VAR

Définition de la Value At Risk

La Value at Risk (VAR) est un instrument d'analyse des risques permettant de

déterminer la perte maximale d'un portefeuille sur une période donnée avec une
probabilité donnée. La Value at Risk n'est pas une prévision mais une estimation du
risque sur une position déjà en portefeuille.

La Var est un outil de gestion du risque aujourd'hui utilisée la gestion d'actifs et la

gestion financière mais également dans tous les autres domaines. La Value at risk
traduit de l'exposition au risque d'un actif ou d'un acteur financier à un facteur donné.

Dans les assurances, le risque de catastrophe naturelle est par exemple mesuré par
cet instrument. La VAR indique la perte potentielle pour l'établissement financier si ce
type d’événement survient. Dans les banques, la value at risk permet une meilleure
gestion des risques financiers. Les banques centrales réalisent des stress test pour
évaluer le respect des ratio Bâle III et la capacité de la banque à supporter une crise
financière avec ses fonds propres. En bourse, la VAR permet d'analyser le risque de
marché (risque de change, risque de contrepartie, risque opérationnel, risques
bancaires, risques financiers, risque de crédit...).

La Value at Risk prend en compte la diversification du portefeuille. Si plusieurs actifs

sont dans le portefeuille, la VAR varie en fonction du degré de corrélation entre les
actifs. Si les actifs sont corrélés positivement, la perte potentielle est beaucoup plus
grande. A l'inverse, s'ils sont négativement corrélés, l'effet de diversification est
maximal sur la VAR.

La Value-At-Risk dépend en réalité de trois éléments

1) La distribution des pertes et profits du portefeuille valable pour une certaine période de
détention et dont les différentes méthodes de calcul seront expliquées un peu plus loin dans
cette fiche.

2) Le niveau de confiance. Compris entre 0 et 1, il permet de contrôler la probabilité que l’on
obtienne un rendement supérieur ou égal à la VAR.
Supposons par exemple que la distribution des pertes et profits associée à la détention d’un
actif sur une période corresponde à une distribution normale standard.

La VAR au seuil de confiance de 95% à 1 jour notée VAR(95%, 1Jour), égale à 1 million
d’euros signifie qu’il y a 95% de chances pour que la perte associée à la détention de l’actif
n’excède pas 1 million d’euros.

D'après ce graphique, la VAR(95%, 1Jour) correspond à une perte approximative de 1,65

million d’euros.

3) La période de détention de l’actif ou du portefeuille d’actifs.

Le calcul de la VAR doit être ajusté de façon à tenir compte de la composition des
rendements. Même si la période de détention est propre à chacun, les autorités de régulation
exigent des horizons communs dans le cadre des procédures de validation de la Value-At-
Risk.

Value at risk et loi normale

VAR est fonction de plusieurs paramètres :

- La distribution des résultats (pertes et profits) du portefeuille

 : Cette distribution de probabilité peut suivre une loi normale ou être basée sur
l'historique des distributions (ou sur un temps donné). Afin de ne pas fausser le
calcul de la Value at risk il faut déterminer la bonne période à utiliser. Si la période
est trop courte, cela ne prend pas en compte assez d'éléments exceptionnels pour
un calcul efficient de la VAR. Si la période est trop longue, il peut y avoir une
incohérence temporelle (les résultats ne sont pas comparables).

- Intervalle de confiance

 : Il se situe généralement entre 95 et 99% soit un paramètre compris entre 0 et 1.

L'intervalle de confiance correspond à la probabilité que la perte maximum ne soit
pas supérieure à la value at risk. La représentation graphique de distribution des
probabilités est la suivante (loi de probabilité de la courbe de Gauss - Mouvement
Brownien) :
- L'horizon temporel:

Plus la durée de détention est longue, plus la perte potentielle peut être importante.
Toutefois, les autorités de régulations exigent des durées de détention communes
afin que la VAR soit validée pour les institutionnels.

A qui cette mesure est-elle destinée ?

Utilisée principalement par les banques, cette mesure de risque est destinée avant
tout :

- Aux professionnels de marchés tels que les opérateurs de marché, gestionnaires

de fonds privés ou encore gestionnaires de fonds institutionnels.

- Aux Risk Managers (responsables de la gestion des risques et du contrôle de la

gestion des risques).

- Aux comptables ou aux clients institutionnels.

Hypothèses de calcul de la Value at risk

- De base, la VAR est calculé sur 1 jour. Pour l'avoir sur N jours, il faut multiplier le
résultat obtenu par la racine de N.

- On suppose que les distributions suivent une loi normale de Gauss

- Le rendement journalier d'un portefeuille est nul. En effet, si un actif à une
rentabilité annuelle de 12%, son rendement journalier sera la suivant : 12/252 =
0.047% qui est donc très proche de 0 . 252 correspond au nombre de jours
d'ouverture de la Bourse

Méthode historique de calcul de la value at risk

La méthode historique se base sur les données historiques de marché. Il est donc nécessaire de
connaître la valeur passé du portefeuille à partir du prix des différents actifs et de la composition
actuelle du portefeuille.

- La méthode historique nécessite seulement de connaître la valeur de la position

dans le passé (par exemple historique des prix pour un indice). Pour un portefeuille,
il faudra reconstituer sa valeur passée à partir du prix des différents actifs et de la
composition actuelle du portefeuille. Après avoir identifié les facteurs de risque
significatifs pour le portefeuille, on utilise l'historique des données collectées afin d'en
déduire un montant de perte.

Exemple : Pour déterminer l'évolution du portefeuille (gains ou pertes quotidiens) sur

les 1500 derniers jours, on va classer les résultats par ordre croissant. La 15eme
(1500*(100%-99%)) valeur dans le classement correspondra à la value at risk à 99%
à 1 jour. La 75ème valeur dans le classement correspondra à la VAR à 95% à 1 jour.
C'est le montant de la perte maximale estimée.

Avantages : Très simple à calculer; La distribution des rendements des actifs n'est
pas prise en compte

Inconvénients : N'est pas adapté pour les produits dérivés; L'historique du

portefeuille doit remonter loin dans le temps par rapport au niveau de confiance et à
l'horizon temporel

Méthode analytique de calcul de la VAR

La méthode analytique se base sur des calculs statistiques afin de déterminer la loi
de distribution des gains et pertes. On va pour cela établir des hypothèses de
variation des différents facteurs de risques et évaluer le portefeuille en fonction des
différents scénarios. Cette méthode est très utilisée par les assurances pour
déterminer le cout de catastrophes naturelles exceptionnelles.

Hypothèses : Les distributions suivent une loi de Gauss; La relation entre la

variation des actifs et des valeurs de marchés est linéaire comme cela est le cas
pour les obligations ou les produits dérivés.

Exemple 1:
Soit deux portefeuilles   de 1 million d'euros et   de 5 millions d'euros constitués
respectivement d'actions Peugeot, de volatilité annuelle 20%, et d'actions Société Générale
de volatilité annuelle 10%.

La volatilité quotidienne du portefeuille A est : 

où 252 est le nombre de jours où la bourse française est ouverte.

Ainsi la Var à 99% à une journée est alors: 

La volatilité quotidienne du portefeuille B est :  

Et la Var à 99% à une journée est donc:

  

Afin d'obtenir la Var à 10 jours il suffit d'appliquer la formule: 

Ainsi :  

+Un investisseur possédant ces deux actifs dans un même portefeuille, doit prendre
en compte la corrélation entre les variations du titre Société Générale et les
variations du titre Peugeot.

Considérons que le coefficient de corrélation entre les deux actifs  est ρ=0,6.
On peut alors obtenir la Var par la formule suivante :

Dans notre exemple 

Ainsi on peut remarquer que cette Value at Risk est inférieure à la somme des deux VAR
calculées précédemment. Ceci est dû aux gains de diversification.

Remarque: La même logique devra être appliquée à un portefeuille constitué de N actifs (en
prenant en compte la corrélation entre chacun d'entre eux).

Exemple :

Deux actifs sont en portefeuille d'un total de 50000€ avec 25000€ sur l'action BNP qui a une
volatilité annuelle de 15% et 25000€ sur l'action Renault qui a une volatilité de 10%.

On calcul dans un premier temps la volatilité quotidienne (écart type à 1j noté 61j) pour
chaque actif du portefeuille (252j - nombre de jours ou la bourse est ouverte) :
61j BNP = 15%/√252 = 0.95%
61j Renault = 10%/√252 = 0.60%
On peut alors calculer la VAR de chaque actif par exemple pour un indice de confiance de
99% à 1 j :
Var BNP (99%,1j) = 25 000 * 2.33 * 0.95% = 553,375 €
Var Renault (99%,1j) = 25 000 * 2.33 * 0.60% = 349,5 €
Pour une value at risk à Xj, on multiplie le résultat obtenu par √X.
Afin de prendre en compte la corrélation entre les deux actifs, on va alors appliquer la
formule suivante :

Avec p= coefficient de corrélation entre A et B

Dans notre exemple (avec p = 0.4), Var A+B = √(553.375²+349.5²+2*0.4*553.375*349.5) =

763.608 €
La value at risk globale du portefeuille (763.608€) est inférieure à la VarA+VarB
(553.375+349.5= 902.875€). Cela est du à l'effet de diversification du portefeuille. Moins les
actifs sont corrélés, plus la VAR globale sera faible.

Si le portefeuille à plus de 2 actifs, il faudra construire une matrice de variance-covariance

pour calculer la VAR globale.

Avantage : Calculs simples

Inconvénients : Non adapté aux produits optionnelles et aux distributions non normales des
rendements

Méthode de Monte Carlo de la Value at Risk

La méthode de Monte Carlo se base sur un tirage au sorts des échantillons de facteurs de
risques à partir des variations historiques. On alors simuler plusieurs valeurs possibles pour
chaque facteur (taux de change, cours d'une action...). On va ainsi pouvoir déterminer le résultat
(gain ou perte) pour chaque simulation.

Exemple : Soit un investisseur souhaitant acheter des actions pour les revendre dans 3 ans. Il va
alors établir une liste des facteurs pouvant influencer le cours de l'action. Par la méthode de
Monte Carlo, il va alors simuler une multitude de scénario (1000 par exemple) et déterminer le
résultat espéré à l'issue des 3 ans pour chaque simulation.

Pour obtenir une VAR à 99%, le fonctionnement est le même que pour la méthode historique. Il
va trier les résultats par ordre croissant et prendre la 10ème valeur (les pires scénarios). Il aura
alors 99% de chance que ces pertes n'excède pas ce montant durant les 3 ans de détention du
titre.

Avantages : Utilisable pour les produits dérivés; Convient à tous les types d'instruments au
contraire des autres méthodes.

Inconvénients : Les calculs sont très lourds; Il faut déterminer les facteurs de risque et élaborer
des scénarios ce qui prend beaucoup de temps.
 Les limites de la VAR

- La value at risk se base sur une distribution normale des variations de prix des actifs. De ce
fait, les queues de distribution sont bien souvent mal évaluées. Certains mouvements de
marché ne suivent pas une loi normale

- La VAR se base sur l'étude du passé pour prédire l'évolution future des cours. Or, les
performances passées ne garantissent pas les performances futures. Le résultat final est
donc contestable.

- Dans le calcul de la value at risk, l'horizon est fixe. Or, il se peut que le marché ne soit pas
assez liquide pour couper ses positions ou qu'un brusque mouvement de marché (krach)
nous force à prolonger la durée de détention.

- Pour obtenir une VAR la plus juste possible, il faut affiner les calculs, l'étude des facteurs
de risque. Pour une raison de temps ou de technique (machines pas assez puissantes), de
nombreuses approximations sont faites ce qui influence le résultat final.

- Si le dépassement de la value at risk intervient souvent, le modèle lui même peut être remis
en question. Les différentes crises qui se succèdent actuellement en sont l'exemple. Une
succession de catastrophes naturelles pour un assureur va entraîner un dépassement à
plusieurs reprises de la VAR. Doit-on utiliser un autre modèle?

La question de l'utilisation de la VAR n'est toutefois pas remis en cause malgré ses
nombreuses limites et a d'ailleurs été validé par les différentes autorités de régulation. La
value at risk est aujourd'hui utilisée dans de nombreux domaines : le trading, la gestion de
fonds, la trésorerie d'entreprise, les assurances, les entreprises de crédits...
 Tracking error d’un fonds

Définition de la tracking error

La tracking error permet de juger de la qualité d'un fond gestion en comparant l'écart
type de ses rendements avec son indice de référence (appelé benchmark). La tracking
error est une mesure du risque. Elle détermine la volatilité théorique d'un fond (le risqué lié à
l'investissement dans ce fond) avec celle de son indice de référence. On peut ainsi savoir grâce à
la tracking error quels sont les fonds ayant un rendement moyen proche ou éloigné du
benchmark. La tracking error permet d'établir une zone théorique de surperformance / sous
performance possible du fond par rapport à son indice de référence.

Comment interpréter la tracking error?

Plus la tracking error est élevé, plus le fond à une performance moyenne éloigné de son
indice de référence. 
A l’inverse, un tracking error faible montre que le fond à une performance à peu près égale
à celle de son indice de référence.

Prenons un exemple avec un fond de gestion active ayant un tracking error annuelle de 10%.
Admettons que sur la même année, l’indice de référence (le benchmark) est atteint une
performance de + 5%. Le performance théorique du fond est calculé de la manière suivante :

Sous performance théorique = Rentabilité du benchmark – tracking error,

soit 5/100 – 10/100 = 5%

Surperformance théorique = rentabilité du benchmark + tracking error, soit 15%.

Probabilité de cette sous/sur performance = 100 – 2 * tracking error , soit 100% – 2*10% = 80%.

On peut donc en conclure qu’il y a une probabilité de 80% pour que la performance du fond soit
comprise entre 5% et 15% l’année suivante.
J’ai pris la performance sur l’année mais vous pouvez très bien lisser les résultats sur plusieurs
années et ainsi obtenir la sous/sur performance théorique au cours de cette même période dans
le futur.

Etude sur la tracking error

La tracking error est un indicateur performant pour mesurer le risque. Plusieurs études
ont été menées sur un grand nombre de fond et on constate que la performance de ces
fonds est située dans plus de 95% des cas dans la zone de sous/surperformance
théorique. Cela induit que peu de fonds arrive à surperformer leur indice de référence par
rapport au risque pris.

Le tracking error est en relation avec la notion de risque. Un tracking error faible signifie que le
fond à un risque à peu près égal à celui de son indice de référence. Il est donc normal que la
performance du fond se situe autour du benchmark.

En revanche, un tracking error élevé signifie que le fonds à un risque plus important que son
indice de référence. Plus le tracking error est grand, plus le risque supplémentaire pris par le
gérant est important, plus il a de liberté. C’est ce qui permet au gérant de pouvoir générer de la
surperformance par rapport à son benchmark. Mais cette performance est lié à un risque
supplémentaire, et ce risque peut conduire à une sous performance en cas de mauvais choix du
gérant.

Une étude a montré que seulement une poignée de fonds arrive à générer une surperformance
largement supérieure à leur surperformance théorique. C’est même l’inverse. D’après une étude
sur les fonds (750 au total) réalisée par le magazine Morningstar Professional, 60% avait sous
performé leur indice de référence. La gestion active en prend un coup par rapport à la gestion
passive !

Mais attention, on constate également que ce sont les fonds ayant une faible tracking error
(inférieur à 5%) qui sous performe le plus par rapport à leur indice de référence. Pour les fonds
ayant un tracking error élevé, la moitié sousperforme leur benchmark et l’autre moitié le
surperforme.
 Conclusion sur la tracking error

Optez pour des fonds de gestion active ayant un fort tracking error. Certes, la volatilité au
niveau des performances théoriques est plus importante pour ce type de fond mais les chances
de surperformer l’indice sont bien présentes. A vous de trouver le bon fond et surtout le bon
gérant ! 

Si vous voulez investir dans un fond de gestion active ayant un faible tracking error, mieux vaut
privilégiez la gestion passive. En effet, un trop faible niveau de tracking error induit moins de
risque en termes de volatilité de la performance mais la réalité montre que ces fonds affichent
des performances souvent en deçà de leur benchmark. Les fonds de gestion active doivent en
effet supporter d’importants frais de gestion. 

1. « Faible Tracking Error = risque faible »

Les intervenants de marché sont souvent conduits à qualifierleurs portefeuilles en fonction

de niveaux de tracking errors élevés ou faibles et, à partir de ce constat, font des inférences
sur le niveau de risque de leurs investissements.

La tracking error(« erreur de suivi » en français) ne mesure pas le risque d’un portefeuille,

elle mesure la distance entre deux portefeuilles.

TE=
√ ∑ ( R p−R b)²
i=1
N−1

La tracking errorne mesure rien en termes absolus : il ne s'agit que d'un indicateur relatif. C'est par
définition une référence à deux termes. Son interprétation dépend nécessairement de la base de
comparaison. Une tracking errorne saurait être interprétée comme un indicateur de risque. Elle
n'offre même aucune corrélation avec quelque indicateur de risque absolu que ce soit.
Ainsi, dans le contexte de l'approche Maximum Diversification ® de TOBAM, la tracking error entre
notreportefeuille et sonindice de référence capi-pondéréindique dans quelle mesure le benchmark
est loin d’être diversifié. Elle mesure en fait le poids des parisde l'indice.

L'exemple ci-dessous illustre cette notion, dans deux univers différents.

L’exemple n° 1

concerne le marché sud-coréen des actions. Il s'agit d'un marché très concentré, sur lequel
Samsung représente notamment à lui seul approximativement 27% de l'indice.

Cas n°1 : Marché sud-coréen des actions (indice Kospi 200)

Graphique 1 : Volatilité Graphique 2 : Tracking error

Anti-Benchmark Korea versus Kospi 200 Anti-Benchmark Korea versus Kospi 200

La volatilité de la stratégie actions Anti-Benchmark ® Korea (Graphique 1) est sensiblement

moindre que celle du Kospi 200 (son indice de référence). Si l'on compare cependant la
tracking error entre la stratégie Anti-Benchmark ® et son indice de référence, on constate
qu'elle est très importante : elle ressort à environ 18% en moyenne sur les deux dernières
années (Graphique 2).

Les graphiques 3 et 4 fournissent des éclaircissements sur l’exemple n°1 et montrent que la
principale source de volatilité de l'indice Kospi, provient du secteur des technologies de
l'information, et plus précisément de Samsung.

Graphique 3 : Sources de volatilité (ex-ante) Graphique 4 : Sources de tracking error de suivi
 Anti-

Benchmark Korea versus Kospi 200 Anti-

Benchmark Korea (versus Kospi 200)

Reposant sur l’approche de Diversification Maximale, la stratégie Anti-Benchmark ® évite la

concentration des risques et, ainsi, ses principales sources de tracking errorproviennent du
secteur des technologies de l'information. En effet, contrairement à l'indice de référence, la
stratégie Anti-Benchmark® n'est pas surexposée au secteur des technologies de l'information
ou à Samsung. Dit plus simplement, l'écart entre la stratégie Anti-Benchmark ® et le Kospi 200
est important car l'indice de référence est très concentré alors que la stratégie Anti-
Benchmark® est bien diversifiée. Nous insistons sur le fait que la tracking error ne donne
aucune indication sur le niveau de risque des portefeuilles.