse de la normalité
Le test de Jarque Bera par E-views sur les rendements nous donne :
30
Series: EURO_DKK
Sample 1 261
25
Observations 261
20 Mean -5.13e-06
Median -6.71e-06
15 Maximum 5.18e-05
Minimum -7.57e-05
Std. Dev. 2.03e-05
10 Skewness 0.146648
Kurtosis 3.750889
5
0
-5.0e-05 0.00000 5.0e-05
Figure 28 : Test de Jarque Bera pour les rendements d‟EUR/DKK
Ces résultats nous montre la non validité de l‟hypothèse de normalité pour le

forward change. En effet, d‟après la figure ci-dessus représentant l‟histogramme des
rendements de notre « portefeuille contrat de change à terme », nous remarquons que
la statistique de Jarque Bera nous incite à penser alors à ce que la distribution des
rendements de notre portefeuille dévie fortement de la normale.
Nous corrigerons par la suite la distribution en faisant appel à Cornish-Fisher VaR.
N.B : le lecteur peut aller en annexe22 pour visualiser les résultats du test sur eviews
pour les taux d’intérêt DKK et EUR et le taux de change DKK/MAD.
61
3.4.2. Etapes de calcul de la VaR paramétrique
Estimation de la volatilité
Pour ce type de portefeuille, nous allons estimer la volatilité par la matrice de
variance-covariance des rendements des quatres facteurs de risque, à savoir les deux
taux d‟intérêt (EUR et DKK) et les taux de change (EUR/DKK et DKK/MAD).
Tableau 8 : matrice variance-covariance des principaux facteurs de risque pour le change
var-covar EUR DKK EUR/DKK DKK/MAD

EUR 0,011315527 -0,00134036 -7,19401E-09 -0,0111488
DKK -0,001340364 0,031637358 4,33591E-08 -0,01881418
EUR/DKK -7,19401E-09 4,33591E-08 4,11113E-10 -0,00012236
DKK/MAD -0,011148811 -0,01881418 -0,00012236 0,0055791
Puisqu‟on traite le cas d‟un seul contrat à terme, nous n‟aurons pas à tenir compte du
vecteur de pondération. La formule à utiliser est alors la suivante :
VaR  Z  µ
Où  est le rendement moyen du contrat supposé nul

 Est la racine de la matrice de la variance-covariance des facteurs de risque
z est le quantile d‟ordre 1% pour le cas normal, sinon on utilise le w qui tient
compte du troisième et quatrième moment.
3.4.3. Application de la VaR paramétrique au portefeuille
- Le vecteur des rendements moyens du portefeuille est supposé nul.

Là encore, étant donné que la normalité des rendements des trois facteurs de risque
n‟est pas vérifiée, on commence par calculer les expansions de Cornish-Fisher VaR
(C-F) pour chaque facteur de risque puis on applique la formule suivante pour trouver
la C-F du portefeuille comme suit:
Rappelons la formule de calcul de la C-F pour chaque facteur de risque est :
62
Où est l‟écart-type des rendements de chaque type de facteur de risque

est le quantile d‟orde 1% en tenant compte du troisième et quatrième
moment correspondants à chaque facteur de risque.
La perte maximale à atteindre pour le portefeuille « change » le 30/04/2010 est telle

que :
 sous l‟hypothèse de normalité
SÉANCE VaR en DH
29/04/2010 3 688 134,83
 sous l‟approximation de Cornich-Ficher
SÉANCE VaR en DH
29/04/2010 3 967 699,52
Là encore, la perte sous l‟hypothèse de la normalité est beaucoup moins élevée que
celle calculée à partir de C-F.
3.5. Application de la VaR historique

L‟hypothèse de la stationnarité de la distribution de chacun des quatres facteurs de
risque étant vérifiée, nous commencerons par valoriser notre portefeuille afin
d‟appliquer correctement la méthode historique comme déjà présenté.
3.5.1. Facteurs de risque

La génération des taux se fait de la même manière décrite que les taux d‟intérêt zéro-
coupons. Il n‟est donc pas nécessaire de traiter la même démarche, le lecteur pourra se
revoir la partie correspondant à la méthode historique pour les obligations.
3.5.2. Valorisation du contrat de change

Nous avons vu comment calculer la valeur du contrat pour chaque date. Ceci en
utilisant bien évidemment les données des taux générés. En faisant la conversion en
DH, nous pouvons ensuite appliquer la méthode historique comme pour le cas des
obligations.
63
3.5.3. Etapes de calcul de la VaR historique

Une fois la valeur du portefeuille est obtenu pour chaque jour allant du 29/03/2009 au
29/03/2010, on calcule les p&l (profits and losses) appelés aussi résultats quotidiens
en faisant la différence entre la valeur du jour j à celle du jour de calcul de la VaR.
Ensuite, on trie ces p&l par ordre croissant de préférence et on choisit le quantile le
plus proche pour le niveau de confiance de 99% par l‟outil xlstat, comme on peut le
faire manuellement par passage aux fréquences cumulées.
3.5.4. Résultats de calcul de la VaR historique

Nous utilisons la même procédure expliquée plus haut, et nous obtenons nos
résultats de la VaR historique au seuil de confiance 99% comme suit :
SÉANCE VaR en DH
29/03/2010 3 770 424,76
On obtient le montant 3770 424,76 DH, ce qui correspond à la perte maximale

que la salle des marchés peut subir d‟ici ( au 29/03/2010) demain.
Pour pouvoir simuler les données correspondantes aux taux d‟intérêt EUR et DKK et
aux taux de change EUR/DKK et DKK/MAD, on doit déterminer les processus
stochastiques que suivent ces quatres facteurs de risque.
3.6.1. Modélisation du taux de change
En général, les taux de change peuvent présenter des sauts fréquents, comme présenté
en analysant les différents facteurs de risque.
On conclut que le taux de change ne présente pas des sauts très fréquents. Ceci est
peut-être dû au nombre de données dont nous disposons.
Il est clair que le taux de change présente une tendance déterministe et un bruit autour.
Le processus stochastique est donc un mouvement brownien géométrique dont
l‟équation est :
Ce qui est équivaut à :
64
Il s‟agit en effet de l‟équation d‟un mouvement brownien arithmétique dont les

caractéristiques sont :
Avec é é
processus de wiener suivant une loi normale qui s‟écrit : ,

où suit la loi normale N(0,1) et où dt représente un court intervalle de temps
Or, Comme nous avons vu précédemment pour l‟action, le taux de change ne suit pas
une loi lognormale vu que le rendement n‟a pas l‟allure d‟une loi normale. Nous
devons donc introduire la distribution de Poisson que nous superposerons aux
processus stochastiques classiques-brownien géométrique pour le taux de change, de
manière à prendre en compte le troisième et quatrième moment de la distribution des
rendements.
Le taux de change obéit dans ce cas à l‟équation suivante :
Telque :
J entre -1 et 0 pour les valeurs baissières et K entre 0 et 1 pour les valeurs
haussières
q et w suivent un processus de poisson de paramètre  (nombre moyen de sauts
sur la période d‟évaluation)
Estimation des paramètres :
et  sont déterminés par estimation du maximum de vraisemblance, et on trouve

les valeurs suivantes:
Tableau 9 : paramètres estimés des taux de change par MLE
EUR/DKK DKK/MAD
 7,441896894 1,49267890
 0,000697426 0,019517133
 est fixé au nombre de sauts qu‟on a depuis les données utilisées et on trouve, grâce
à un mode de calcul sur excel par solver, la valeur : 2 qui représente le nombre moyen
de sauts durant l‟année de calcul pour EUR/DKK et 3 pour DKK/MAD. La méthode
consiste à déterminer la valeur de  par la résolution du problème de minimisation des
écarts entre les valeurs réelles et celles simulées du taux de change en considérant une
valeur de départ pour .
Par le programme de visual basic for application sur excel, mis en annexe, nous
obtenons les taux de change simulés.
65
3.6.2. Modélisation des taux d’intérêt domestique et étranger

De même que ce qu‟on vient de voir pour le facteur de risque des bons de trésor, nous
estimons les paramètres du modèle général des taux d‟intérêt par MLE par excel
(solver) et on obtient les résultats que nous présentons sur le tableau suivant
Tableau 10 : paramètres estimés des taux d’intérêt par MLE
α
EUR
DKK
On en déduit que les taux d‟intérêt suivent le modèle de Vasicek.

On simule ensuite les nouveaux taux par VBA Excel. Le code de la programmation est
mis en annexe.
En appiquant la même démarche que la méthode historique, nous avons pu trouver que
la « VaR change » est:
SÉANCE VaR en DH
29/03/2010 3 934 184,22
Nous avons vu dans le présent chapitre comment appliquer les différentes

méthodes de calcul de la VaR aux différents types de portefeuille d’actifs financiers.
Il est clair qu’on n’obtient pas le même résultat en passant d’une méthode à l’autre.
En effet, les hypothèses diffèrent ainsi que la démarche à suivre, sans oublier les
données en nombre et en type. La méthode historique repose sur l’historique et
suppose que « le passé reflète le futur », chose qui n’est pas toujours vrai. La méthode
paramétrique est très rarement appliquée au Maroc, vu que la lognormalité des prix
n’est pas vérifiée. Quant à la troisième, elle a l’avantage de ne reposer sur aucune
hypothèse et dont le principe est le même que la méthode historique, celle-ci étant la
plus facile à utiliser. Cependant, elle présente une lourdeur au niveau de son
implémentation et la difficulté majeure réside dans le choix du processus stochastique
que peut suivre chaque facteur de risque pour chaque type d’actifs.
Nous avons choisi de traiter chaque type d’actif à part puisque les valorisations ne
sont pas les mêmes. Aussi, chaque prix a ses sources de risques ce qui donne
différentes façons de modéliser le processus stochastique des facteurs de risque.
66
4. VaR agrégée du portefeuille
4.1. Propriété de la sous-additivité de la VaR conditionnelle (TVaR)
Il est clair que la VaR agrégée ne pouvait être obtenue en sommant les trois VaR
(« VaR obligation », « VaR change », «VaR action »),vu que la propriété de la sous-
additivité n‟est pas vérifiée.
Propriété de la sous-additivité :
é é ; i : type d‟actifs constituant le portefeuille global
La VaR fournit une bonne information sur le résultat de l‟activité des marchés au-delà
duquel il y a perte avec une probabilité α et se calcule aisément. Elle ne fournit en
revanche aucune information sur la queue de la distribution. En ce sens, l‟inégalité
VaR(X, ) E(X) n‟est pas systématiquement vérifiée pour 0,01.
Par ailleurs, la VaR ne vérifie pas toutes les propriétés d‟incohérence. En effet, elle
n‟est pas sous-additive, ce qui signifie qu‟en réalisant la somme des VaR de plusieurs
types d‟actifs on n‟est pas forcément prudent.
VaR conditionnelle (CVaR) ou Tail Value at Risk (TVaR) :

La TVaR (Tail Value at Risk) apparait donc pour palier ces deux incohérences. La
Tail Value at Risk au seuil d‟une distribution X, noté se définit comme :
Ou d‟une manière équivalente pour des lois continues :
La TVaR apparait ainsi comme la moyenne des VaR de seuil supérieur à .

On peut également l‟approcher par la CVaR c'est-à-dire la valeur moyenne des pertes
au-delà de la VaR, définie par : CVaR (X ; = E [ X / X > VaR(X ; ]. Ces deux
notions convergent si la fonction de répartition de X est continue. Contrairement à la
VaR, la TVaR possède toutes les propriétés de cohérence notamment la sous-
additivité, qui permet d‟affirmer que :
67
Cette propriété de sous-additivité explique l‟intérêt porté à la TVaR dans les modèles
de consolidation impliquant l‟agrégation des risques. Le second intérêt de la TVaR est
qu‟elle permet de prendre en compte le comportement de la queue de distribution. De
plus, on réalise la moyenne des observations que l‟on sait le moins estimer (les
montants très élevés des P&L). Le calcul est donc fiable.
Application au portefeuille global :
En suivant la démarche ci-dessus, nous commençons par calculer la TVaR au niveau

de chaque type d‟actifs. On peut sommer ensuite ces montants pour avoir la TVaR
agrégée.
Nous avons opté pour l‟utilisation de la formule de moyenne des VaR déjà calculées
dans ce qui précède et dont nous présentons les résultats pour la méthode historique
comme suit:
TVaR du portefeuille « action » :
On note F(x) la fonction de répartition de la distribution des pertes x
F(x) x
99% 202850,00
99,50% 225655,02
99,55% 229167,16
99,60% 232679,301
99,65% 237069,476
99,70% 241459,652
99,75% 246727,862
99,80% 252874,108
99,85% 260776,424
99,90% 270434,81
99,95% 287995,512
100% 342433,688
68
On obtient immédiatement le quantile de la distribution :VaR(x ;99%)=202850,00
En prenant comme pondération le poids de chaque seuil, le calcul de la

est :
225655,02*0,000833 +..+ 342433,688*0,000833)
270731,27 avec 0,000833 =
TVaR du portefeuille « bon de trésor » :
F(X) X
99% 959218,93
99,50% 9773385,302
99,55% 9794332,933
99,60% 9795280,565
99,65% 9848965,103
99,70% 982649,642
99,75% 9859071,089
99,80% 9868229,444
99,85% 9882861,614
99,90% 9922967,599
99,95% 1177705,755
100% 1195918,69
On obtient immédiatement le quantile de la distribution :
VaR(x ;99%) = 951 054,38
Pour le calcul de la :
959218,93*0,000833 + .. + 1195918,69*0,000833)
998581,74
69
TVaR du portefeuille « contrat à terme change » :
F(X) X
99% 3770 424,76
99,50% 3773385,302
99,55% 3794332,933
99,60% 3795280,565
99,65% 3848965,103
99,70% 3852649,642
99,75% 3859071,089
99,80% 3868229,444
99,85% 3882861,614
99,90% 3922967,599
99,95% 4177705,755
100% 4967394,038
pondération 0,0008333
TVaR 3 835 420,43
La TVaR est ainsi égale à 5 104 733,44 DH
4.2. VaR approchée du portefeuille global

Dans cette partie, nous avons considéré un seul portefeuille contenant les valeurs des
différents types d‟actifs. La valorisation des différents actifs déjà faite pour
l‟application de la VaR séparément, nous avons qu‟à suivre la même démarche décrite
à la deuxième partie du rapport.
La méthode historique :
On peut la décrire comme ce qui suit :
 Veiller à ce que les dates soient les mêmes

 Prendre les valeurs calculées des trois portefeuilles
 Agréger ces valeurs pour chaque jour de l‟horizon de calcul
 Calculer les variations de celles-ci par rapport à celle du jour du calcul de la VaR
Trier ces variations et choisir celle qui correspond au quantile d‟ordre 1%.
70
La méthode de la var-covar :
On ne peut l‟appliquer dans notre cas vu que la normalité n‟est vérifiée pour aucun
type d‟actifs.
Cependant, nous pouvons agréger les Cornish-Fisher VaR calculés pour chaque type
de portefeuille.
La méthode de la Monte Carlo :

Nous utilisons les données simulées pour chaque actif, que nous mettons dans une
même base de données. Ensuite, nous suivons les mêmes étapes de la méthode
historique ci-dessus.
Application :
On trouve les résultats regroupés dans le tableau suivant :
Méthode VaR (99%, 1jour)

Historique 4924329,14
Var-covar 4910145,97
Monte carlo 5093463,046
4.3. Backtestings sur le portefeuille global

Afin de tester et de comparer les approches qui ont été utilisées pour l‟estimation de
la VaR des actions, nous avons procédé à un backtesting sur le portefeuille sujet
d‟estimatio. Ainsi, la période de test s‟étend sur 250 jours ouvrables comme
l‟exige les directives du comité de Bâle. Les résultats du backtesting sont présentés
sur forme de graphiques pour pouvoir comparer les VaR avec les P&L
correspondantes.
Dans cette partie de l‟annexe il est question, dans un premier temps, d'apprécier la
validité de nos modèles. Pour ce faire nous étions amenés à effectuer une analyse
ex post en appliquant le backtesting à chacun des modèles de la VaR que nous
avons élaborés. Ce dispositif de contrôle nous a permis de constater que
l'ensemble des modèles présente un nombre d'exceptions .
La validation de nos modèles nous permet alors de passer à une étape éminente qui
est le calcul des exigences en fonds propres grâce à la valeur à risque ; puisque
cette dernière tiennent compte des spécificités de chaque portefeuille.
71
 VaR paramétrique
L'application du backtesting à la VaR paramétrique nous fournit le graphique

suivant :
 sous l’hypothèse de normalité :
Backtesting
P&L - VaR VaR
Figure 29 : Backtesting sur la VaR paramétrique
Il y a trois dépassements sur 250 observations, ce résultat ne permet pas de mettre

en question la validité du modèle.
La VaR paramétrique semble être stable et indifférente aux mouvements de la P&L.
72
 sous l’approximation de Cornish-Fisher
Backtesting
P&L - VaR VaR
Figure 30 : Backtestings sur la VaR par l‟approximation de Cornish-Fisher
Ce graphique nous permet de tirer les conclusions suivantes :
 Presque aucun dépassement n'est enregistré sur les 250 jours de notre
Backtesting.
 Nous pouvons voir que la VaR sous l‟approximation Cornish-ficher est
mieux que celle sous l‟hypothèse de la normalité. Cela est sans doute dû à la
non vérification de l'hypothèse de normalité.
73
 VaR historique :
En appliquant le Backtesting a notre VaR historique, nous obtenons les
résultats suivants:
Backtesting
P&L - VaR VaR
Figure 31 : Backtestings sur la VaR historique
Trois dépassements sont enregistrés, mais cela ne nous permet pas de conclure quant
à la non validité du modèle de la VaR historique avec un niveau de confiance de
99%.
74
 VaR Monte Carlo :

L'application du Backtesting à la VaR Monte Carlo nous a permet de
trouver le graphique suivant:
 sous l’hypothèse de normalité
Backtesting
P&L - VaR VaR
Figure 32 : Backtestings sur la VaR Monte Carlo sous l‟approximation normale
On constate que la fonction p&l est inférieure en valeur absolue à notre VaR calculée ;
sauf quelques exceptions. Donc, notre modèle de VaR appliqué à notre portefeuille est
valide.
75
 sous l’approximation de Levy
Backtesting
P&L - VaR VaR
Figure 33 : Backtestings sur la VaR Monte Carlo par l‟approximation de Levy
Nous pouvons dire qu‟un seul dépassement est enregistré durant la période du test. La
courbe des VaR et des p&l sont plus proches l‟une de l‟autre que dans les autres VaR.
76
La Commission Bancaire définit alors trois zones pour évaluer les résultats des
contrôles ex post (backtestings) et pour appliquer le complément éventuel au
coefficient multiplicateur 3 :
zone Définition de la zone Valeur de ξ

Verte Pr(X n)95% 0
orange Pr(X n)99.99% 0-1
rouge Pr(X n)≥99.99% 1
Pr (X n) : Probabilité cumulée d'avoir n exceptions.

Pour 250 jours, les zones sont les suivantes :
-Verte (n < 5)
-Orange(5 ≤ n 9)
-Rouge (n > 10)
Le facteur multiplicateur (3+ ξ) est ainsi un facteur de prudence.
D‟après le backtestings, nous avons été recommandé d‟utiliser la valeur de à 0

(3dépassements).
4.4. Calcul de la consommation en fonds propres

Une fois la valeur à risque calculée, pour l‟horizon d‟un jour et à 1% de niveaux de
chances, nous pouvons déterminer aisément le montant en fonds propres. Cette
consommation en fonds propres doit être « bloquée » par la banque, en cas de pertes
ayant dépassé la perte maximale de l‟activité de marché tel que soit le type d‟actifs.
Rappelons la formule :
77
Après application numérique, on trouve que les fonds propres exigibles pour la banque
d‟affaires sont données sous forme du tableau suivant :
méthode historique paramétrique Monte Carlo
Fonds exigibles
4924329,14 4910145,97 5093463,046
(DH)
Il est clair que les montants des capitaux réglementaires diffèrent d‟une méthode à
l‟autre. Ceci est dû aussi bien à la nature des hypothèses que celle de la démarche
suivie lors du calcul de la VaR.
78
Conclusion
Conclusion :
La présente étude a pu mettre en évidence dans une première partie de son
premier chapitre l‟évolution de la réglementation prudentielle bancaire d‟inspiration
internationale (Comité de Bâle). Elle nous a permis également de tirer la conclusion
selon laquelle le système bancaire marocain a été soumis à un processus d‟adaptation
continu dans la direction inspirée par cette réglementation d‟obédience internationale,
et ce depuis son déclenchement en 1993, date d‟institution d‟une nouvelle loi
bancaire qui a réformé le système précédent régi par la loi de 1967.
Par la seconde partie du premier chapitre, nous avons approché cette évolution
de la réglementation prudentielle du point de vue du risque des marchés et des
différentes approches préconisées pour le calcul des exigences en fonds propres qui lui
sont relatifs.
Étant donné l‟intérêt du sujet et qui porte sur l‟amélioration de la mesure du
risque des marchés par l‟utilisation des modèles internes, le deuxième chapitre a été
consacré à la présentation des différentes méthodes de calcul pour la mesure des
exigences en fonds propres.
Et c‟est le troisième chapitre qui a constitué le moment principal de ce travail dans
la mesure où il a été question de tester la fiabilité de la VaR dans la gestion des
risques. Ceci nous a poussé à faire une application des différentes approches sur un
portefeuille diversifié.
Il en ressort que :
 La VaR historique constitue donc un outil statistique permettant de mesurer
l'exposition d'un investissement aux risques financiers à partir de données historiques
et suppose la stationnarité de celles-ci .
 La VaR paramétrique est rarement utilisée vue la non validité de la normalité de la
distribution des rendements des facteurs de risque pour le cas marocain.
 La VaR stochastique s‟avère ainsi la plus adaptée au calcul du risque du fait qu‟elle est
applicable à tout portefeuille et tient compte de l‟évolution probable des prix.
Afin d'identifier et de quantifier les risques, la comparaison (contrôle ex-post
ou" back-testing ") à intervalles réguliers des estimations journalières de perte
potentielle avec les profits et pertes correspondants apparaît indispensable puisqu'elle
permet une forme de validation du modèle employé.
En pratique les banques font face à une structure globale d'investissement très
complexe consistant en des positions variées, dans diverses devises et avec plusieurs
instruments financiers. Cependant, il faut reconnaître que la VaR présente quelques
faiblesses. La VaR ne fait pas de distinction entre la liquidité des différentes positions
de marché, et capte seulement les risques à court terme dans des conditions normales
de marché. Les hypothèses nécessaires pour l‟utilisation de chaque modèle de la VaR,
ne sont pas toutes vérifiées dans la réalité. Ceci aura un impact sur la valeur mesurée
du risque. Les modèles VaR n‟intègrent pas les coûts de détention ou de liquidation
des positions. Enfin, le calibrage d‟un modèle statistique peut être biaisé en raison de
la possibilité de réalisation des événements imprévus. En bref, tout peut arriver sur les
marchés et il est très difficile d'en mesurer les conséquences de manière objective. Il
79
Conclusion
en résulte que les mesures de la VaR ne peuvent pas estimer exactement les pertes
potentielles.
La suite logique de ce travail serait donc une implémentation de la VaR sur les
autres instruments financiers constituant le portefeuille global de marché de la banque
(matières premières, options…). Cette implémentation aboutira à une VaR agrégée
résumant le risque global encouru par la banque sur le marché financier. On peut, par
ailleurs, appliquer la théorie des valeurs extrêmes (G.E.V) pour modéliser les
évènements extrêmes. En d‟autres termes, voir comment mesure le risque des marchés
pour des événements rares voir inattendus, et qui ont un impact défavorable sur le
portefeuille de négociation (tels les crash boursiers, crise financière…).
80
Bibliographie
Bibliographie
Ouvrages:
« Optimisation de portefeuille selon le critère de la Value at Risk »

de Guillaume Naulin, Yahin Salhi et Serge Werlé
« Finance & Risk management – Value at Risk- “ de Patrik Duruz
« Mesures de risques de marché » de Olivier Daumont
« rique de marché » : présentation préparé par Lalj Mohamed et

Qassid Tarik et encadré par Redouane Toubi pour un séminaire sur le
risque de marché
« modalités d‟application du dispositif prudentiel du risque de

marché par Bank al Maghrib/ direction de la Supervision Bancaire
« Risque de portefeuille : Value at Risk, les atouts de la simulation

historique » Asset Management/Décembre2005-Janvier2006
« La Value-at-Risk comme mesure du risque de marché : cas de la

catastrophe financière du Comité d‟Orange » Université d‟Orléans /
Faculté de Droit d‟Economie et de Gestion / Master 2 Econométrie et
Statistiques Appliquées-ECONOMETRIE POUR LA FINANCE
« Value-at-Risk d‟un portefeuille avec les modèles à variance

conditionnelle hétéroscedastique/modèles ARCH/GARCH linéaires
et non symétriques » de Dieudonne Sondjo (janvier2005)
« Qu‟est ce que la Value-at-Risk ? efficacité et limites d‟un outil

indispensable » de Akimou Ossé –Conseil économique-
« Value at Risk /CNAM-GFN206-Gestion d‟actifs et des risques »

de Grégory Taillard
« Estimation de la Value at Risk d‟un portefeuille d‟actions (etudes

comparatives des approches d‟estimation) » :mémoire pour
l‟obtention du diplôme de master en Finance/faculté des sciences
economiques et de gestion de SFAX préparé par Anis abdelhadi
« Value-at-Risk (VaR)” by Simon Benninga and Zvi Wiener
“Value at Risk et allocation de capital” :Thèse Actuariat
81
Bibliographie
“Bootstrap-a non parametric approach” by Anthony‟s vba page
“le dispositif de Bal2: role et mise en oeuvre du pillier 2 » par Pierre-

Yves Thoraval (Secrétariat général de la Comission bancaire)
« Bal2 et l‟allocation des fonds propres », babfinance :outil de veille

et de recherche pour le Manager
« Gestion du risque de change » :master stratégie et expertise

financière –GFN222 par Muriel Flasse
« Nouveau ratio de solvabilité : les banques sont prêtes pour le 1er

janvier 2008 » par la fédération bancaire française
« Options, futures et autres actifs dérivés » de John Hull (5e édition)
« Modèles mathématique de la Finance » de Pierre Devolder

(2009/2010)
« Risk Management : a pratical guide » by riskmetrics group
Webographie :
- Sites scientifiques :
 www.riskmetrics.com
 http://193.49.79.89/esa_prof/index.php
 www.cambiste.info
- Liens :
 http://www.bkam.ma/wps/portal/net/kcxml/
 http://www.bmcek.co.ma/
82
Annexes
Annexes
Annexe 1 : brève présentation de l‟organisme d‟accueil....................................................................................... 84
Annexe 2 : approche standard ............................................................................................................................... 87
Annexe 3 : correlogrammes des actions par Eviews ............................................................................................ 92
Annexe 4 : résultats du test sur la stationnarité et la normalité des actions ADH et ADI par Eviews .................. 94
Annexe 5 : modélisation des actions ..................................................................................................................... 96
Annexe 6 : mouvement brownien avec sauts ........................................................................................................ 98
Annexe 7 : programme sur Eviews pour estimer les paramètres d‟un mouvement brownien géométrique ....... 101
Annexe 8 : programme de simulation sous vba Excel de mouvements browniens géométriques..................... 102
Annexe 9 : formule du taux zéro-coupons ......................................................................................................... 104
Annexe 10 : formule du taux d‟actualisation ...................................................................................................... 106
Annexe 11 : résultats du test de Dickey-Fuller sur le TMP ............................................................................... 107
Annexe 12 : modèles de taux d‟intérêt ................................................................................................................ 108
Annexe 13 : programme MLE sous Eviews pour taux d‟intérêt ......................................................................... 110
Annexe 14 : programme de simulation sous vba Excel pour le modèle de Vasicek ........................................... 111
Annexe 15 : : formule de la structure par termes ............................................................................................... 112
Annexe 16 : comparaison des méthodes de calcul de VaR ................................................................................. 118
Annexe 17 Résultat du Test de la normalité des rendements hebdomadaires de l‟action ADI .......................... 119
Annexe 18 : résultats des tests de la stationnarité et de la normalité sur les taux d‟intérêt et EUR/MAD .......... 120
83
Annexes
Annexe 1 : brève présentation de l’organisme d’accueil
Présentation de l’organisme d’accueil : BMCE CAPITAL MARKETS DE BMCE

BANK: créée en 1998, banque d‟affaires de BMCE BANK, la BMCE CAPITAL
intègre la BMCE CAPITAL MARKETS ; une plate forme de trading pour compte
propre et pour compte de tiers (corporate et institutionnels) , en centralisant toutes les
activités de marché de BMCE BANK, fililale du groupe Finance Com. En effet, c‟est
à travers BMCE Capital Markets qu‟il est proposé à nos clients une large gamme
d‟instruments de couverture et ce, quelle que soit la nature du risque: de Change, de
Taux, de Liquidité, d‟Actions ou de Matières Premières. L‟intégration totale (front –
back office ainsi que la direction de Risk management, Quants, Middle office &
Market Data) de son outil de gestion lui permet de répondre avec célérité aux besoins
de sa clientèle en donnant en temps réel différentes cotations sur différents produits.
Les banques commerciales disposent de « dealing room » ou « salle des marchés »
pour agir pour leur propre compte ou pour la clientèle privée citée ci dessus. Quant à
l‟organisation de la salle des marchés, elle est décentralisée en Front office, middle
office et back office. Le front office est le département de la salle où sont effectuées
les opérations. On y distingue les différents desks qui sont le desk change, le desk
trésorerie devise, le desk taux et le desk matières premières. Les différents desks sont
animés par des traders qui sont chargés de coter les clients ; le desk change s‟occupe
des opérations de change à savoir le comptant ou spot et le terme ; Le desk taux
s‟occupe des obligations et le desk matières premières s‟occupe de la
commercialisation des matières premières. Le Middle office assure un premier niveau
de contrôle des opérations négociées par les traders et l‟élaboration des reporting. Le
back office a pour rôle essentiel, la gestion administrative et comptable des
transactions. Le tout est administré par un système d‟informations à travers une
logistique en informatique et en télécommunication.
Filiales de la banque :
BMCE Capital, filiale à 100% de BMCE Bank, la Banque d‟Affaires du Groupe
opérant sur les activités de marchés, d‟investissement et de conseil.
BMCE Capital Bourse, acteur incontournable sur le marché de l‟intermédiation
boursière, détenue à 100% par BMCE Bank.
BMCE Capital Gestion, acteur de référence sur le marché de la gestion d‟actifs,
détenue à 100% par BMCE Bank.
MediCapital Bank, filiale à 100% du Groupe BMCE, basée à Londres, fédérant
l'ensemble des activités de BMCE Bank en Europe, est spécialisée dans le Corporate
Banking, la Banque d'Investissement et de Marchés.
Casablanca Finance Markets , spécialisée en produits de taux, est une banque
d'investissement consacrant la totalité de ses ressources aux activités de marché,
opérant sur les marchés monétaire et obligataire. Elle est détenue à hauteur de 33,3%
par BMCE Bank.
Banque de Développement du Mali, détenue à hauteur de 27,38% par BMCE Bank,
est la banque leader au Mali et la 4ème banque dans l‟espace UEMOA.
84
Annexes
La Congolaise de Banque, contrôlée à hauteur de 25% par BMCE Bank, est une
banque commerciale qui bénéficie d'une assise financière solide et d'un capital de
savoir-faire diversifié.
Salafin, filiale du groupe BMCE Bank à hauteur de 92,8%, est une société de
financement dont l‟objet principal est de distribuer des crédits à la consommation.
Détenue à hauteur de 35,92% par BMCE Bank, Maghrébail finance en leasing des
équipements et des biens immobiliers à usage professionnel destinés à tous les secteurs
d'activité.
Filiale du Groupe BMCE à hauteur de 100%, Maroc Factoring est la première société
d‟affacturage au Maroc.
Euler Hermes ACMAR, leader au Maroc de l‟assurance-crédit est détenue à hauteur
de 20% par BMCE Bank.
EMAT, fournisseur et Outsourcer de services et solutions technologiques s‟articulant
autour de deux supports métiers, le Multicanal et l‟Infogérance.
GNS, Premier opérateur au Maroc de Réseau à Valeur Ajoutée et fournisseur de
solution EDI (Echange de Données Informatisées)
Actionnariat de la BMCEBANK :
 2004 : Prise de participation par le Crédit Industriel et Commercial (CIC) de 10%

du capital de BMCE Bank
 2006 : Acquisition d‟Axis Capital en Tunisie
 2007 : Acquisition de 35% du capital de Bank of Africa
 2008 :
-Acquisition d‟une part additionnelle de 5% par le CIC dans le capital de BMCE

Bank.
-Renforcement de la participation de la Banque dans le capital de Bank of Africa de

35% à 42,5%.
 2009 :
-Transfert de la participation de CIC dans le capital de BMCE Bank, soit 15,05%, à sa

holding BFCM, la Banque Fédérative du Crédit Mutuel.
-Renforcement de la participation du Groupe CM-CIC, à travers sa holding BFCM,

dans le capital de BMCE Bank de 15,05% à 19,94%.
85
Annexes
Activités de la banque :
Consolidation de la dynamique de croissance du Groupe BMCE Bank en 2009
aussi bien au Maroc qu'à l'international, notamment grâce à :
- la poursuite du programme d'extension du réseau de distribution au Maroc, avec
l'ouverture prévue d'une centaine d'agences supplémentaires
- la dynamique commerciale insufflée par le développement des activités des
diverses lignes de métier du Groupe (Retail Bank, Wholesale Bank, Services
Financiers Spécialisés)
-la contribution croissante attendue des filiales africaines, principalement portée
par Bank of Africa dans les résultats du Groupe
- la consolidation des activités européennes autour de MediCapital Bank.
UNE BANQUE CITOYENNE :

-“1,001 Ecoles” Programme
- 136 complexes scolaires et préscolaires au Maroc
- 2 complexes scolaires au Sénegal et au Congo
Brazzaville, et 4 autres programmés respectivement au
Kenya, au Bénin, au Mali et au Niger
- 360 professeurs
- 12,000 élèves
- 6,000 adultes alphabétisés, dont 80% de femmes et filles
- 60 projets de développement
- 99% de taux de réussite des élèves de Medersat.com au
cours des 3 dernières années
86
Annexes
Annexe 2 : approche standard
Aperçu sur l’approche standard
Les normes minimales de fonds propres ou l‟exigence en fonds propres sont

exprimées en fonction de deux exigences calculées séparément, l‟une correspondant
au risque spécifique intrinsèque à chaque titre et l‟autre liée au risque de taux d‟intérêt
supporté par le portefeuille ou risque général de marché.
Le modèle est construit par les autorités de contrôle. Dans ce cas, différentes
méthodes sont proposées pour déterminer la position nette relative à chaque type de
risque. Par ailleurs, les établissements peuvent être autorisés à recourir à des
algorithmes prédéfinis, pour déterminer directement le risque afférent à leurs positions
sur les dérivés.
Pour chaque classe de risque, l‟approche standard sépare le risque général du
risque spécifique, propre à chaque titre.
 Pour le risque spécifique :

L'exigence de fonds propres au titre du risque spécifique est destinée à protéger
l'établissement contre une évolution défavorable du prix d'un prêt, d‟une créance ou
d‟un titre donné pour des raisons liées notamment à l'évolution de la signature du
débiteur ou de l'émetteur.
L'exigence de fonds propres liée au risque spécifique est égale au produit obtenu
en m
ultipliant la valeur absolue des positions sur titre de créance dans le portefeuille de
négociation par les taux de pondérations de risque correspondants. Les taux de
pondération indiqués au tableau ci-après correspondent à la catégorie dont fait partie
l‟émetteur et à l'échéance résiduelle de l'instrument.
87
Annexes
Échéance Taux de
résiduelle pondération
Emetteurs publics et
0%
assimilés
< ou = à 6 mois 0,25%

Emissions qualifiées 6 et 24 mois 1,00%
> à 24 mois 1,60%
OPCVM de taux 4,00%
Autres 8,00%
Tableau : Facteurs de pondération des risques spécifiques
Source : Circulaire n° XX/DSB/2006 relative au calcul des exigences en fonds propres au

titre des risques de marché
 Pour le risque général :

L'exigence de fonds propres au titre du risque général de taux est destinée à couvrir
l'établissement contre le risque de perte résultant d'une variation adverse des taux
d'intérêt du marché.
Les établissements peuvent calculer le risque général selon deux méthodes au
choix :
 La méthode de « l'échéancier » fondée sur la durée résiduelle ;

 La méthode de la « Duration » fondée sur la sensibilité ;
-Pour la méthode de l'échéancier :
Il s‟agit dans cette méthode de classer les titres (positions) selon des tranches
d‟échéance préétablies et leur appliquer à l‟intérieur de chaque tranche un coefficient
de pondération reflétant leur sensibilité prix aux hypothèses de variation de taux.
La méthode de l‟échéancier suit les étapes suivantes :
 Détermination de la position nette (longue ou courte) pour chaque instrument et

chaque émetteur ;
 Ventilation des positions nettes dans différentes bandes temporelles selon leur durée
résiduelle;
88
Annexes
 Agrégation au sein de chaque bande temporelle des positions nettes longues d'une
part, des positions nettes courtes d'autre part ;
 Pondération selon le coefficient de la bande temporelle, cette pondération visant à
refléter leur sensibilité aux variations générales de taux d'intérêt ;
 Détermination des positions compensées et non compensées par bande temporelle ;
 Compensations intra-zones ;
 Compensations inter-zones ;
 Détermination de l'exigence de fonds propres.
Les établissements de crédit assujettis imputent leurs positions nettes aux
fourchettes d‟échéances appropriées de la colonne (2) ou (3), selon le cas, du tableau
suivant :
Tableau : Méthode fondée sur l’échéance : zones, tranches d’échéances et facteurs de
pondérations
HYPOTHESE DE Sensibilité
FOURCHETTE D’ECHEANCES
PONDÉRATION VARIATION actuarielle (%)
Zone en % RESUMMEES du taux
Tranches pour Tranches pour d’intérêt (%)
coupon ≥ 3% coupon < 3%
(1) (2) (3) (4) (5) (6) = (4)/ (5)
0 1 mois 0 1 mois 0,00 1,00 0,00
Un 1 3 mois 1 3 mois 0,20 1,00 0,20

1 3 mois 1 3 mois 0,40 1,00 0,40
6 12 mois 6 12 mois 0,70 1,00 0,70
1 2 ans 1.0 1.9 ans 1,25 0,90 1,39

Deux 2 3 ans 1.9 2.8 ans 1,75 0,80 2,19
3 4 ans 2.8 3.6 ans 2,25 0,75 3,00
4 5 ans 3.6 4.3 ans 2,75 0,75 3,67

5 7 ans 4.3 5.7 ans 3,25 0,70 4,64
7 10 ans 5.7 7.3 ans 3,75 0,65 5,77
10 15 ans 7.3 9.3 ans 4,50 0,60 7,50
Trois 15 20 ans 9,3 10,6 ans 5,25 0,60 8,75
> 20 ans 10,6 12 ans 6,00 0,60 10,00
12 20 ans 8,00 0,60 13,33
> 20 ans 12,50 0,60 20,83
Source : Circulaire n° XX/DSB/2006 relative au calcul des exigences en fonds

propres au titre des risques de marché
Le calcul de l‟exigence de risque consiste donc à rassembler les titres par tranche,
l‟exigence dans chaque tranche serait la somme des positions de la tranche multipliée
par le coefficient de pondération correspondant et l‟exigence de risque pour tout le
portefeuille serait la somme des exigences de toutes les tranches.
89
Annexes
- Pour la méthode de la duration :

Les coefficients de pondérations ne sont plus donnés comme dans la méthode fondée
sur l‟échéance, c‟est à la banque de les calculer en multipliant pour chaque titre, la
sensibilité par l‟hypothèse de variation des taux.
Il s‟agit ici pour les banques dotées des moyens nécessaires, d‟utiliser après l‟accord
des autorités de contrôle cette méthode plus précise2 pour mesurer leur risque de
marché, consistant à déterminer pour chaque position sa sensibilité prix correspondant
à une hypothèse de variation de taux ente 1% et 0,6% selon l‟échéance de la position.
Cette méthode consiste à calculer la duration modifiée de chaque titre de créance,
puis à répartir les positions par zone de duration, et enfin à compenser les positions à
l‟intérieur des zones et entre zones différentes. L‟exigence de fonds propres est ensuite
déterminée.
Chaque titre de créance est classé, en fonction de sa duration modifiée, dans la zone
appropriée du tableau ci-dessous.
Tableau : Méthode fondée sur la duration : zones, tranches d’échéances et
hypothèses de variation de taux
HYPOTHESE DE
DURATION modifiée VARIATION
ZONE
(en mois ou année) PRESUMEES du taux
d’intérêt (%)
(1) (2) (3)
0 1 mois 1,00
1 3 mois 1,00
Un
1 3 mois 1,00
6 12 mois 1,00
1.0 1.9 ans 0,90

1.9 2.8 ans 0,80
Deux
2.8 3.6 ans 0,75
3.6 4.3 ans 0,75

4.3 5.7 ans 0,70
5.7 7.3 ans 0,65
7.3 9.3 ans 0,60
Trois
9,3 10,6 ans 0,60
10,6 12 ans 0,60
12 20 ans 0,60
> 20 ans 0,60
Source : Circulaire n° XX/DSB/2006 relative au calcul des exigences en fonds

propres au titre des risques de marché
90
Annexes
L‟exigence de chaque titre est égale à sa position multipliée par sa sensibilité

multipliée par le coefficient de pondération correspondant à la tranche à laquelle il
appartient.
L‟exigence de la tranche est donc égale à la somme des exigences de tous les titres
qui la constituent et l‟exigence du portefeuille est égale à la somme des exigences de
toutes les tranches.
Il est évident que cette méthode est difficile à mettre en œuvre pour les banques.
Elles n‟accepte pas le principe de diversification et nécessite une gestion ligne par
ligne.
91
Annexes
Annexe 3 : correlogrammes des actions par Eviews
Corrélogramme ADH
Corrélogramme IAM
92
Annexes
Corrélogramme ADI
93
Annexes
Annexe 4 : résultats du test sur la stationnarité et la normalité des actions ADH et ADI
par Eviews
ADH :
-stationnarité des rendements;
t-Statistic Prob.*

Test critical
5% level -3.447383
10% level -3.148761
-normalitédes rendemetns :
35
Series: RDT_ADH
30 Sample 1 122
Observations 122
25
Mean 0.000473
20 Median 0.000429
Maximum 0.063758
Minimum -0.056486
15
Std. Dev. 0.020031
Skewness -0.346966
10
Kurtosis 4.525323
0
-0.050 -0.025 -0.000 0.025 0.050
94
Annexes
ADI :
-stationnarité des rendemetns :
t-Statistic Prob.*

Test critical
5% level -3.447383
10% level -3.148761
-normalité des rendemetns :
24
Series: RDM
Sample 1 122
20
Observations 122
16 Mean -7.22e-05
Median -0.000428
12 Maximum 0.059867
Minimum -0.059937
Std. Dev. 0.020201
8 Skewness 0.549465
Kurtosis 4.641568
4
0
-0.050 -0.025 -0.000 0.025 0.050
95
Annexes
Annexe 5 : modélisation des actions
Modélisation des actions
Black&Scholes et plusieurs autres chercheurs qui ont suivi ont supposé que les
rendements des actions obéissaient à une distribution normale. Ils ne se sont donc
intéressés qu‟aux deux premiers moments de la distribution des rendements et ont
supposé implicitement que l‟asymétrie et le leptocurtisme excédentaire des
rendements étaient nuls. Certes, la distribution des rendements mensuels s‟approche de
la normale (voir l‟annexe : rendements mensuels ), mais elle devient de plus en plus
leptocurtique et asymétrique au fur et à mesure qu‟on augmente la fréquence des
observations. Ainsi, les rendements journaliers présentent-ils une distribution
nettement asymétrique et leptocurtique qui s‟accentue davantage quand on passe aux
données à haute fréquence, c‟est-à-dire aux données intra journalières. Si l‟on ne prend
pas en compte le caractère leptocurtique et asymétrique des rendements, on peut
biaiser fortement le calcul. L‟hypothèse que le prix d‟une action obtempère à un
mouvement brownien géométrique n‟est donc pas valide
Processus de wiener et mouvement brownien arithmétique : :
Le processus de Wiener, basée sur la loi normale et qui s‟écrit comme suit :
dz =  dt et où  ~ N(0,1) et où dt désigne un petit intervalle de temps, encore
désigné par «pas», comporte certaines lacunes. D‟abord, sa dérive ou son trend est nul.
Or, plusieurs séries stochastiques comportent un trend (tendance). Par exemple, les
indices boursiers font montre d‟une tendance à la hausse à long terme. De plus, la
variance d‟un processus stochastique est égale au pas, soit dt. Comme cette variance
ne peut accommoder qu‟un nombre très limité de processus stochastiques, il y a lieu
de calibrer la partie aléatoire d‟un processus stochastique par la variance observée de
la série.
Le mouvement brownien arithmétique corrige ces deux déficiences du processus de
Wiener. Il s‟écrit comme suit :
dx = μdt + σdz
où  est la dérive de la série,  son écart-type et dz = ε dt . Comme on le voit, c‟est
la partie stochastique du processus qui domine à court terme et sa tendance à long
terme.
Mouvement brownien géométrique :

Un mouvement brownien arithmétique est inapproprié pour décrire l‟évolution du prix
d‟une action qu‟on note S, étant donné la croissance espérée du prix de cette action,
désignée par , et l‟écart-type du taux de rendement de l‟action, représenté par σ. En
effet, cela supposerait que le rendement total de l‟action, soit , aurait tendance à
diminuer au cours du temps, ce qui est contraire aux données observées sur les
rendements des actions. On fait donc l‟hypothèse que le prix d‟une action obtempère à
un mouvement brownien géométrique dont l‟équation différentielle est:
dS = αSdt + σSdz
96
Annexes
La dérive et l‟écart-type sont donc multipliés par S, soit le niveau du prix de l‟action.
Il s‟ensuit que le taux de rendement de l‟action suit un mouvement brownien
arithmétique:
Le taux de rendement de l‟action est donc indépendant du niveau de S, ce qui semble

corroboré par les faits. La représentation graphique de ce mouvement est donnée à la
figure suivante :
Mvt Brownien
1400,00
1200,00
1000,00
800,00
600,00
400,00 Mvt Brownien
200,00
0,00
Figure : allure d’un mouvement brownien géométrique (les données sont prises
comme exemple)
97
Annexes
Annexe 6 : mouvement brownien avec sauts
Mouvement brownien avec sauts

Les processus de sauts connaissent une popularité grandissante dans la théorie de
l‟ingénierie financière. Ils permettent en effet de jouxter au mouvement brownien
géométrique, qui repose sur la distribution normale, un processus qui rend la
distribution des rendements leptocurtique et asymétrique. Ce dernier processus est
associé aux événements rares qui occasionnent des sauts.
Les événements normaux et les événements rares

Merton (1992) et Neftci (2000) ont établi une distinction très nette entre un événement
normal et un événement rare et ont montré que, dans le premier cas, seuls les deux
premiers moments importaient alors que dans le second, il fallait également prendre
en compte les moments d‟ordre supérieur. Soit h un intervalle de temps égal à dt. Un
événement est dit normal si son amplitude diminue au fur et à mesure que h diminue.
Par ailleurs, la probabilité d‟un tel événement ne dépend pas de h, c‟est-à-dire qu‟elle
ne s‟annule pas quand h tend vers 0, c‟est bien pour cela qu‟un tel événement est
qualifié de normal.
Un événement rare présente un profil qui est l‟inverse de l‟événement normal.
Son amplitude ne diminue pas quand h diminue: il prend l‟aspect d‟un saut .
Cependant, sa probabilité d‟occurrence tend vers 0 quand h tend vers 0 et c‟est là la
raison pour laquelle il est qualifié de rare.
Pour analyser la distribution des événements normaux, les deux premiers moments
suffisent, car les moments d‟ordre supérieur à deux sont proportionnels au carré de h.
On peut donc les négliger. La distribution normale peut alors être utilisée pour
analyser la dimension stochastique de tels événements. À titre d‟exemple, le
mouvement brownien géométrique et le processus de retour vers la moyenne reposent
sur la distribution normale. Par ailleurs, les troisième et quatrième moments
d‟événements rares sont proportionnels à h. On ne peut donc les négliger lors de
l‟analyse de tels événements. Comme ils sont assimilables à des sauts, la distribution
de Poisson semble appropriée pour étudier de tels événements. La prochaine section
s‟intéresse plus particulièrement aux caractéristiques de cette distribution.
Neftci (2000) montre comment le processus de Poisson peut être incorporé dans un
arbre binomial. Si le prix de l‟action n‟est influencé que par des événements normaux,
les mouvements de hausse (u) et de baisse (d) prennent généralement la forme
suivante:
où s est l‟écart-type du rendement de l‟action. La probabilité d‟un mouvement de

hausse peut être choisie comme suit:
98
Annexes
où a est le taux de croissance du prix de l‟action. On note que lorsque h tend vers 0,
p tend vers ½, ce qui justifie le choix de cette constante par plusieurs auteurs comme
probabilité de hausse ou de baisse en autant que h soit très petit . Les valeurs de u,
d et p relèvent bien d‟événements normaux. En effet, l‟importance des mouvements
de hausse et de baisse d‟événements normaux tend à s‟amenuiser au fur et à mesure
que h diminue. Mais la probabilité de tels événements ne s‟annule pas quand h tend
vers 0. Elle se dirige plutôt vers la constante ½. Pour les événements rares, on formule
les hypothèses suivantes sur les trois
paramètres: u, d et p. On suppose que le mouvement de hausse u est une constante et
qu‟il dépend de l‟importance du saut. Le paramètre d est fixe pour sa part à :
est associé à l‟absence de sauts. Par ailleurs, la probabilité p d‟un saut est égale
à λh. Les paramètres λ et u doivent être calibrés selon l‟ampleur et la probabilité de
l‟événement rare. Le mouvement de saut étant une constante, il ne dépend pas de h,
ce qui est l‟une des caractéristiques d‟un événement rare. Par ailleurs, la probabilité
p de l‟événement rare tend vers 0 quand h tend lui-même vers 0.
La distribution de Poisson :
À l‟instar de la distribution hypergéométrique que nous avons étudiée précédemment,
la distribution de Poisson est une forme particulière de la loi binomiale. Soit n le
nombre de tirages et p la probabilité d‟observer un événement rare. On fait tendre n
vers l‟infini et p tend alors vers 0 sous contrainte que np demeure fini et tende vers λ.
On obtient alors la fonction de densité suivante, soit celle de la loi de Poisson:
avec λ > 0. Les quatre premiers moments de cette distribution sont les suivants :
μ1 = μ2 = μ3 = λ
μ4 = λ + 3λ^2
Lorsque les événements sont normaux, la distribution binomiale tend vers la
distribution normale. Si les événements sont rares, la distribution binomiale tend vers
la distribution de Poisson. Lorsque λ tend vers l‟infini, la distribution de Poisson tend
cependant vers la distribution normale
99
Annexes
Comment peut-on calculer le lambda ? Une méthode simple est fournie par Dixit et
Pindyck (1994). Désignons par E(T) l‟espérance du temps pour qu‟un saut se
manifeste. Par exemple, si E(T) est égal à 10, cela signifie qu‟un saut se produit en
moyenne à tous les dix ans. La probabilité qu‟aucun saut ne se produise est, en vertu
de la fonction de densité de la distribution de Poisson:
La probabilité que le premier événement se produise dans l‟intervalle (T,T+dT) est de:
De telle sorte que E(T) est égal à:
Le ratio (1/λ) représente donc l‟intervalle de temps moyen entre deux sauts. Si λ = 0,2,
cela signifie qu‟il se produit un saut à tous les cinq ans. Par conséquent, s‟il se produit
un saut en moyenne à tous les cinq ans, λ prendra la valeur de 0,2, et ainsi de suite.
Processus de Levy :
dS = S*(αdt + σdz ) + (J - 1)Sdq + (K – 1)Sdw

tel que les variables dq et dw suive un processus de Poisson(λ). Et ces deux processus
de sauts sont supposés indépendants l‟un de l‟autre.
Pour la variable dq par exemple lorsqu‟un saut se produit, elle prend la valeur 1 et la
probabilité d‟un tel saut est de λh. Lorsqu‟il n‟y a pas de saut, elle prend la valeur 0 et
la probabilité d‟un tel événement est donc de (1 – λh).
Lorsqu‟un saut se produit, le prix de l‟action passe de S à JS. S‟il s‟agit de sauts
négatifs, J est compris entre 0 et 1 et s‟il s‟agit de sauts positifs, J est supérieur à 1.
Wilmott suggère d‟opérationnaliser cette équation en faisant des tirages dans la

distribution uniforme. Soit epsi l‟un de ces nombres tirés. Si epsi < λdt, il y aura alors
un saut, c‟est-à-dire que dq prendra la valeur 1. Sinon, il n‟y a pas d‟événement rare et
le mouvement brownien continue d‟évoluer
Ainsi Lorsque l‟action enregistre un saut baissier, sa valeur passe de S à JS, oùJ < 1.
Par ailleurs, lorsque l‟action fait l‟objet d‟un saut haussier, sa valeur passe deS à KS,
où K > 1.
Si epsi < λdt, il se produit un saut baissier. Par ailleurs, si epsi >(1 – λdt), il se produit
un saut haussier. Et les deux processus de sauts sont supposés indépendants l‟un
100
Annexes
Annexe 7 : programme sur Eviews pour estimer les paramètres d’un mouvement
brownien géométrique
Procédure MLE d’un mouvement brownien géométrique
@lolgl logl1
Res1 = rdt – c(1)
Var = c(2)
@param c(2) 0.2
Logl1 = log(@d norm(res1/@sqrt(var)))-log(var)/2
101
Annexes
Annexe 8 : programme de simulation sous vba Excel de mouvements browniens

géométriques
Sous-routine Visual Basic d’un mouvement brownien géométrique pour l’action IAM
Sub Browngeom( )
mu=0.001216367
sigma=0.009542598
T=1
N=100
dt=T / N
St=100
Range(“IAM”).Offset(0, 0)=St
For i=1 To N
Randomize
eps=Application.WorksheetFunction.NormSInv(Rnd)
St=St+mu*St*dt+sigma*St*eps*Sqr(dt)
Range(“IAM”).Offset(i, 0)=St
Next i
End Sub
Programme Visual Basic du mouvement géométrique brownien accompagné de sauts

haussiers et baissiers pour l’action IAM
Sub brownienjumpud( )
S=144
mu=0.001216367
sigma=0.009542598
lambda=2
jump=0.5
N=100
dt=1 / N
Dim i As Integer
Range(“simul”).Offset(0, 0)=0
Range(“IAM”).Offset(0, 0)=S
Range(“rare1”).Offset(0, 0)=0
Range(“rare2”).Offset(0, 0)=0
For i=1 To N
epsi=Rnd
Range(“epsi1”).Offset(i, 0)=epsi
„Saut baissier
If epsi < lambda*dt Then
v=1
Else
v=0
EndIf
102
Annexes
„Saut haussier
If epsi > (1-lambda*dt) Then
w=1
Else
w=0
End If
Range(“rare1”).Offset(i, 0)=v
Range(“rare2”).Offset(i, 0)=w
S=S*(1+u*dt+sigma*Sqr(dt)*App
lication.WorksheetFunction.
NormSInv(epsi)-jump*v+jump*w)
Range(“simul”).Offset(i, 0)=i*dt
Range(“IAM”).Offset(i, 0)=S
Next i
End Sub
103
Annexes
Annexe 9 : formule du taux zéro-coupons
La courbe des taux zéro-coupon permet de représenter la fonction suivie par les taux
d‟intérêt pour différentes échéances.
Méthode de calcul sur le court terme :
Sur le court terme, les instruments sont généralement de type zéro-coupon. En effet
sur le moins d'un an, le remboursement du capital intervient en même temps que le
paiement des intérêts. On a donc bien deux flux. Le problème se situe uniquement au
niveau de la conversion du taux monétaire en base actuarielle :
Avec :
tm : le taux monétaire,
ta : le taux actuariel,
n : le nombre de jours du placement,
f : la fraction d'année du placement .
Méthode de calcul sur le long terme :
La courbe Zéro coupon est obtenue de proche en proche à partir de la courbe in fine de
la
manière suivante :
Z1 T1
Z2 est calculé à partir de l‟équation suivante :
Où les Zi et les Ti sont respectivement les taux Zéro coupon et in fine pour une
échéance
de i années.
Cette équation du calcul est obtenue du fait qu‟un titre in fine à 2 ans, portant un taux
de
rendement de T2 est valorisé au pair (100%).
Or sa valeur est également obtenue en actualisant ses flux par les taux Zéro coupon.
De manière récursive on trouve que :
104
Annexes
Prenons un exemple : pour simplifier, nous raisonnerons sur un montant de départ de

100.
Supposons que l'on note les taux suivants sur le marché :
1 an = 3,50%
2 ans = 4,75 %
3 ans = 5,50%
Pour la 1ère année, le problème ne se pose pas car il n'y a pas de flux intermédiaire.
On doit seulement vérifier qu'ils sont bien exprimés en base exact/exact (dans le cas
contraire, on effectuera une conversion.
Pour le 2 ans, nous avons un flux intermédiaire :
Figure 1 : Flux reçus d’une obligation in fine 2ans
Source : www.combiste.info
Ce flux (4,75) devra être actualisé au taux zéro-coupon du 1 an (3,50%).

On se retrouve donc avec l'équation suivante :
Qui donne pour résultat Z2 = 4,78%

Pour le 3 ans, nous avons 2 flux intermédiaires. Le premier flux doit être actualisé au
taux zéro-coupon du 1 an et le deuxième flux au taux zéro-coupon du 2 ans.
On doit donc résoudre l'équation suivante :
Qui donne pour résultat Z3 = 5,57%
105
Annexes
Annexe 10 : formule du taux d’actualisation
On actualise les flux avec les taux zéro-coupons correspondant à la durée restante
depuis la date de calcul de la VaR jusqu‟à la date de la réception du flux. Ce taux zéro
coupon n‟est d‟autre que le taux obtenu par interpolation linéaire de la courbe des taux
zéro coupon. On utilise les taux zéro coupon pour l‟actualisation, car on a supposé que
chaque coupon de l‟obligation est une obligation zéro coupon.
Dans notre cas on cherche le taux d‟actualisation pour la durée restante de 0,4
fraction d‟année. On dispose des taux de la courbe zéro coupon 13 et 26 semaines pour
la période allant du 29/03/2009 au 29/03/2010 et correspondant respectivement au
0,25 et 0,5 fraction d‟année.
La formule d‟interpolation, dans notre cas, est la suivante :
Puis, on calcule la valeur actuelle de chaque flux en actualisant le coupon à ce taux

qu‟on vient de voir. Puis on multiplie par le nombre de bons de Trésor qu‟on détient
dans cette ligne.
106
Annexes
Annexe 11 : résultats du test de Dickey-Fuller sur le TMP
t-Statistic Prob.*

Test critical
5% level -3.420259
10% level -3.132797
On remarque donc, que la valeur absolue de la statistique t du test (égale à 14,32) est
plus grande que la valeur absolue de t tabulé au seuil de 1% (égale à 3,96). On rejette
donc l‟hypothèse H0 de la présence d‟une racine unitaire et on conclut que la série est
stationnaire.
107
Annexes
Annexe 12 : modèles de taux d’intérêt
MODELE DE MERTON :
Dans son travail Merton a offert l‟évolution stochastique suivante :
Où et sont des constantes positives. Une solution simple est obtenue pour r ,
= ⇒
Dans ce modèle, r suit une distribution gaussienne, donc il existe une probabilité
positive pour que r prenne des valeurs négatives.
MODELE DE VASICEK(1977) :
Le modèle de Vasicek (1977) est fondé sur l‟idée que le taux court est le seul
paramètre qui régit les prix des titres obligataires, son évolution stochastique obéit à
l‟équation différentielle de type :
r indique la valeur courante du taux court,

α désigne la vitesse d‟ajustement du taux court actuel vers sa moyenne de long
termeβ,
β représente la valeur à long terme de r,
σ correspond à la volatilité des taux futurs,
est un mouvement Brownien.
Pour obtenir une formule explicite de , il faut introduire le processus .
L‟équation devint ainsi :
La résolution de cette équation fournit la formule suivante :
Dans ce modèle également le taux court suit une distribution normale et donc il le r
peut prendre des valeurs négatives. Ce qui constitue la principale critique du modèle
de Vasicek ;
LE MODELE DE COX INGERSOLL ROSS(1985) :
108
Annexes
Un cas intriguant de l‟équation différentielle stochastique non-linéaire s‟écrit sous la

forme :
Un processus qui suit une telle dynamique se réfère traditionnellement au processus

racine carré. Dans un sens commun, les processus racine carré sont naturellement liés
à la distribution khi-deux non centrée. L‟exemple le plus pesant de cette gamme de
modèles basés sur cette dynamique est celui de Cox, Ingersoll et Ross pour le taux
court instantané. Dans cet exemple le processus du taux court satisfait une version
simplifiée de l‟équation précédente et ne génère par conséquent que des taux d‟intérêt
strictement positifs.
La formulation du modèle est la suivante :
Où et sont des constantes positives. La condition 2 assure la

positivité de r. On peut montrer que l‟équation précédente admet une unique solution
qui est positive, le développement nécessaire pour résoudre cette équation
différentielle sera présenté en détail dans l‟annexe 1.
LE MODELE DE DOTHAN (1978) :

En 1978, Dothan propose dans son papier original un mouvement géométrique sans
drift3 en tant que processus du taux court .Il l‟a alors exprimé de la manière suivante :
,
Étant des paramètres positifs constants.
LE MODELE DE BRENNAN SCHWARTZ (1980) :

Dans leur travail ils ont offert un model pour analyser les obligations convertibles. Ils
ont ainsi proposé l‟équation différentielle stochastique suivante :
Où , , et sont des constantes positives.
109
Annexes
Annexe 13 : programme MLE sous Eviews pour taux d’intérêt
Spécification EViews de la fonction de vraisemblance du modèle de taux d’intérêt
@logl logl1
res1=d(tx)-c(1)-c(2)*tx(-1)
var=c(3)*rbt(-1)^(2*c(4))
logl1=log(@dnorm(res1/@sqrt(var)))-log(var)/2
110
Annexes
Annexe 14 : programme de simulation sous vba Excel pour le modèle de

Vasicek
Sous-routine Visual Basic du modèle de Vasicek
Sub
alpha = 0.961210196
sigma = 0.005674
beta = 0.001159087882
N = 2090
dt = 1 / 250
xt = 0.0325
Cells(2, 2) = xt
For i = 1 To N
Randomize
eps = Application.WorksheetFunction.NormSInv(Rnd)
xt = alpha * dt + beta * xt * dt + sigma * eps * Sqr(dt)
Cells(i + 2, 2) = xt
Next i
End Sub
111
Annexes
Annexe 15 : : formule de la structure par termes
Démonstration de la structure par termes
Le lien entre le taux court et le prix des obligations :
Suivant la méthode de l‟équilibre d‟arbitrage, on conditionne la structure des

taux à l‟aléa fondamental qui affecte l‟économie, en admettant que le prix
d‟une obligation, d‟échéances en t, est déterminé par l‟évolution attendue du taux
court entre t et s, cette hypothèse, qui prépare l‟application du lemme d‟Itô au
processus P(r, t, s), signifie que le taux court représente l‟information pertinente
pour les investisseurs, et que ceux-ci vont donc ajuster leur comportement à son
évolution prévue. De ce fait, un lien est créé, via les comportements de marché, entre
le taux court et la structure par terme.
On peut signaler que représente, pour un investisseur, le coût
d‟opportunité instantané de détention d‟un bon long, comparativement à un
investissement productif de sa richesse au taux d‟intérêt court. L‟évolution attendue de
entre t et s, lui permet donc de mesurer le coût d‟opportunité total, engendré par
la détention d‟un bon d‟échéance s pendant un instant de longueur
Utilisant le lemme d‟Itô, nous permet d‟exprimer le processus des prix.

Le lemme d‟Itô permet d‟écrire :
Avec :
Où désigne l‟espérance mathématique du rendement instantané de

l‟obligation, et la volatilité non-anticipée, engendrée par les fluctuations
imprévues du taux court.
Le lien entre taux court et prix étant ainsi établi, on peut maintenant invoquer
la condition d‟arbitrage
112
Annexes
La condition d‟arbitrage :
Conformément à la démarche de l‟équilibre d‟arbitrage, on construit un portefeuille
comportant deux types d‟obligation - les obligations d‟échéance et d‟échéance -,
détenues dans des proportions respectives et =1− .
La valeur de ce portefeuille croît au taux :
On remplace le rendement instantané des deux obligations par sa valeur pour que son
rendement soit certain, il suffit de choisir et tels que :
Si tel est le cas, son rendement instantané ne peut être différent du taux sans risque
(Principe d‟absence d‟arbitrage), et on a donc :
Utilisant la contrainte + =1, l‟équation ci-dessus devient :
Et enfin, on obtient le système suivant :
Ce système n‟admet de solution non-triviale que si son déterminant est nul.

Il vient :
Cependant, la procédure suivie est indépendante des échéances et choisies. On

peut donc écrire.
113
Annexes
Pour toute échéance . Le terme étant indépendant de s, cette égalité

représente bien la contrainte qui pèse sur les prix des obligations, et fonde, par là
même, l‟existence d‟une structure des taux d‟intérêt.
Exprimée sous la forme :
L‟équation précédente montre bien que s‟interprète comme la prime

unitaire (divisé par la volatilité du rendement du bon sans coupon) offerte pour le
risque engendré par les fluctuations imprévues du taux court, à l‟instant t.
Le rendement instantané espéré, en excès du taux sans risque r(t), sur

l‟obligation d‟échéance s (c‟est-à-dire la prime exigée par le marché sur cette
échéance) est égal à la prime unitaire du risque induit par la source d‟incertitude
(taux court) multipliée par une mesure de l‟exposition au risque fondamental de cette
obligation, .
En multipliant par , on obtient une mesure du prix accordé au risque

fondamental porté par le taux court. On notera la prime unitaire de risque de
taux d‟intérêt. Utilisant cette définition, on peut exprimer la prime de terme sous la
forme suivante :
Cette expression fait apparaitre , comme la prime d‟équilibre pour une sensibilité
unitaire aux variations du taux d‟intérêt.
L‟équation de structure par terme :

Pour obtenir l‟équation de structure par terme, il suffit d‟introduire dans
l‟équation qui définit la prime de terme la valeur de et de
La résolution de cette équation différentielle, sous la condition terminale

, fournit la structure des prix , et, par simple transformation, la
structure des taux
114
Annexes
Quelques solutions particulières :

Pour confronter cette proposition à la réalité, il est nécessaire de préciser les
paramètres et décrivant le comportement du taux court. Ce faisant, il sera
possible de discuter des caractéristiques dynamiques de la structure des taux obtenue.
Trois types de processus ont été proposés pour le taux court :

 Le processus de Wiener général,
 le processus d‟Ornstein-Uhlenbeck,
 le processus « racine carrée ».
La dynamique de la structure des taux :
la structure Taux étant directement issue des caractéristiques du processus suivi

par r(t), il est utile d‟envisager chacune de ces hypothèses, du point de vue de ses
capacités à reproduire un comportement dynamique vraisemblable pour le taux court.
Nous intéressons par la suite au cas particulier du processus d‟Ornstein-
Uhlenbeck (processus de retour à la moyenne) pour établir l‟expression analytique de
la structure de taux :
Le processus d‟Ornstein-Uhlenbeck
Vasicek [1977] a supposé que le taux court est représenté par un processus
stochastique de la forme :
Où et sont des scalaires strictement positifs.
Ce processus d‟Itô décrit une dynamique régressive, autour d‟une valeur

« moyenne » . Imaginons que passe au-dessus de ce niveau , sous l‟effet d‟un
choc aléatoire positif. Dans ce cas, l‟espérance de la variation instantanée de
, égale , est négative, et aura tendance à se rapprocher de son
niveau moyen, à la « vitesse » . La conclusion est identique lorsque passe au-
dessous de .
L‟évolution de résulte maintenant de deux forces contradictoires : la force

de rappel « équilibrante », et l‟aléa « déséquilibrant ». On pallie ainsi un inconvénient
115
Annexes
majeur du processus de Wiener général, à savoir une espérance et une variance de

variation qui tendent vers l‟infini.
Dans le cas d‟un processus d‟Ornstein-Uhlenbeck, on a, pour on a :
Lorsque T devient infiniment grand, l‟espérance de étant donné son niveau

actuel tend vers la valeur « moyenne » . La variance conditionnelle tend, quant
à elle, vers la constante finie
Introduisant l‟expression des paramètres du processus dans l‟équation de

structure par terme, il vient :
Et sa solution :
Avec : T représente la maturité résiduelle

Évaluant , et à partir de cette solution, l‟équation nous donne :
Soit une prime de terme :
Cette prime est positive pour toutes les échéances, si est négatif.
116
Annexes
Considérant la forme générale de la solution, la structure des taux est donnée par ;
Par définition on a :
Utilisant cette notation, on peut réexprimer la structure des taux sous la forme :
117
Annexes
Annexe 16 : comparaison des méthodes de calcul de VaR
Méthode Avantages Inconvénients
 Facile à expliquer  Nécessite beaucoup de données

historique  Implémentation relativement historiques
aisée  Le passé peut ne plus se
 Aucune hypothèse sur les lois de reproduire.
distribution
 Paramètres faciles à estimer  Sous-estime les évènements

Variance-covariance  Implémentation aisée. rares, car l’hypothèse de
normalité n’est pas empiriquement
justifiée
 La plus pure, la plus tournée vers  Choix des modèles délicats

stochastique l’avenir  Requiert une puissance et un
temps de calcul importants
118
Annexes
Annexe 17 Résultat du Test de la normalité des rendements hebdomadaires de

l’action ADI
12
Series: RDM
Sample 1 36
10
Observations 36
8 Mean -0.001007
Median -0.000908
6 Maximum 0.059867
Minimum -0.059937
Std. Dev. 0.025271
4 Skewness 0.268407
Kurtosis 3.588621
2
0
-0.06 -0.04 -0.02 0.00 0.02 0.04 0.06
119
Annexes
Annexe 18 : résultats des tests de la stationnarité et de la normalité sur les taux d’intérêt
et EUR/MAD
-stationnarité de DKK :
t-Statistic Prob.*

Test critical
5% level -3.427203
10% level -3.136898
-normalité de DKK :
120
Series: DKK
Sample 1 261
100
Observations 261
80 Mean 0.010260
Median 0.000000
60 Maximum 0.838710
Minimum -0.416000
Std. Dev. 0.177869
Kurtosis 5.762281
20
0
-0.4 -0.2 -0.0 0.2 0.4 0.6 0.8
-stationnarité EUR :
120
Annexes
t-Statistic Prob.*

Test critical
5% level -3.427407
10% level -3.137018
-normalité EUR :
90
Series: EURO
80 Sample 1 261
70 Observations 261
60 Mean 0.001126
Median 0.000000
50
Maximum 0.444444
40 Minimum -0.307692
Std. Dev. 0.106374
Kurtosis 6.527159
20
0
-0.25 -0.00 0.25
-stationnarité DKK/MAD :
121
Annexes
t-Statistic Prob.*

Test critical
5% level -2.869285
10% level -2.570963
-normalité DKK/ MAD :
36
Series: DKK_MAD
32 Sample 1 368
28 Observations 368
24 Mean 1.514796
Median 1.515751
20
Maximum 1.538557
16 Minimum 1.487765
Std. Dev. 0.011883
12 Skewness -0.273976
Kurtosis 2.330847
8
0
1.49 1.50 1.51 1.52 1.53 1.54
122

Elai Dies Sadik

Transféré par

Droits d'auteur :

Formats disponibles

Elai Dies Sadik

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Elai Dies Sadik

Transféré par

Droits d'auteur :

Formats disponibles

ROYAUME DU MAROC

Projet de Fin d’Etudes

Mise en place de modèle de calcul de VaR pour la

Préparé par : Melle ELAIDI Asmâa & M. ESSADIK Amine

Sous la direction de : M. EL ADLOUNI Salaheddine (INSEA)

Soutenu publiquement comme exigence partielle en vue de l’obtention du

Diplôme d’Ingénieur d’Etat

Devant le jury composé de :

« prédire est un art difficile….

A nos très chers parents pour leurs soutiens et sacrifices

Asmâa & Amine

Nous tenons à remercier dans un premier temps, toute l’équipe

Nous remercions plus particulièrement Monsieur EL ADLOUNI pour

Nous tenons à remercier également et à témoigner toute notre

Monsieur BARAKAT Houssam, « head » de la direction « Risk

4.3. Backtestings sur le portefeuille global ............................................................................................ 71

Figure 1 : Architecture du ratio Mc Donough ...................................................................................................... 12

Tableau 1 : Bilan simplifié d'une banque .............................................................................................................. 10

Liste des abréviations

VaR Valeur à Risque (« Value at Risk »)

Les techniques du « Risk Management » sont apparues à partir de la moitié du XXe

CHAPITRE1 :Contexte général

Dans ce chapitre, nous présentons la

1. Règlementation bancaire pour consommation en fonds

Quelle est l'utilité des fonds propres ?

La problématique de la banque est alors de prendre le moins de risque et en même

La réglementation a évolué progressivement pour prendre en compte les

1.1.3. Accord de Bâle II

défaut de procédure, de personne, de systèmes d‟informations ou dû à un élément

La réforme du Comité de Bâle repose sur trois pilliers :

Architecture du ratio Mc Donough

Pilier 1: Pilier 2 : Pilier 3 :

I. Risque de II. Risques de III. Risques

Figure 1 : Architecture du ratio Mc Donough

1.2. Risque de marché et exigences prudentielles

 Risque de taux d’intérêt : il représente le risque inhérent à la détention, dans le

 Risque de position sur titre de propriété(action) : c‟est le risque lié à la détention de

 Risque de change : il s‟agit du risque de détention ou de prise de positions en devises.

 Risque sur produits de base : c‟est le risque inhérent à la détention ou à la prise de

 Risque optionnel : ce risque est celui inhérent à la détention d‟options associées à

1.2.2. Importance de son estimation

2. Recommandation de l’utilisation des modèles internes

donne lieu à une exigence en capital égale à 8 % du montant de la position. La position

Risque sur matière première :

Pr(∆hPt < R) = 1-α , Avec R= VaR α, h

2.2.3. Représentation graphique de la VaR

Figure 2 : Représentation graphique de la VaR sous distribution normale

2.2.4. Avantages de la VaR

2.2.5. Calcul des fonds propres et VaR :

Où CRt :capitaux réglementaires ; VaRt-i est la valeur à risque pour le portefeuille

CHAPITRE2 : Démarche théorique pour le

Dans ce chapitre, nous présentons les

Le calcul de la VaR repose sur la connaissance de la distribution de la fonction

 Si  =1 alors la variable xt est une variable intégrée d'ordre 1. C'est le cas du

 Normalité des facteurs de risque qu‟on teste par le test suivant :

 Linéarité de la relation entre les facteurs de risque et la valeur du portefeuille.

 Identifier les facteurs de risque du portefeuille

L'avantage de l'utilisation des rentabilités logarithmiques est surtout mathématique. En

 Calculer la matrice de var-covar (variance-covariance) ∑ pour ces rendements

1.4. Expansion de la VaR paramétrique