Catégories de mesures de risque

Dans cet article, Shengyu ZHENG (ESSEC Business School, Grande Ecole Program – Master in Management, 2020-2023) présente les catégories de mesures de risques couramment utilisées en finance.

Selon le type d’actif et l’objectif de gestion de risques, on se sert de mesures de risques de différentes catégories. Techniquement, on distingue trois catégories de mesures de risques selon l’objet statistique utilisé : la distribution statistique, la sensibilité et les scénarios. Généralement, les méthodes des différentes catégories sont employées et combinées, en constituant un système de gestion de risques qui facilite de différents niveaux des besoins managériaux.

Approche basée sur la distribution statistique

Les mesures modernes de risques s’intéressent à la distribution statistiques de la variation de valeur d’une positon de marché (ou de la rentabilité de cette position) à un horizon donné.

Les mesures se divise principalement en deux types, globales et locales. Les mesures globales (variance, beta) rendent compte de la distribution entière. Les mesures locales (Value-at-Risk, Expected Shortfall, Stress Value) se focalisent sur les queues de distribution, notamment la queue où se situent les pertes.

Cette approche n’est toutefois pas parfaite. Généralement un seul indicateur statistique n’est pas suffisant pour décrire tous les risques présents dans la position ou le portefeuille. Le calcul des propriétés statistiques et l’estimation des paramètres sont basés sur les données du passé, alors que le marché financier ne cesse d’évoluer. Même si la distribution reste inchangée entre temps, l’estimation précise de distribution n’est pas évidente et les hypothèses paramétriques ne sont pas toujours fiables.

Approche basée sur les sensibilités

Cette approche permet d’évaluer l’impact d’une variation d’un facteur de risques sur la valeur ou la rentabilité du portefeuille. Les mesures, telles que la duration et la convexité pour les obligations et les Grecques pour les produits dérivés, font partie de cette catégorie.

Elles comportent aussi des limites, notamment en termes d’agrégation de risques.

Approche basée sur les scénarios

Cette approche considère la perte maximale dans tous les scénarios générés sous les conditions de changements majeurs du marché. Les chocs peuvent s’agir, par exemple, d’une hausse de 10% d’un taux d’intérêt ou d’une devise, accompagnée d’une chute de 20% des indices d’actions importants.

Un test de résistance est un dispositif souvent mis en place par les banques centrales afin d’assurer la solvabilité des acteurs importants et la stabilité du marché financier. Un test de résistance, ou en anglicisme un « stress test », est un exercice consistance à simuler des conditions économiques et financières extrêmes mais effectivement plausibles, dans le but d’étudier les conséquences majeures apportées surtout aux établissements financiers (par exemple, les banques ou les assureurs), et de quantifier la capacité de résistance de ces établissements.

Autres article sur le blog SimTrade

▶ Shengyu ZHENG Mesures de risques

▶ Shengyu ZHENG Moments de la distribution

▶ Shengyu ZHENG Extreme Value Theory: the Block-Maxima approach and the Peak-Over-Threshold approach

▶ Youssef LOURAOUI Markowitz Modern Portfolio Theory

Resources

Academic research (articles)

Aboura S. (2009) The extreme downside risk of the S&P 500 stock index. Journal of Financial Transformation, 2009, 26 (26), pp.104-107.

Gnedenko, B. (1943). Sur la distribution limite du terme maximum d’une série aléatoire. Annals of mathematics, 423–453.

Hosking, J. R. M., Wallis, J. R., & Wood, E. F. (1985) “Estimation of the generalized extreme-value distribution by the method of probability-weighted moments” Technometrics, 27(3), 251–261.

Longin F. (1996) The asymptotic distribution of extreme stock market returns Journal of Business, 63, 383-408.

Longin F. (2000) From VaR to stress testing : the extreme value approach Journal of Banking and Finance, 24, 1097-1130.

Longin F. et B. Solnik (2001) Extreme correlation of international equity markets Journal of Finance, 56, 651-678.

Mises, R. v. (1936). La distribution de la plus grande de n valeurs. Rev. math. Union interbalcanique, 1, 141–160.

Pickands III, J. (1975). Statistical Inference Using Extreme Order Statistics. The Annals of Statistics, 3(1), 119– 131.

Academic research (books)

Embrechts P., C. Klüppelberg and T Mikosch (1997) Modelling Extremal Events for Insurance and Finance.

Embrechts P., R. Frey, McNeil A. J. (2022) Quantitative Risk Management, Princeton University Press.

Gumbel, E. J. (1958) Statistics of extremes. New York: Columbia University Press.

Longin F. (2016) Extreme events in finance: a handbook of extreme value theory and its applications Wiley Editions.

Other materials

Extreme Events in Finance

Rieder H. E. (2014) Extreme Value Theory: A primer (slides).

A propos de l’auteur

Cet article a été écrit en janvier 2023 par Shengyu ZHENG (ESSEC Business School, Grande Ecole Program – Master in Management, 2020-2023).