1 La VaR EVT : une mesure fiable du risque extrême des hedge funds Emmanuelle FROMONT 1 CREM UMR CNRS 6211- Axe Macro-économie & Finance Current Version: October 2006 Abstract: The main goal of this paper is to prove extreme value theory is useful to evaluate the most potential lose of hedge funds ( EVT VaR ). Using a Backtesting procedure, we estimate the adequacy of Value-at-Risk estimated from Generalised Pareto Distribution fitting to extreme loses lying beyond certain threshold that marks the beginning of tail regions. We determine whether the hit sequence of the VaR measure satisfies the properties of unconditional coverage and independence. The accuracy of the VaR model at several quantiles rather than a single quantile is also tested. Moreover, results of this research can enable to underline the weakness of the traditional measures used to estimate the extreme risk of hedge funds. Empirical evidence suggests the use of EVT VaR is pertinent in the case of hedge funds whereas the other measures may lead to underestimate or overestimate the extreme risk of these vehicles. 1 Department of Finance at University of Rennes1. Institut de Gestion de Rennes- 11 rue Jean Macé- BP 1997- 35019 Rennes Cedex. Corresponding author : [email protected]
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Transcript
1
La VaR EVT : une mesure fiable
du risque extrême des hedge funds
Emmanuelle FROMONT1
CREM UMR CNRS 6211- Axe Macro-économie & Finance
Current Version: October 2006
Abstract:
The main goal of this paper is to prove extreme value theory is useful to evaluate the most
potential lose of hedge funds ( EVTVaR ). Using a Backtesting procedure, we estimate the
adequacy of Value-at-Risk estimated from Generalised Pareto Distribution fitting to extreme
loses lying beyond certain threshold that marks the beginning of tail regions. We determine
whether the hit sequence of the VaR measure satisfies the properties of unconditional
coverage and independence. The accuracy of the VaR model at several quantiles rather than a
single quantile is also tested. Moreover, results of this research can enable to underline the
weakness of the traditional measures used to estimate the extreme risk of hedge funds.
Empirical evidence suggests the use of EVTVaR is pertinent in the case of hedge funds
whereas the other measures may lead to underestimate or overestimate the extreme risk of
these vehicles.
1 Department of Finance at University of Rennes1. Institut de Gestion de Rennes - 11 rue Jean Macé- BP
Tableau 1- Nombre et proportion de violations de la VaR constatés pour les quatre indices hedge funds S&P compte tenu de la mesure de risque considéré (VaR
Normale, VaR de Cornish-Fisher, B-VaR et VaR EVT) et du niveau de risque retenu. Les valeurs en gras mettent en évidence les adéquations entre le niveau de risque
fixé pour le calcul de la VaR et le pourcentage de violations réellement observé es.
15
Ces premiers résultats mettent en évidence que le nombre de violations diffère
considérablement en fonction du modèle de VaR, de l’indice et du niveau de risque
considérés.
Pour l’indice global HF S&P par exemple, le nombre de violations constaté pour un niveau de
risque de 5% est de 9 avec la VaR Normale et la EVTVaR , de 11 avec la VaR de CF et de 3
avec la B-VAR. Par comparaison, le nombre de violations obtenu pour l’indice Event Driven
(pour le même niveau de risque), s’élève à 20 avec la VaR Normale et la VaR de CF, à 14
avec la EVTVaR et à 10 avec la B-VaR.
Notons également, que le nombre de violations a tendance à se réduit lorsque le niveau de
risque diminue. Pour l’indice Arbitage par exemple, on constate qu’en passant de 95% à 99%
d’intervalle de confiance, le nombre de violations devient nul pour toutes les mesures de
risque (à l’exception de la B-VaR où le nombre d’exception est déjà nul à 95%).
La comparaison de la proportion des violations et du niveau de risque retenu pour le calcul
des VaR suggère qu’aucun modèle n’est « parfaitement » adapté pour apprécier le niveau de
risque des quatre indices hedge funds S&P considérés. En effet, l’égalité entre le niveau de
risque retenu pour le calcul de la VaR et la proportion de violations réellement observée, est
rarement constatée. Pour la VaR de CF et la EVTVaR , elle se produit dans 25% des cas, pour
la B-VaR, dans 16% des cas et pour la VaR Normale qu’un fois sur douze.
Notons cependant que les 2/3 des adéquations constatées sont observées lorsque les VaR sont
estimées pour un niveau de risque de 0.5%. Il semblerait donc que la fiabilité des modèles est
meilleure avec des intervalles de confiance tendant vers l’unité.
Cependant, le pourcentage de violations est parfois plus de deux fois supérieur au niveau de
risque fixé pour le calcul de la VaR. Dans le cas de l’ indice Event Driven et de la VaR
Normale, cet écart a même tendance à s’accroître lorsque le niveau de risque considéré
diminue. En effet, le pourcentage de violations de la VaR Normale est 2 fois plus élevé
lorsque le niveau de risque α est de 5%, de 5 fois plus élevé avec un α de 1% et de 8 fois
plus élevé avec un α de 0.5%.
16
3.3 - La supériorité de la VaREVT en tant que mesure du risque
extrême des hedge funds
Afin d’apprécier plus précisément la fiabilité des modèles considérés et plus particulièrement
celle de la EVTVaR , il convient maintenant de tester les propriétés de couverture
inconditionnelle et d’indépendance des exceptions mises en évidence par Christoffersen
[1998].
L’aptitude des modèles à remplir la propriété de couverture inconditionnelle des exceptions
est évaluée au moyen des tests de Kupiec [1995] et de Campbell [2005]. Les statistiques et
leur probabilité correspondante sont présentées dans les tableaux 2 et 3.
Les valeurs manquantes du tableau 3 correspondent aux cas où les statistiques ne sont pas
calculables (aucune violation). Les statistiques supérieures au seuil de rejet sont indiquées en
gras. Pour les deux tests, il s’agit de marquer le rejet de l’hypothèse de couverture
inconditionnelle des exceptions.
D’après les résultats du test POF de Kupiec [1995] au seuil de 5%, seul l’emploi du modèle
de EVTVaR conduit à l’acceptation de l’hypothèse de couverture inconditionnelle pour tous
les indices, et ceci quelque soit le niveau de risque considéré (5%, 1% et 0.5%). En effet,
toutes les probabilités associées aux statistiques POF sont supérieures au seuil critique de 5%,
ce qui signifie que la différence entre le niveau de risque fixé pour le calcul de la EVTVaR et
la proportion de violations observées n’est pas significative (acceptation de H0).
A l’inverse, les trois autres modèles présentent au moins deux cas où l’inadéquation entre le
pourcentage de violations admis et celui réellement enregistré, est significative (voir les
valeurs en gras).
L’utilisation de la VaR Normale à 5%, 1% et 0.5% et de la VaR de CF à 5% et 1%, n’apparaît
pas adaptée pour estimer le niveau de risque extrême de l’indice Event Driven puisque
l’hypothèse de couverture inconditionnelle (H0) est rejetée. De la même manière, on constate
que l’utilisation de la B-VaR à 5% ne donne pas une évaluation fiable du risque extrême des
Tableau 2- Valeurs de la statistique POF de Kupiec. Les valeurs en italique donnent les probabilités associées aux statistiques calculées. Les valeurs en gras mettent en
évidence les statistiques supérieures à la valeur critique du Khi-deux à 1 degré de liberté (95%).
Tableau 3- Valeurs de la statistique Z (Wald). Les valeurs en italique donnent les probabilités associées aux statistiques calculées. Les valeurs en gras mettent en
évidence les statistiques supérieures à la valeur critique de la loi Normale (95%).
18
Les résultats du test de Wald (tableau 3) viennent confirmer et compléter ceux du test
précédent. Son principal avantage par rapport au test de Kupiec est que le calcul de la
statistique z est possible même lorsque aucune violation n’est constatée. D’autre part, la
statistique z donne une indication sur la cause du rejet de H0. Si celle-ci est élevée et négative
cela signifie que le modèle considéré surestime significativement le risque réel de l’indice
étudié, alors qu’une valeur positive traduit à l’inverse une sous-estimation du risque. Une
statistique égale à 0 signale quant à elle que le nombre réel de violations de la VaR est
identique au niveau de risque fixé pour le calcul de la VaR (α ). Dans ce dernier cas de figure,
il est considéré que le modèle permet d’évaluer, de manière fiable, le risque des indices
étudiés.
L’examen des probabilités associées aux statistiques z confirme que la EVTVaR est la seule
mesure pour laquelle l’hypothèse de couverture inconditionnelle au seuil de 5%, est toujours
validée. Ce modèle de VaR n’aurait que légèrement tendance à surestimer le risque réel des
indices. En effet, à l’exception d’une seule statistique, elles prennent toutes une valeur
faiblement négative.
A l’inverse, le risque de l’indice Event Driven a tendance à être largement sous-estimé par la
VaR Normale à 5%, 1% et 0.5% et par la VaR de CF à 5% et à 1% puisque les statistiques
correspondantes sont très négatives.
La B-VaR, quant à elle, surestime de manière substantielle le risque réel de l’indice global
HF, de l’indice Arbitrage et de l’indice Directional/Tactical pour une VaR à 5%. Comme
pour la VaR Normal et la VaR de CF, on constate que la B-VaR sous-estime le risque de
l’indice Event Driven lorsque la VaR est évalué à 1%.
En s’appuyant sur les résultats des tests de couverture inconditionnelle des exceptions, il
semble que la EVTVaR est plus adaptée pour refléter le risque réel des stratégies alternatives
que les trois autres modèles étudiés. En effet, la EVTVaR n’engendre pas de surestimations
significatives du risque comme la B-VaR et de sous-estimations comme la VaR Normale et la
VaR de CF.
Les résultats du test d’indépendance de Markov, présentés dans le tableau 4, indiquent que
pour les différentes mesures de VaR, les violations sont significativement indépendantes. En
19
effet, toutes les statistiques sont inférieures à la valeur critique du khi-deux à 95% (1 degré de
liberté). Dés lors, on peut considérer que la propriété d’indépendance des violations (d’ordre
1), est remplie par l’ensemble des modèles.
Afin de compléter l’analyse, examinons maintenant les résultats de l’application du test du Q
de Pearson. Ce test présente l’avantage de tester la fiabilité d’une mesure de VaR pour
différents niveaux de risque. Dans la mesure où l’intérêt est porté sur le risque extrême, la
partition [0; 0.005], [0.005; 0.01], [0.01; 0.05], [0.05; 1] a été utilisée.
Les valeurs de la statistique Q, estimées en fonction de l’indice et du modèle considérés, sont
présentées dans le tableau 5.
Comme pour les tests précédents, la EVTVaR se démarque des autres mesures de risque
étudiées. Les statistiques correspondantes sont toutes inférieures à la valeur critique de 7.814,
calculée à 95% et pour 3 degrés de liberté (ddl). Cela traduit que la EVTVaR peut être
considérée comme fiable dans le sens où elle reflète correctement le niveau de risque extrême
des indices hedge funds S&P.
Par contre, la VaR Normale et la VaR de CF se révèlent inadaptées pour estimer le risque réel
de l’indice Event Driven. Leur statistique correspondante respectivement 51.03 et 21.93,
dépasse largement la valeur critique à 95% (3ddl). Pour la même raison, l’utilisation de la
B-VaR ne serait pas pertinente pour estimer le risque de l’indice Arbitrage, puisque la
statistique Q qui lui est associée, est également supérieure au seuil critique.
En nous appuyant sur les résultats de l’ensemble des tests de backtesting mis en œuvre, la
EVTVaR apparaît la mesure la plus fiable, parmi celles étudiées, pour exposer le niveau de
risque extrême des stratégies alternatives. En effet, il s’agit du seul indicateur pour lequel les
hypothèses de couverture inconditionnelle et d’indépendance des violations de la VaR (pour
différents niveaux de risque : 5%, 1% et 0.5%) ne sont jamais rejetées. A l’inverse, les trois
autres mesures étudiées ne répondent pas toujours à l’exigence de couverture inconditionnelle
nécessaire à la validation d’un modèle de VaR.
La VaR Normale est la mesure la plus inadaptée pour évaluer le risque extrême de l’indice
Event Driven dont les queues de distribution sont les plus épaisses. Cette conclusion confirme
20
les résultats de Fromont [2005], à savoir que la VaR Normale a tendance à minimiser la perte
maximale potentielle des indices hedge funds ayant une distribution très différente de celle de
la loi gaussienne.
Quant à l’utilisation de la VaR de CF ou de l’Expected Shortfall (B-VaR), elle semble
également moins pertinente que celle de la EVTVaR . En effet, il est apparu que, dans certains
cas, ces mesures surestiment et/ou sous-estiment le risque réel de certaines stratégies
Tableau 4- Résultats du test de Markov d’indépendance des violations de la VaR à 5%, 1% et 0.5%. Les valeurs en italique donnent les probabilités associées aux
Tableau 5- Statistiques du test du Q de Pearson. Les valeurs en gras mettent en exergue les statistiques supérieures à la valeur critique du Khi -deux (95%) à 3 degré de
liberté
23
4- Conclusion
Ce travail de recherche offre des réponses intéressantes à la question de l’évaluation du risque
des hedge funds. En effet, cette étude a montré que la EVTVaR , calculée à partir des lois
asymptotiques des extrêmes négatifs, permet aux acteurs de marché de disposer d’une
évaluation fiable de la perte maximale que peuvent potentiellement générer les stratégies
alternatives. En effet, la mise en œuvre d’une procédure de backtesting révèle que la EVTVaR
répond aux exigences requises pour la validation de sa fiabilité. Par comparaison, la VaR
normale, la VaR de Cornish-Fisher ou encore l’expected shortfall ne remplissent pas la
condition de couverture inconditionnelle des violations de la VaR, établie par Christoffersen
[1998]. Il apparaît que ces mesures génèrent parfois des surestimations et des sous-estimations
significatives du risque extrême des stratégies alternatives.
Dès lors, dans une perspective d’amélioration de l’évaluation du risque des hedge funds, nous
préconisons l’utilisation de la EVTVaR , construite à partir des lois des extrêmes. En
s’appuyant sur les développements issus de l’EVT, il devient possible d’analyser et de
quantifier le véritable niveau de risque extrême des fonds alternatifs. La fiabilité de la
EVTVaR et sa supériorité manifeste par rapport à d’autres indicateurs de risque extrême,
conduit à recommander son implémentation dans le cadre de la gestion du risque des fonds
alternatifs. L’intérêt pour les différents acteurs de marchés (investisseurs, gérants, risk
managers, législateurs) est d’obtenir une information fiable sur le risque extrême des fonds et
d’éviter les surestimations et les sous-estimations qu’implique l’emploi des indicateurs de
risque traditionnellement utilisés.
Enfin, notons que ce travail de recherche met en exergue les perspectives qu’offre la théorie
des valeurs extrêmes en Finance. Cette théorie mathématique peut être utile pour résoudre les
problèmes que pose l’évaluation des autres actifs financiers dont les distributions de
rentabilités ne suivent pas une loi Normale.
24
Bibliographie
Basak, S, et A. Shapiro [2001], Value-at-Risk-Based Risk Management: Optimal Policies and
Asset Prices, Review of Financial Studies, vol. 14, pp. 371-406.
Berkowitz, J. [2000], A Coherent Framework for Stress-Testing, Journal of Risk, vol. 2, pp.
5-15.
Campbell, S.D [2005], A review of Backtesting and Backtesting Procedures, Finance and
Economics Discussion Series, vol. 21, Board of Governors of the Federal Reserve System.
Christoffersen, P. [1998], Evaluating interval forecasts, International Economic Review, vol.
39(4), pp. 841-862.
Christoffersen, P. et D. Pelletier [2004], Backtesting Value-at-Risk: A duration based
Approach, Journal of Empirical Finance, vol. 2, pp. 84-108.
Crnkovic, C. and J. Drachman [1997], Quality Control” in VAR: Understanding and
Applying Value-at-Risk, London Risk Publications.
Diebold, F. X., T.A. Gunther et A. S. Tay [1998], Evaluating Density Forecasts, International
Economic Review, vol. 39, pp. 863-883.
Degroot, M. H. [1989], Probability and Statistics, Ed. 2, Addison Wesley, Reading, MA.
Embrechts, P., C. Klüppelberg et T. Mikosch [1997], Modelling extremal events for insurance
and finance, Berlin: Spring Verlag.
Fromont E. [2005], Modélisation des rentabilités extrêmes des distributions de hedge funds,
Banque & Marchés, vol. 79, pp.31-41.
Kupiec, P. H. [1995], Techniques for verifying the accuracy of risk measurement models,
Journal of Derivatives, vol. 3, pp. 73-84.
Longin, F. [2001], Beyond the VaR, Journal of derivatives, vol. 8, pp. 36-48. Pratt, J. et R. Zeckhauser [1987], Proper risk aversion, Econometrica, vol. 55 (1), pp. 143-154. Scott, R et P. Horvath [1980], On the direction of reference for moments of higher order than the variance, Journal of Finance, vol. 35(4), pp. 915-919.